[发明专利]一种基于影像组学的肝癌图像特征提取与病理分类方法

权利要求书

1.一种基于影像组学的肝癌图像特征提取与病理分类方法，其特征在于，包括以下步骤：

步骤(1).将肝癌图像及其对应的病理分类标签作为训练数据集；

步骤(2).利用GrowCut算法对影像中的肝癌病灶区域进行半自动分割，提取肝癌病灶区域的影像；

步骤(3).对步骤(2)中分割出来的肝癌病灶区域进行影像组学特征的提取，所述的影像组学特征包括形态学特征、灰度统计特征、纹理特征和小波特征，得到影像组学特征集合X＝{X₁,X₂,...,X_i,...,X_n}，其中n表示特征向量的数量，X_i表示影像组学特征集合中的第i个特征向量，X_i＝{x_i1,x_i2,...,x_ik,...,x_im}，x_ik表示X_i中的第k个元素，m表示X_i中的元素数量；

步骤(4).对步骤(3)中提取的影像组学特征进行筛选：

步骤(4.1).首先通过过滤法排除只有单一值的特征、方差小于预设阈值的特征、与病理分级无关的特征、以及冗余特征；

特征与病理分级的关系强度通过互信息计算来衡量，将互信息值低于预设阈值的特征称为与病理分级无关的特征，所述互信息的计算公式为：

其中，X_i表示影像组学特征集合中的第i个特征向量，Y表示标签，p(x,y)是X和Y的联合概率密度函数，p(x)和p(y)分别是X和Y的边缘概率密度函数；

所述的冗余特征为相关系数大于0.9的特征，相关系数的计算公式为：

其中，ρ为相关系数的计算结果，x_ik表示影像组学特征集合中的第i个特征向量中的第k个元素，x_jk表示影像组学特征集合中的第j个特征向量中的第k个元素，和分别表示影像组学特征集合中的第i和第j个特征向量中的所有元素的均值；

步骤(4.2).采用Boruta算法对筛选后的影像组学特征进行二次筛选，步骤为：

a.将步骤(4.1)筛选后得到的特征矩阵X′随机打乱顺序，得到阴影特征矩阵X^s，将X^s拼接在X′后面，构成新的特征矩阵N＝[X′,X^s]；

b.将新的特征矩阵输入随机森林分类器，得到X′和X^s的Z分数；

c.将Z分数作为重要性度量，取X^s的Z分数的最大值MZSA，将X′中得分高于MZSA的特征记录一次命中；

d.根据累计命中次数，标记X′中特征重要或者不重要，

e.对于每个重要性未定的属性，执行与MZSA相等的双侧检验；

f.将标记为不重要的特征剔除，重复步骤a-e，直到所有的特征都被标记；

所述的重要性度量是通过对象之间属性值的随机排列导致分类准确性的损失来获得的，通过随机森林分类器得到精度损失的平均值和标准偏差，由平均损失除以其标准偏差计算得到Z分数；

步骤(5).获取肝癌病灶区域影像的临床指标特征，利用χ²检验和Kruskal-Wallis H检验对临床指标特征进行筛选，剔除显著性水平P值大于0.01的临床指标特征；

步骤(6).将经过步骤(4)筛选得到的影像组学特征和经过步骤(5)筛选得到的临床指标特征进行融合，融合后的特征采用步骤(4.2)所述的Boruta算法进行最终的特征筛选，获得最终特征矩阵；将最终特征矩阵输入随机森林进行训练预测，获得最佳预测模型，最终映射为肝癌的病理分级结果；

步骤(7).获取待进行肝癌病理分级的临床CT影像，按照步骤(2)分割出肝癌病灶区域影像，从肝癌病灶区域影像中提取与步骤(6)所述最终特征矩阵中特征类别相同的特征作为待分级特征矩阵，将待分级特征矩阵输入到步骤(6)得到的最佳预测模型中，得到肝癌病理分级结果。