[发明专利]一种基于放射组学的肝静脉压力梯度计算模型的构建方法

摘要

本发明提供了一种基于放射组学的肝静脉压力梯度(radiomics‑based hepatic venous pressure gradient,rHVPG)计算模型的构建方法，以此为基础可以构建一种更具优势的肝静脉压力梯度计算模型，为计算门脉高压患者的早期无创指标提供一种新的途径。本发明还提供了一种基于放射组学的肝静脉压力梯度的计算系统。本发明能够克服现有无创测量方法的诸多局限。本发明提出的rHVPG计算系统切实可行，有望为门脉压力的无创测量提供新的思路，为改善门脉高压患者的生活质量、减轻家庭和社会的疾病负担起到积极推动作用。

主权项

一种基于放射组学的肝静脉压力梯度计算模型的构建方法，其特征在于，包括以下步骤：A.从标本的肘正中静脉注射造影剂，进行CT血管成像(CTA)，获取包括肝静脉期在内的CTA图层序列，导出图层序列，格式为dcm，层厚1.25mm，图像分辨率512×512像素；B.将所获取的CTA图层序列导入医学影像控制软件ITK‑SNAP，选择门静脉期图层序列，确认图像信息，ITK‑SNAP软件自动识别图像序列，生成门静脉期CTA图像序列的冠状位、矢状位和水平位图像；C.通过Expand this view to occupy the entire window功能将水平位图像放大，使用Zoom Inspector工具，选择zoom to fit调整图像至合适的大小；D.以寻找水平位图像中的第一肝门作为目标，利用ITK‑SNAP软件的Painbursh Inspector工具以包含目标的CT值、排除目标周围软组织的CT值为原则，提取目标；再反复利用Painbursh Inspector工具，剔除剩余的非目标结构；E.选择Save segmentation Image将分割出的目标以NiFTI格式(.nii)导出，形成掩模图像的NiFTI格式；F.打开dcm2niigui软件，选择Compressed FSL[4D NIfTInii]选项，将筛选出的含第一肝门层面的dcm文件序列放到dcm2niigui工作空间中，利用dcm2niigui软件将dcm文件序列转换为NiFTI格式；然后将含第一肝门层面的dcm文件序列、新生成的NiFTI格式文件和步骤D中生成的NiFTI格式文件放到同一文件夹中；G.打开MATLAB R2016b软件，进入工作界面；在菜单栏处选择SetPath按钮，将所需要的feature_extra.m、readDICOMdir.m、str2matrix.m、NonTextureFeatures、TextureToolbox、NIfTI、Utilities、MultivariableModeling、STUDIES工具箱所在的绝对路径加载到MATLAB搜索路径中；H.打开feature_extra.m文件，利用NIfTI工具箱中load_nii函数将步骤F中两个NiFTI文件导入MATLAB中，并且以名为data和data1的细胞数组储存；然后将两个细胞数组中的图像提取出来存储到名为mask和image变量中；I.利用Utilities工具箱中computeBoundingBox函数提取出图像中感兴趣区域(ROI)的边界坐标提取出来储存到变量maskBox中；然后通过矩阵的基本操作将mask和image变量的边界坐标以内的图像信息提取出来放到变量maskBox和image_originalBox中；完成上述操作后，通过矩阵maskBox和image_originalBox的点乘运算得到图像中感兴趣区域，然后保存在ROI变量中，然后通过imshow与contour两个函数将感兴趣区域展示出来；J.利用readDICOMdir.m函数将含第一肝门层面的dcm文件序列读入到MATLAB中，通过变量索引，将像素大小、层厚提取出来并保存到变量pixelW与sliceS中；K.利用NonTextureFeatures工具箱中getEccentricity.m、getSize.m、getSolidity.m和getVolume.m函数，将变量ROI、pixelW、sliceS传输到相应函数中；经计算得到eccentricity、sizeROI、solidity、volumeROI 4个非纹理特征；L.为了进行纹理特征提取，首先对参数进行设置；在TextureFeatures工具箱中一共有四个可变参数，分别为R、Scale、Algo和Ng，每个可变参数分别对应不同的变化空间，其中R对应为[1/2,2/3,1,3/2,2],Scale对应为[‘pixelW’,1,2,3,4,5],Algo对应为[‘Equal’,‘Lloyd’],Ng对应为[8,16,32,64]，而参数的排列组合使得纹理特征有显著变化；利用for循环将不同参数的取值进行排列组合，得到5*6*2*4组设定；通过参数传递向TextureFeatures工具箱传递设定，而每一组设定将得到43种纹理特征，分别存放于名为glcmTextures、glrlmTextures、glszmTextures、ngtdmTextures和globalTextures的结构体中，最后总共5*6*2*4*43＝10320个纹理特征；M.对于不同病人，在将第一肝门层面感兴趣区域的非纹理特征与纹理特征提取出来后，一共得到了(4+5*6*2*4*43)＝10324个特征，然后将非纹理特征和纹理特征整合成大小为病人个数*特征个数的特征矩阵；N.重复步骤A到步骤M完成对脾门层面感兴趣区域的非纹理特征与纹理特征提取，最后整合成大小为病人个数*特征个数的特征矩阵；O.利用str2matrix.m函数，将步骤M与步骤N中的两个特征矩阵横向拼接，组成大小为病人个数*(特征个数*2)的特征矩阵；以各个病人有无显著性门脉高压为标准制作名为outcome的mat文件，其中有显著性门脉高压用1表示，反之用0表示；接着将特征矩阵和outcome的mat文件横向拼接起来，组成一个大小为病人个数*(特征个数*2+1)的矩阵，并且用csvwrite.m函数将已整合的第一肝门层面、脾门层面的图像特征矩阵保存为csv格式；P.打开R软件，利用read.table函数将cvs格式的特征矩阵导入到R软件的工作空间中，并保存在变量train中；然后利用as.matrix函数将训练集中病人的图像特征矩阵提取出来，保存在train_x中作为建模的输入变量；同样地，利用as.matrix函数将训练集中病人的outcome标签提取出来，保存在train_y中作为建模的输出标签；Q.利用library函数加载glmnet工具包，然后使用glmnet函数中的lasso降维方法对(4+5*6*2*4*43)*2＝20648个特征进行筛选，并使用dev.new函数和plot函数将降维过程显示出来，图中每个lambda对应着一个线性模型且每个模型中使用的特征也不尽相同；R.通过设置参数nfold、type.measure和family并利用cv.glmnet函数对训练集做nfold折交叉验证、建立线性的二项分布数学模型，然后通过dev.new函数和plot函数显示每个线性模型的误差曲线；S.通过cv$lambda.min选择AUC最高的lambda所对应的最优线性模型，然后利用coef函数和coefficients函数输出该最优模型的非零系数和筛选出来的特征；T.利用library函数加载boot工具包和Hmisc工具包，然后通过boot函数和boot.ci函数对训练集做1000次bootstraping并计算出训练集的C‑index指标；接着加载pROC工具包，利用roc函数计算出训练集的ROC(Receiver Operating Characteristic)曲线下面积(AUC)；U.为了进行模型验证，以未进行特征分析的人群制作测试集，同样经过上诉步骤A到步骤O将测试人群的第一肝门层面和脾门层面的20648维图像特征提取出来保存为csv格式；利用read.table函数将cvs格式的特征矩阵导入到R软件的工作空间中，并保存在变量test中；然后利用as.matrix函数将测试集中病人的图像特征矩阵提取出来，保存在test_x中作为已建好的模型的输入变量；利用glmnet工具包中的predict函数来计算测试集rHVPG的数值，测试结果与临床应用中金标准HVPG相比较，并利用roc函数计算出测试集的AUC。