一種基于影像組學的病變組織輔助預后系統和方法
【技術領域】
[0001]本發明涉及疾病診斷輔助技術領域，更具體地涉及一種基于影像組學的病變組織輔助預后系統和方法。
【背景技術】
[0002]醫學影像作為一種無創的腫瘤早期診斷方法，已被廣泛應用于各類癌癥的輔助診斷中。目前使用影像信息進行臨床輔助診斷往往依靠醫生的主觀經驗，通過影像反映出的病人疾病影像特征給予相應診斷。然而醫學影像中仍有待開發的揭示病變分期和預后的有價值信息。
[0003]不同類型的腫瘤由于其病理特性在影像上的表現迥異，不同的腫瘤影像特征也預示著治療方式完全不同，并直接影響著預后。目前通過影像手段實現腫瘤的預判都需要醫生根據其主觀的臨床經驗、病理切片以及血檢等進行詳細的檢測得到臨床檢測結果。然而，基于現有的醫學影像特征分析研究，某些多維紋理特征能夠準確反映病變組織的病理學信息，對于實現個體化醫療具有重要的研究價值，所以一個完備的特征庫對于后續關鍵特征篩選能夠提供更全面的數據支持。因此采用計算機方法輔助完成病變的預測分析并給出可信的建議具有極高的實用意義。
【發明內容】
[0004]針對上述技術問題，本發明的目的在于提供一種基于影像組學的病變組織輔助預后系統和方法。
[0005]為了實現上述目的，作為本發明的一個方面，本發明提供了一種基于影像組學的病變組織輔助預后方法，包括:
[0006]步驟SlOl，從大數據量的患者影像數據庫中，采用自動或手動的分割方法提取病變部位的影像數據；
[0007]步驟S102，根據所述病變部位影像的分割結果，分別提取各病變部位的影像表型特征，完成所述患者影像數據庫內所有病變部位影像數據的特征提取；
[0008]步驟S103，基于各病變部位的特征數據和臨床信息數據，對所述患者影像數據庫中數據進行訓練數據集和測試數據集的分類，采用計算機自動識別方法在所述訓練數據集進行病變部位的病理分析、臨床分期分析、基因突變預測以及生存時間的預測，并在所述測試數據集中實現驗證。
[0009]作為本發明的另一個方面，本發明還提供了一種基于影像組學的病變組織輔助預測系統，其特征在于，包括:
[0010]從大數據量的患者影像數據庫中，采用自動或手動的分割方法提取病變部位的影像數據的單元；
[0011 ]根據所述病變部位影像的分割結果，分別提取各病變部位的影像表型特征，完成所述患者影像數據庫內所有病變部位影像數據的特征提取的單元；
[0012]基于各病變部位的特征數據和臨床信息數據，對所述患者影像數據庫中數據進行訓練數據集和測試數據集的分類，采用計算機自動識別方法在所述訓練數據集進行病變部位的病理分析、臨床分期分析、基因突變預測以及生存時間的預測，并在所述測試數據集中實現驗證的單元。
[0013]基于上述技術方案可知，本發明的病變組織輔助預后方法能夠根據臨床影像數據的分割結果，建立病變影像表型特征庫，采用計算機自動識別和分別方法將臨床病例數據分為訓練數據集和測試數據集，在訓練數據集里對各類病變的不同病理表現、臨床分期、基因突變類型所對應的特征庫予以分別訓練，從原始表型特征庫中計算各個特征的預測、預后貢獻度，選擇能夠正確識別不同病理表現、不同臨床分期和不同基因突變類型的關鍵特征，并使用所獲取的關鍵特征對病變組織進行病理表現、臨床分期和基因突變類型和生存期的預測，對特定的個體分別進行定性以及定量的預測分析，提供可信的預測與分析結果。
【附圖說明】
[0014]圖1是本發明的基于影像組學的病變組織輔助預后方法的流程圖。
【具體實施方式】
[0015]為使本發明的目的、技術方案和優點更加清楚明白，以下結合具體實施例，并參照附圖，對本發明作進一步的詳細說明。
[0016]本發明公開了一種基于影像組學的病變組織輔助預后方法，其總體構思是:首先采用手動或自動的分割方法定位腫塊目標區域影像，完成目標影像數據分割;根據目標影像數據提取腫塊的多類型特征，建立完備的表型特征庫;根據影像數據庫中各個病人的基本臨床信息獲取患者組織活檢結果、基因類型和生存時間等信息，采用計算機自動識別和分類方法對病變組織的病理表現、臨床分期、基因突變類型的特征予以分別訓練并進行分類，建立可靠的預測預后模型;將其應用于測試數據和以其他獨立的數據實現對病理表現、臨床分期和基因突變類型的分別預測;對病變總生存期和影像特征進行相關性分析，從而得到預后的生存時間與影像學特征之間關系，對病人給出個體化的定性及定量的預后建議。
[0017]本發明的基于影像組學的病變組織輔助預后系統和方法通過計算機軟件和算法實現影像和預后的相關性分析，從而揭示預后信息與影像表現之間的關系，輸出定量的分析結果;其以一套成熟的計算機軟件對輸入影像數據進行自動化處理，基于先驗模型對輸入待處理數據進行個性化分析，從而對病變預后進行輔助指導。該系統和方法并不是直接實現疾病的診斷，而是對影像數據予以定量分析提供個性化輔助分析和參考，進一步給醫生的診斷提供數據支持。
[0018]本發明的具體目標如下:(I)實現病變組織病灶區域影像的精確分割，對病變組織進行自動定位和腫瘤影像提取，實現病變部位分割的可重復性和精確性；(2)根據病變組織目標影像進行腫塊影像特征提取，深度挖掘各類型影像特征，建立完備的病變組織影像特征數據庫；(3)基于大數據化的臨床病例數據，結合患者的各臨床信息與腫塊影像特征，采用計算機自動分類識別算法，實現病變組織的病理分析、臨床分期分析以及生存期等預測；并解釋病變組織基因突變類型與影像特征的潛在關系，提供定性以及定量的預后建議。
[0019]更具體地，本發明的基于影像組學的病變組織輔助預后方法，是一種基于影像組學(Rad1mics)的病變組織分析預測輔助方法，如圖1所示，包括以下步驟:
[0020]步驟SlOl，從大數據量的患者影像數據庫中，采用自動或手動的分割方法提取病變部位的影像數據；
[0021]步驟S102，根據所述病變部位影像的分割結果，分別提取各病變部位的影像表型特征，完成所述患者影像數據庫內所有病變部位影像數據的特征提取；
[0022]步驟S103，基于各病變部位的特征數據和臨床信息數據，對所述患者影像數據庫中數據進行訓練數據集和測試數據集的分類，采用計算機自動識別方法在所述訓練數據集進行病變部位的病理分析、臨床分期分析、基因突變預測以及生存時間的預測，并在所述測試數據集中實現驗證。
[0023]其中，所述影像數據為CT、PET、磁共振或超聲波影像設備采集得到的影像數據。
[0024]其中，所述病變部位包括肺部、肝臟或腎臟組織。
[0025]其中，步驟SlOl中，所述自動的分割方法是通過計算機實現的基于區域生長的方法、基于水平集的分割方法或基于圖割的分割方法。
[0026]其中，步驟S102中，所述影像特征包括:病變部位的形狀特征、病變部位的紋理特征和/或病變部位的腫塊灰度特征。
[0027]其中，步驟S103所述對患者影像數據庫中數據進行訓練數據集和測試數據集的分類的步驟包括:
[0028]采用計算機自動分類識別方法，結合統計學知識和工具，建立并分析影像特征與患者臨床信息的統計學相關性模型。
[0029]其中，步驟S103所述采用計算機自動識別方法在所述訓練數據集進行病變部位的病理分析、臨床分期分析、基因突變預測以及生存時間的預測的步驟中，所述計算機自動識別方法需要處理的數據包括:所述患者的臨床信息、組織活檢結果、基因信息及生存時間、患者臨床數據、患者所處病理學亞型、臨床分期與TMl分期結果、基因突變類型和/或隨訪生存時間。
[0030]本發明還公開了一種基于影像組學的病變組織輔助預測系統，包括:
[0031]從大數據量的患者影像數據庫中，采用自動或手動的分割方法提取病變部位的影像數據的單元；
[0032]根據所述病變部位影像的分割結果，分別提取各病變