[发明专利]一种基于影像组学的癌患者肿瘤图像勾画方法

权利要求书

1.一种基于影像组学的癌患者肿瘤图像勾画方法，用于对患者的器官成像图像进行辅助识别，帮助筛选勾画出用户需要的图像，其特征在于，包括以下步骤：

步骤1：选取经病理确认的癌患者作为样本集，所述样本集包括随机划分出的训练集和测试集；

步骤2：对样本集中的癌患者，获取对应的CT图像，以影像组学的组合参数来替代CT图像的CT值；对于融合后的图像，由同一医师勾画出肿瘤区域和非肿瘤区域；最后将勾画出的肿瘤区域和非肿瘤区域进行处理，提取得到关于肿瘤区域的影像组学特征和非肿瘤区域的影像组学特征；

步骤3：对肿瘤区域的影像组学特征和非肿瘤区域的影像组学特征进行单变量筛选，获得单变量筛选后的影像组学特征；

步骤4：将使用单变量筛选后的影像组学特征采用交叉验证的方法进行LASSO逻辑回归；进一步对影像组学特征进行筛选；

步骤5：建立最终的二元逻辑回归模型，并绘制出二元逻辑回归模型的ROC曲线，同时计算出二元逻辑回归模型的AUC值，利用ROC曲线各个点对应的敏感性SENS、特异性SPEC，计算使敏感性SENS与特异性SPEC相加值最大的一个点作为Cutoff值，将Cutoff值作为判断肿瘤区域的影像组学标记物，并应用在后续实际对肿瘤区域和非肿瘤区域的标记与勾画中；所述AUC值为ROC曲线下的面积；所述ROC曲线为根据一系列不同的二分类方式，以敏感性SENS为纵坐标，特异性SPEC为横坐标绘制的曲线；所述敏感性SENS代表真阳性率，所述特异性SPEC代表假阳性率。

2.如权利要求1所述的一种基于影像组学的癌患者肿瘤图像勾画方法，其特征在于，在所述步骤4中：

将简单线性回归的响应归一化到0和1，并将LASSO回归模型中的线性回归替代为逻辑回归来挑选二元分类的特征，在进行用于建立二元逻辑回归模型的影像组学特征的筛选过程中使用LASSO逻辑回归优化的目标函数，具体公式如下：

其中，n是样本的个数，X_i是一个m×n大小的原始数据，即每个样本有m个特征，y_i是每个样本对应的响应值，ω是线性回归系数，b是线性回归的截断值，λ是用来控制回归系数稀疏度的非负正则化参数；T为向量矩阵的转置标识；

将单变量筛选的影像组学特征输入到步骤4初步的LASSO逻辑回归模型中，计算出模型偏差最小时的lambda值即λ值，从而进行最终自变量X的筛选，所述最终自变量X即为用于建立二元逻辑回归模型的影像组学特征。

3.如权利要求2所述的一种基于影像组学的癌患者肿瘤图像勾画方法，其特征在于，所述步骤5的具体操作为：

步骤5.1：根据步骤4筛选出的最终自变量X，建立最终的二元逻辑回归模型，最终的二元逻辑回归模型具体如下：

logitP＝y(X)；

其中P为GTV为阳性的概率，logitP＝log(P/(1-P)；P＝1/(1+exp(-logitP)；

步骤5.2：绘制出最终的二元逻辑回归模型的ROC曲线，并计算出最终的二元逻辑回归模型对应的AUC值；

步骤5.3：利用ROC曲线各个点对应的敏感性SENS、特异性SPEC，计算使敏感性SENS与特异性SPEC相加值最大的一个点作为Cutoff值；

步骤5.4：将Cutoff值作为判断肿瘤区域的影像组学标记物，并应用在后续实际对肿瘤区域和非肿瘤区域的标记与勾画中，具体为：将P值大于Cutoff值的区域判定为需要勾画的区域，将P值大于Cutoff值的区域判定为不需要勾画的正常区域。

4.如权利要求1所述的一种基于影像组学的癌患者肿瘤图像勾画方法，其特征在于，所述步骤3的单变量筛选的具体操作为：

步骤3.1：将肿瘤区域的影像组学特征和非肿瘤区域的影像组学特征作为自变量，将肿瘤区域和肺肿瘤区域作为二分类变量；

步骤3.2：构建ROC曲线，计算每个影像组学特征对应的AUC值；

步骤3.3：将AUC值小于0.7的特征进行排除，得到单变量筛选后的影像组学特征。