[发明专利]基于DCE-MRI的乳腺癌预后评估模型的建立方法

说明书

本发明提供了一种基于DCE‑MRI的乳腺癌预后模型的建立方法，通过提取影像组学特征来量化肿瘤组织在医学影像中表现出的细微差异，反映出同一种肿瘤在不同个体中的特性差异，可以有效地解决肿瘤异质性难以定量评估的问题。该模型能够为早期乳腺癌患者提供更加精准的个体化治疗效果预测，也可以辅助医生对患者的预后情况进行更加精准的评估，制定出更具个性化的治疗与复查方案。

技术领域

本发明属于计算机图像处理技术领域，涉及一种基于MRI的乳腺癌预后评估模型的建立方法。

背景技术

乳腺癌是女性最常见的恶性肿瘤之一，全世界每年有50多万人死于乳腺癌，虽然我国乳腺癌发病率较世界乳腺癌发病的平均水平低，但近年来的肿瘤登记报告的数据表明，我国乳腺癌的发病率呈迅速上升的趋势，是世界平均增长速度的两倍。近年来，乳腺癌术后的生存情况一直为人们所关注，为了寻找更好的治疗方式、提高患者的生存率和生活质量，国内外大量学者的研究主要集中在临床因素与乳腺癌术后生存期的关系并取得了一定的成果。

目前，最灵敏的描绘肿瘤范围的成像方式是磁共振成像(MRI)，但其在术前肿瘤范围评估中的作用仍有争议。在多项研究中，降低再切除率和改善短期和长期癌症预后的预期效益未能实现，而接受治疗性乳房切除术和对侧预防性乳房切除术的几率增。动态对比增强磁共振成像(DCE-MRI)能同时显示乳腺癌的生理组织特征和解剖结构，是乳腺癌诊断的有效工具。最近，越来越多的研究表明，将动态对比增强磁共振成像(DCE-MRI)用于预后是一个可行的研究方向。

发明内容

根据上述背景中提到的问题，本发明提供一种基于DEC-MRI的乳腺癌评估模型的建立方法，所述建立方法包括以下步骤：

步骤一：对现有病例的MRI图像进行多种类、多尺度的特征提取；

步骤二：对已经提取的多维度特征进行降维处理；

步骤三：采用机器学习的方法，对优化后的数据进行训练和测试；

步骤四：根据测试的结果，选择最优的模型。

在根据本发明所述的基于DEC-MRI的乳腺癌评估模型的建立方法中，所述的对现有病例的MRI图像进行多种类、多尺度的特征提取，包括以下特征：

A.基于形状的特征(14种特征):包括感兴趣区域的三维大小和形状的描述符，这些描述符依赖于感兴趣区域内的灰度强度分布，因此仅在原始图像和掩模上计算；

B.一阶统计特征(18个特征):由Hounsfield单元的灰度直方图计算得到，描述了图像区域内体素强度的分布；

C.纹理特征(68个特征):这些特征由多个灰度矩阵导出，并在肿瘤体积的所有三维方向上进行计算，可以量化高阶图像特征。灰度矩阵包括:灰度共生矩阵(GLCM)、灰度运行长度矩阵(GLRLM)、灰度大小区域矩阵(GLSZM)、相邻灰度差矩阵(NGTDM)和灰度依赖矩阵(GLDM)；

D.小波特征(688个特征):除基图像外，对原始图像进行非抽取小波变换，将其分解为低频和高频，从而在肿瘤体积内进行8个描述不同频率特征的分解。

E.病理特征。

在根据本发明所述的基于DEC-MRI的乳腺癌评估模型的建立方法中，所述的对已提取的多维度特征进行降维处理，具体内容如下：

采用PCA的方法进行降维处理，PCA是一种无参数的特征降维方法，其主要方法是将原始高维空间数据投影到低维空间上，对数据主成分(包含信息量较大的维度)进行保留，忽略掉对数据描述不重要的成分算法流程如下：

给定一个特征数据集{X}_M*N，其中M代表样本量，N代表每个样本所含的特征数量，将其组合成一个M*N的矩阵X：