[发明专利]一种基于LightGBM和特征融合的食管静脉曲张分类系统

说明书

本发明公开了一种基于LightGBM和特征融合的食管静脉曲张分类系统，包括分割模块对CT图像中肝、脾和食管的感兴趣区域进行分割提取；特征提取模块对每个部位的感兴趣区域图像进行放射组学特征提取；第一权重分配模块对每个部位的放射组学特征分配相等权重得到第一特征矩阵；第二权重分配模块根据每个部位的放射组学特征采用LightGBM方法判断每个部位对患食管静脉曲张的重要性，根据重要性对每个部位的放射组学特征加权融合得到第二特征矩阵；分类模块将第一特征矩阵和第二特征矩阵分别训练LightGBM分类模型，对待测CT图像是否患食管静脉曲张进行分类。在放射组学基础上构建基于LightGBM和特征融合的食管静脉曲张分类模型，既发挥每个部位的重要性，又提高分类性能。

技术领域

本发明涉及医学图像分类技术领域，特别是涉及一种基于LightGBM和特征融合的食管静脉曲张分类系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

医学图像分类为临床中的判定提供了重要依据，随着医学图像技术的发展，医学图像与机器学习相结合如何高效的实现图像正确分类，成为医学领域和机器学习领域中的研究热点，而在目前的医学图像分类领域中，针对食管静脉曲张风险等级分类的研究尚且较少。

食管静脉曲张是门体静脉系统的侧支，连接门体静脉循环，食管静脉曲张是门脉高压(肝硬化进展期的并发症)的结果，好发于食管下段黏膜下层。食管静脉曲张破裂出血是门脉高压的严重并发症，初次出血死亡率为7％-15％，再次出血死亡率达58％。因此，早期发现和治疗对于肝硬化食管静脉曲张患者尤为重要。目前，在临床上胃镜被用于诊断食管静脉曲张，属于有创的检查，相比之下无创检查可减少患者的痛苦、安全、可重复性好。无创诊断主要有实验室检查、彩色超声、瞬时弹性成像技术、计算机断层扫描(ComputedTomography，CT)及磁共振成像等方法。

在目前的主要研究中，祁等人在2017年提出了一种基于放射组学的肝静脉压力梯度计算模型的构建方法，主要是通过对CT图像提取放射组学特征，结合最小绝对收缩与选择算子(Least Absolute Shrinkage and Selection Operator，LASSO)方法来构建一种肝静脉压力梯度计算模型，为计算门脉高压患者的早期无创指标提供一种新的途径；ElbaLlop等人提出了以非侵入性方法来预测胃食管静脉曲张在代偿性晚期慢性肝病患者队列中的存在，该研究通过血小板、脾脏直径、瞬时弹性成像(TE)，肝硬度×脾脏大小/血小板(LSPS)，静脉曲张风险指数(VRI)，Baveno VI策略和Augustin算法方法来预测代偿性晚期慢性肝病患者中胃食管静脉曲张的存在；Dong T等人在2019年提出了一种基于机器学习的筛选高危食管静脉曲张的评分系统，主要通过实验室检查收集血小板计数、血红蛋白、天冬氨酸转氨酶水平、尿素氮、血清钠、丙氨酸转氨酶等临床特征数据，结合传统方法随机森林来识别出需要治疗的食管静脉曲张患者。总之，发明人认为，CT是检查肝硬化及其并发症最常用的技术，放射组学已应用在许多医学图像分类研究中，而目前利用放射组学和机器学习基于CT图像对食管静脉曲张的无创诊断目前研究尚且较少。

发明内容

为了解决上述问题，本发明提出了一种基于LightGBM和特征融合的食管静脉曲张分类系统，将LightGBM方法应用到食管静脉曲张分类中，在放射组学的基础上构建基于LightGBM方法食管静脉曲张分类模型；对肝、脾、食管三个部位特征相等权重，对其进行线性加权融合，以及根据每个部位对食管静脉曲张诊断的重要程度进行加权线性融合，实现特征融合，既充分发挥每个部位的重要性，同时又降低模型复杂度，提高分类性能。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种基于LightGBM和特征融合的食管静脉曲张分类系统，包括：

分割模块，用于对获取的CT图像中肝、脾和食管的感兴趣区域分别进行分割提取；