[发明专利]基于增强CT影像组学的胃癌腹膜转移的预测系统及方法

权利要求书

1.一种基于增强CT影像组学的胃癌腹膜转移的预测系统，其特征在于，该预测系统包括：增强CT影像输入模块、增强CT影像预处理模块、特征提取模块、数据处理模块和预测及结果输出模块；所述增强CT影像输入模块用于输入检测胃癌腹膜转移的增强CT影像；所述增强CT影像预处理模块用于对增强CT影像进行图像化处理，并识别被人工选择及标记的图像特征；所述特征提取模块用于从被识别的图像特征中提取出三组特征数据组，其中第一组特征数据组包含若干强度特征数据，第二组特征数据组包含若干形态特征数据，第三组特征数据组包含若干灰度纹理特征数据；所述强度特征数据用于反映胃癌肿瘤病灶在CT图像上的图像强度信息；所述形态特征数据用于反映胃癌肿瘤病灶的形态学信息；所述灰度纹理特征数据用于反映胃癌病灶在CT图像上的体素空间分布强度等级信息以及呈现胃癌病灶对应组织表面和内部的特征信息；所述数据处理模块用于对各特征数据进行回归分析及评分，并将评分数值传送至预测及结果输出模块；所述预测及结果输出模块对获得的评分数值进行定性分析及预测结果输出；

所述数据处理模块包括特征变量筛选子模块、变量系数获取子模块及评分计算子模块；所述特征变量筛选子模块通过一LASSO COX回归计算模型从各特征数据中筛选出与胃癌腹膜转移相关联的若干个特征变量；所述变量系数获取子模块通过所述LASSO COX回归计算模型获得与特征变量一一对应的回归系数；所述评分计算子模块通过一评分计算模型获得评分数值；所述评分计算模型的公式为Rad-score = Σ（回归系数*特征变量）；各特征变量分别为偏心率Eccentricity、范围Extent、灰度共生矩阵_相关性信息度量GLCM_IMC、灰度共生矩阵_最大概率GLCM_MaximumProbability；所述偏心率Eccentricity为图像形态特征变量，用于反映CT图像中原始胃癌病灶形态学信息；所述范围Extent为图像形态特征变量，用于反映CT图像中原始胃癌病灶的面积范围大小；所述灰度共生矩阵_相关性信息度量GLCM_IMC为图像基于灰度纹理特征变量，用于反映CT图像中胃癌病灶所在区域图像像素在各个矢量方向上的相关性；所述灰度共生矩阵_最大概率GLCM_MaximumProbability为图像基于灰度纹理特征变量，用于反映CT图像中胃癌病灶所在区域图像像素强度水平在空间上的变化以及稳定地反映特定病灶组织涵盖的图像信息；

所述预测及结果输出模块包括患者评分匹配子模块、截断值获取子模块、概率分类子模块和结果输出子模块；所述患者评分匹配子模块将每位患者是否发生腹膜转移的统计数据与对应的评分数值进行匹配，并将匹配结果传送至所述截断值获取子模块；所述截断值获取子模块对匹配结果进行分析并生成一截断值，所述截断值作为患者发生腹膜转移的概率的评判阈值；所述概率分类子模块用于将每位患者的评分数值与截断值进行大小比对，并将对比结果作为患病概率高或低的评判结果。

2.根据权利要求1所述的基于增强CT影像组学的胃癌腹膜转移的预测系统，其特征在于，所述LASSO COX回归计算模型通过计算机编程工具R语言的glmnet函数包生成。

3.根据权利要求1所述的基于增强CT影像组学的胃癌腹膜转移的预测系统，其特征在于，所述患者评分匹配子模块调用MedCalc医学统计分析软件将每位患者是否发生腹膜转移的统计数据与对应的评分数值进行匹配，并将匹配结果传送至所述截断值获取子模块；所述截断值获取子模块调用MedCalc医学统计分析软件对匹配结果进行分析并生成一截断值，所述截断值作为患者发生腹膜转移的概率的判断阈值。

4. 根据权利要求3所述的基于增强CT影像组学的胃癌腹膜转移的预测系统，其特征在于，当患者的评分数值 截断值时，则患者发生腹膜转移的概率低；当患者的评分数值≥截断值时，则患者发生腹膜转移的概率高。