[发明专利]基于影像组学及语义特征预测CRLM患者的RAS基因状态

权利要求书

1.一种基于影像组学特征预测CRLM患者的RAS基因状态的模型的构建方法，其特征在于，所述方法基于影像组学特征建立，具体步骤如下：

S1. 收集初诊时为晚期肠癌肝转移患者的增强CT影像学图像数据；

S2. 对S1收集的增强CT影像学图像数据进行分析，分割感兴趣区域，提取影像特征；

S3. 利用1000次Lasso-Logistic分析，其中12种影像特征及参数的组合稳定出现了900次以上；

S4.利用多因素逻辑回归方法对S3得到的12个影像组学特征，构建得到相应的基于影像组学特征的RAS基因状态预测模型。

2.根据权利要求1所述的一种基于影像组学特征预测CRLM患者的RAS基因状态的模型的构建方法，其特征在于，S2中所述分割感兴趣区域采用三维半自动分割方法，对门静脉期CT图像中的感兴趣区域进行分割。

3.根据权利要求2所述的构建方法，其特征在于，所述三维半自动分割方法的具体步骤如下：

（1）将DICOM格式的门静脉期（portal venous phase，PVP）CT图像导入3D-Slicer软件，然后使用软组织窗（窗宽：350HU，窗位：40HU）对所选ROIs进行轮廓勾画，使用FAST-MARCHING半自动快速分割算法对每名患者的全部PVP图像进行逐层分割以对ROIs整体进行分析；

（2）再一次手动地逐层调整并完善勾画区域，沿着病变的可见清晰边界进行勾画，并且擦除邻近的正常组织结构，例如胆管和血管；

（3）勾画完成的ROIs分割结果由两名经验丰富的高年资放射线科医生检查并进一步完善修改；最后，将ROIs导出为NRRD和MRML格式进行存储和进一步分析。

4.根据权利要求1所述的一种基于影像组学特征预测CRLM患者的RAS基因状态的模型的构建方法，其特征在于，S2中所述提取影像特征包括：

（1）一阶特征描述了体素强度在ROIs中的分布情况；

（2）基于形状的特征描述了ROIs的立体直观特征，包括二维和三维水平的大小和形状；

（3）基于5种纹理矩阵提取的纹理特征：a）灰度共生矩阵、b）灰度区域大小矩阵、c）灰度游程长度矩阵、d）邻域灰度差矩阵和e)灰度相关矩阵；

（4）小波特征：对原始图像的基础上增加了小波滤波，降噪的同时可以提取详细的高维影像组特征。

5.根据权利要求1所述的一种基于影像组学特征预测CRLM患者的RAS基因状态的模型的构建方法，其特征在于，S3中所述筛选得到的12个影像组特征包括：

wavelet.HHH_glszm_SizeZoneNonUniformityNormalized；wavelet.HLL_glszm_LowGrayLevelZoneEmphasis，wavelet.HLL_glszm_SmallAreaLowGrayLevelEmphasis，wavelet.LHL_firstorder_Skewness，wavelet.LHL_glcm_ClusterShade，wavelet.LHL_glcm_Correlation，wavelet.LHL_glcm_MCC，wavelet.LLH_firstorder_Median，wavelet.LLH_glcm_Idn，wavelet.LLH_glszm_GrayLevelNonUniformityNormalized，wavelet.LLH_glszm_SmallAreaLowGrayLevelEmphasis，wavelet.LLH_glszm_ZoneEntropy。