[发明专利]基于影像组学的高级别浆液性卵巢癌复发风险预测系统

说明书

本发明公开一种基于影像组学的高级别浆液性卵巢癌复发风险预测系统，包括T1加权增强影像组学处理、T2加权影像组学处理和信息融合。其中，影像组学处理主要包括：三维肿瘤分割、图像标准化、影像组学特征提取、特征归一化、特征筛选、SMOTE重采样、分类器训练；信息融合主要对T1和T2影像组学处理输出的复发风险预测概率进行融合，进一步提高风险预测的准确率。

技术领域

本发明涉及计算机辅助诊断技术领域，特别是涉及一种基于影像组学方法的高级别浆液性卵巢癌复发风险预测系统。

背景技术

高级别浆液性卵巢癌(High-grade serous ovarian cancer,HGSOC)是最常见的卵巢癌亚型，约占70％，绝大多数患者就诊时已为进展期。目前，首选的治疗方案仍为初始的肿瘤细胞减灭术辅以术后基于铂的化疗。尽管初始治疗的有效率可达80％，但约85％的患者会出现肿瘤复发直至发生耐药，总体5年生存率仅30％左右。临床上，仍缺乏有效且可靠的标记物来判断肿瘤的复发风险，是妇瘤科医师亟待解决的难点。近来的研究显示基于PARPI抑制剂+贝伐珠单抗的维持治疗可显著延长患者的无进展生存期(Progression-freesurvival，PFS)。因此，提早检出具有高复发风险的HGSOC患者，进行一线的维持治疗，可带来具有潜在意义的临床获益。磁共振成像(Magnetic resonance imaging，MRI)具有软组织对比度高、多序列和多参数成像的优点，在卵巢癌的评估中发挥着重要作用。前期的研究表明基于常规序列的形态学特征和基于功能序列的定量参数在卵巢癌的复发及预后预测方面价值均有限。近几年，影像组学在肿瘤领域的应用展现出了很好的前景，能够有效的指导临床决策制定。因此，我们通过提取HGSOC原发灶的MRI组学特征，融合临床因素，构建预测进展期HGSOC复发风险的模型，具有重要的理论意义和应用价值。

发明内容

本发明利用T1加权增强影像和T2加权影像，设计了一种基于磁共振影像组学方法的高级别浆液性卵巢癌复发风险预测系统，实现了高级别浆液性卵巢癌病人的复发风险早期精准预测。

本发明是通过下述技术方案来解决上述技术问题的：

本发明提供一种基于影像组学的高级别浆液性卵巢癌复发风险预测系统，其特点在于，其包括肿瘤分割模块、图像标准化模块、特征提取模块、特征归一化模块、特征筛选模块、重采样模块、训练模块和信息融合模块；

所述肿瘤分割模块用于分别对获取的T1原始样本中每一T1加权增强影像和T2原始样本中每一T2加权影像中的原发肿瘤区域进行三维肿瘤分割，以获得T1三维肿瘤分割图像和T2三维肿瘤分割图像；

所述图像标准化模块用于分别将T1三维肿瘤分割图像和T2三维肿瘤分割图像的灰度值标准化至最佳显示范围和归一化，并分别对T1三维肿瘤分割图像和T2三维肿瘤分割图像进行重采样使图像分辨率标准化；

所述特征提取模块用于运用影像组学特征提取包量化计算标准化后的每个T1三维肿瘤分割图像和T2三维肿瘤分割图像的1046种影像组学特征；

所述特征归一化模块用于分别对每个T1三维肿瘤分割图像和T2三维肿瘤分割图像中的每种影像组学特征进行归一化处理；

所述特征筛选模块用于分别对归一化后的每个T1三维肿瘤分割图像和T2三维肿瘤分割图像中的影像组学特征进行筛选以获得T1影像组学最佳特征集和T2影像组学最佳特征集；

所述重采样模块用于分别根据T1原始样本对应的复发和未复发样本的比例和T2原始样本对应的复发和未复发样本的比例设定重采样概率，分别对T1影像组学最佳特征集的未复发样本和T2影像组学最佳特征集的未复发样本进行重采样，以使得T1影像组学最佳特征集的复发和未复发样本数量基本一致和T2影像组学最佳特征集的复发和未复发样本数量基本一致；