[发明专利]一种基于AdaBoost特征融合的鼻咽癌坏死预测方法

说明书

本发明公开了一种基于AdaBoost特征融合的鼻咽癌坏死预测方法，利用鼻咽癌患者核磁放射前三个模态扫描影像进行图像预处理，并且由经验医生勾画肿瘤区域作为掩膜，接下来根据这两组图像提取影像组学特征。对于剂量图像，手动提取图像中特征，联合影像组学特征进行特征筛选。最后利用以决策树为基础的模型融合方法AdaBoost对筛选特征进行模型搭建，模型测试等工作。本发明根据病人放射治疗前的影像数据及放疗计划，来预测鼻咽癌坏死情况，可修改放疗计划，使病人免于放射治疗副作用的影响；利用传统特征提取方法和传统机器学习方法，在一定程度上减少模型训练时间并且提高了结果与特征之间的可解释性。

技术领域

本发明涉及鼻咽癌坏死预测技术领域，特别涉及一种基于AdaBoost特征融合的鼻咽癌坏死预测方法。

背景技术

鼻咽癌好发于鼻咽黏膜，是一类常见的头颈部恶性肿瘤。到目前为止，放射治疗仍被认为是鼻咽癌的主要治疗方式，其原因是大部分鼻咽癌的病理类型为低分化鳞癌，对放射线具有较高的敏感性，放射治疗不仅可以达到理想的治疗效果，还保证了鼻咽部及颈部解剖结构的完整性，提高了患者的生活质量。从开展了鼻咽癌深部线放射治疗以来，经历年代放疗技术，使鼻咽癌单纯放疗的局部控制率达到。部分早期鼻咽癌患者甚至可以通过放疗达到治愈的效果。放疗前一般由物理师设计放疗计划，临床医生根据放疗计划，对病人进行放射治疗；由于受到肿瘤属性、物理师经验水准、病人自身情况等多因素影响，部分病人在接受放射治疗后会出现肿瘤区域坏死情况。

磁共振在鼻咽癌病灶的检测、疗效的评价、临床分期和预测等方面一直以来都发挥着重要的作用。传统的基于形态的MRI对鼻咽癌治疗效果的早期预测几乎没有帮助。随着影像组学概念的提出，从医学影像中，通过自动化且可重复的分析方法，高通量地提取出定量特征，以捕获肿瘤内的异质性，例如基因、蛋白质、细胞、微环境、组织和器官。将这些特征与临床信息联系起来，用于建立描述和预测模型，而这些包括生物或医学数据的模型可以提供有价值的诊断、预后或预测信息。影像组学的方法提供了一种非侵入性(因此没有感染或伴随组织活检并发症的风险)、快速、低成本和可重复的表型信息调查方法，将海量的、肉眼无法辨别的影像信息，量化成可分析、可辨别的、反映肿瘤病理生理学差异性的影像学特征，终极目标是通过将影像学特征纳入治疗结果预测模型，提供准确的风险分层，潜在地加速了个性化医学的发展。鉴于鼻咽癌放疗坏死并不仅由肿瘤本身特性影响，因此仅基于组学特征难以做到很好的预测。

发明内容

为了解决上述问题，本发明提供了一种基于AdaBoost特征融合的鼻咽癌坏死预测方法，结合病人MRI影像信息和放疗剂量来预测病人放疗坏死的概率，从而及时修改放射计划，避免人为原因造成放疗照射坏死。

为此，本发明的技术方案是：一种基于AdaBoost特征融合的鼻咽癌坏死预测方法，包括以下步骤：

1)医学影像图像预处理：分别获取病人的MRI多模态数据T1、T1C、T2，再由医生手动分割出肿瘤区域；并对MR图像进行N4偏置场纠正；

2)影像组学特征提取：利用python pyradiomics程序库对步骤1)中得到的多模态数据及肿瘤区域提取影像组学特征；

3)多模态组学特征选择：分别对三个模态数据提取到的影像组学特征进行特征参数相关性计算，筛选出相关系数低的特征，并将筛选出的多模态特征进行拼接融合，作为病人组学特征；对每个特征下的所有病例进行归一化处理；

4)剂量特征提取：剂量特征表现为扫描图像，剂量影像切片像素值求和，以每个病例为单位计算其统计值；

5)特征融合：将步骤3)得到的组学特征和步骤4)得到的剂量特征拼接融合，并对所有特征进行归一化处理；

6)模型搭建：将步骤5)融合后的所有数据送入以决策树分类器为基础的AdaBoost分类器进行二分类；单分类器是决策树，增强组合算法是Adaboost算法；

7)利用交叉验证计算auc指标；