一种影像组学与临床非线性融合预测方法与流程

本发明涉及图像处理，具体涉及一种影像组学与临床非线性融合预测方法。

背景技术：

1、前列腺癌是男性泌尿系统常见的恶性肿瘤之一，其生物学侵袭性的准确评估对于临床决策具有重要意义。ki-67作为一种与细胞增殖相关的核蛋白，其表达水平可反映肿瘤细胞的增殖活性，与前列腺癌的分化程度、侵袭性及预后密切相关。目前，ki-67表达水平的获取主要依赖穿刺活检或术后病理标本的免疫组化染色，属于有创检测，存在取样偏差风险，且难以在治疗前对肿瘤整体生物学行为进行全面评估。近年来，基于磁共振成像的影像组学技术逐步应用于前列腺癌的检出与侵袭性评估等任务中，其中双参数磁共振成像因省略动态对比增强序列而具有扫描时间短、成本低、无需注射对比剂等优势，成为前列腺影像组学研究的重要图像来源。已有研究尝试基于bp-mri图像提取影像组学特征并结合临床参数构建ki-67表达水平的预测模型，但现有方案仍存在以下不足：在特征筛选环节，大多仅采用单一相关系数阈值剔除冗余特征，在有限样本下易保留统计噪声，导致模型泛化能力受限；在影像组学特征与临床特征的融合环节，通常采用简单线性加权组合方式，难以充分捕获两类信息之间可能存在的非线性协同关系；在感兴趣区域获取环节，普遍依赖医师对病灶逐层进行完全手动勾画，效率较低且观察者间一致性欠佳。此外，尚缺少一种能够同时兼顾特征筛选稳定性、多源信息非线性融合及分割效率的综合性数据处理方案。

技术实现思路

1、为了同时兼顾特征筛选稳定性、多源信息非线性融合及分割效率，本发明提出了一种影像组学与临床非线性融合预测方法，包括步骤：

2、s1：获取待处理对象已获取的前列腺双参数磁共振图像数据，所述数据包括t2加权成像图像数据及扩散加权成像图像数据；

3、s2：基于用户提供的分割初始化信息，通过半自动分割方法对t2加权成像图像数据及扩散加权成像图像数据进行处理，获得感兴趣区域；

4、s3：通过对感兴趣区域进行影像组学特征提取，获得一个高维的初始影像组学特征集合；

5、s4：通过对初始影像组学特征集合执行分级筛选，获得目标影像组学特征子集，所述分级筛选包括依次执行的特征相关性剔除、lasso稀疏化压缩及bootstrap重采样稳定性评分筛选；

6、s5：基于目标影像组学特征子集，通过一预设的评分模型计算得出影像组学评分；

7、s6：获取待处理对象已有的临床特征数据，并基于临床特征数据，通过一预设的临床评分模型计算得出临床评分；

8、s7：基于一个包含影像组学评分与临床评分的乘积交互项的非线性加权融合函数，将影像组学评分与临床评分进行融合以计算联合预测评分；

9、s8：输出联合预测评分及其可视化结果，作为待处理对象ki-67表达水平相关的辅助预测数据。

10、本发明通过半自动分割提升感兴趣区域获取效率，通过特征相关性剔除、lasso稀疏化压缩及bootstrap重采样稳定性评分的三级分级筛选提升影像组学特征的跨样本稳定性和模型泛化能力，通过包含影像组学评分与临床评分乘积交互项的非线性加权融合函数充分捕获多源信息间的协同效应，三者在各自维度上协同作用，共同实现了ki-67表达水平辅助预测数据在准确性、稳定性和处理效率上的全面提升。

11、进一步地，所述s2步骤中，用户提供的分割初始化信息为病灶中心区域的种子点坐标数据，半自动分割方法为区域生长算法。

12、进一步地，所述区域生长算法具体为：按照预设邻域连通准则及灰度差值阈值，将与种子点灰度差值小于灰度差值阈值的相邻像素点纳入生长区域，直至满足预设终止条件。

13、进一步地，所述s4步骤中，特征相关性剔除具体为：计算初始影像组学特征集合中任意两个特征间的相关系数，当相关系数的绝对值超过预设阈值时，剔除与预测目标关联强度较弱的特征，得到候选影像组学特征子集。

14、进一步地，所述s4步骤中，lasso稀疏化压缩具体为：对候选影像组学特征子集构建lasso回归模型，采用交叉验证方法确定最优惩罚系数，剔除回归系数被压缩为零的特征。

15、进一步地，所述s4步骤中，bootstrap重采样稳定性评分筛选具体为：对训练数据进行多次有放回重采样，每次重采样后重复执行lasso稀疏化压缩，统计各候选特征被选中的频次占比作为稳定性评分，仅保留稳定性评分不低于预设阈值的特征作为目标影像组学特征子集。

16、进一步地，所述s6步骤中，临床特征数据包括pi-rads评分、gleason评分及前列腺特异性抗原水平中的至少一项。

17、进一步地，所述s7步骤中，非线性加权融合函数进一步包含基于影像组学评分的非线性变换项，且乘积交互项及非线性变换项的融合权重系数通过在训练数据集上以多元逻辑回归结合网格搜索方式寻优确定。

18、进一步地，所述非线性变换项对应的非线性变换函数为sigmoid函数，用以将影像组学评分映射至预设数值区间，增强联合预测评分对影像组学评分中非线性信息的表征能力。

19、与现有技术相比，本发明至少含有以下有益效果：

20、（1）本发明提出的一种影像组学与临床非线性融合预测方法，在影像组学特征筛选环节，通过相关性剔除、lasso稀疏化压缩与bootstrap重采样稳定性评分构成的三级筛选机制，在剔除冗余特征的基础上进一步筛选出跨样本稳定性较高的目标特征子集，有效降低了过拟合风险，提升了模型的泛化性能；

21、（2）在信息融合环节，通过引入影像组学评分与临床评分的乘积交互项，使融合函数能够表征两类信息源之间的协同效应，在此基础上进一步引入非线性变换项，增强了对影像组学评分中非线性信息的表征能力，相较于单一线性加权融合方式，能够更充分地挖掘多源信息间的互补关系；

22、（3）在感兴趣区域获取环节，采用基于种子点的区域生长半自动分割方式，将医师操作简化为单点选取与边界确认两个步骤，有效缩短了单例数据处理时间并降低了不同操作者间的分割差异。

1.一种影像组学与临床非线性融合预测方法，其特征在于，包括步骤：

2.如权利要求1所述的一种影像组学与临床非线性融合预测方法，其特征在于，所述s2步骤中，用户提供的分割初始化信息为病灶中心区域的种子点坐标数据，半自动分割方法为区域生长算法。

3.如权利要求2所述的一种影像组学与临床非线性融合预测方法，其特征在于，所述区域生长算法具体为：按照预设邻域连通准则及灰度差值阈值，将与种子点灰度差值小于灰度差值阈值的相邻像素点纳入生长区域，直至满足预设终止条件。

4.如权利要求1所述的一种影像组学与临床非线性融合预测方法，其特征在于，所述s4步骤中，特征相关性剔除具体为：计算初始影像组学特征集合中任意两个特征间的相关系数，当相关系数的绝对值超过预设阈值时，剔除与预测目标关联强度较弱的特征，得到候选影像组学特征子集。

5.如权利要求4所述的一种影像组学与临床非线性融合预测方法，其特征在于，所述s4步骤中，lasso稀疏化压缩具体为：对候选影像组学特征子集构建lasso回归模型，采用交叉验证方法确定最优惩罚系数，剔除回归系数被压缩为零的特征。

6.如权利要求5所述的一种影像组学与临床非线性融合预测方法，其特征在于，所述s4步骤中，bootstrap重采样稳定性评分筛选具体为：对训练数据进行多次有放回重采样，每次重采样后重复执行lasso稀疏化压缩，统计各候选特征被选中的频次占比作为稳定性评分，仅保留稳定性评分不低于预设阈值的特征作为目标影像组学特征子集。

7.如权利要求1所述的一种影像组学与临床非线性融合预测方法，其特征在于，所述s6步骤中，临床特征数据包括pi-rads评分、gleason评分及前列腺特异性抗原水平中的至少一项。

8.如权利要求1所述的一种影像组学与临床非线性融合预测方法，其特征在于，所述s7步骤中，非线性加权融合函数进一步包含基于影像组学评分的非线性变换项，且乘积交互项及非线性变换项的融合权重系数通过在训练数据集上以多元逻辑回归结合网格搜索方式寻优确定。

9.如权利要求8所述的一种影像组学与临床非线性融合预测方法，其特征在于，所述非线性变换项对应的非线性变换函数为sigmoid函数，用以将影像组学评分映射至预设数值区间，增强联合预测评分对影像组学评分中非线性信息的表征能力。