[发明专利]一种基于影像组学的癌患者肿瘤图像勾画方法

说明书

本发明提出了一种基于影像组学的癌患者肿瘤图像勾画方法，通过从CT图像中高通量地提取大量影像信息，实现肿瘤特征提取与模型建立，凭借对海量影像数据信息进行更深层次的挖掘分析来辅助医师做出最准确的诊断。本发明将其应用在放疗肿瘤区域勾画中，不需要进行图像配准，可解决传统的自动勾画方法仅依靠图像的像素值，依赖参数较少的问题。也可解决深度学习方法勾画准确度仍高度依赖勾画人员经验的问题。

技术领域

本发明属于医学图像处理识别技术领域，具体地说，涉及一种基于影像组学的癌患者肿瘤图像勾画方法。

背景技术

图像处理领域将具有类似特征的像素点进行聚合的过程称为图像勾画。类似的特征体现在像素点像素值接近、纹理接近或处于相同边界内。如此可实现相似像素的区域识别或轮廓的识别。这些区域在医学领域可能意味着属于同一器官组织、肿瘤区域。准确的肿瘤区域勾画是正确完成放射治疗的必要一环。一般需要临床医生在CT影像上逐层勾画感兴趣区域。但是形态各异的肿瘤组织给勾画工作带来了困难。一名合格的临床医生需要系统性的学习与不断练习才能胜任勾画工作，学习曲线较为陡峭。自动勾画技术的出现为结束人工勾画工作带来了曙光。按照使用方法的不同，自动勾画方法可以分成经典处理方法、基于配准与图谱库的方法以及基于深度学习的方法。传统的自动勾画方法仅依靠图像的像素值，依赖参数较少，较难准确找到肿瘤区域。基于配准与图谱库的方法精度严重依赖于图像配准的精度，当使用的图谱与待勾画影像差异巨大时，配准算法难以实现良好结果，导致勾画精准度明显降低。基于深度学习的自动勾画技术可以从图像中提取更加复杂的层次特征，具有自我学习能力，其通用性也较传统算法高。深度学习方法的基本思想是通过多种高层次特征来表示数据的抽象信息，用于医学图像勾画的深度学习方法主要包括基于卷积神经网络的方法、基于全卷积神经网络的方法、基于U-Net的方法等，但是基于深度学习的自动勾画技术训练集的肿瘤区域是由人工勾画而成，因此其勾画准确度仍高度依赖勾画人员的经验。

发明内容

本发明针对现有技术的上述缺陷和需求，提出了一种基于影像组学的癌患者肿瘤图像勾画方法，通过从CT图像中高通量地提取大量影像信息，实现肿瘤特征提取与模型建立，凭借对海量影像数据信息进行更深层次的挖掘分析来辅助医师做出最准确的诊断。本发明将其应用在放疗肿瘤区域勾画中，不需要进行图像配准，可解决传统的自动勾画方法仅依靠图像的像素值，依赖参数较少的问题。也可解决深度学习方法勾画准确度仍高度依赖勾画人员经验的问题。

本发明具体实现内容如下：

本发明提出了本发明提出了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；所述方法包括以下步骤：

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：使用单变量筛选后的影像组学特征进行用于建立二元逻辑回归模型的影像组学特征的筛选，并采用交叉验证的方法进行LASSO逻辑回归；且在逻辑回归的过程中，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；