一种患者体表和体内肿瘤运动相关性及肿瘤内部动度的预测方法和系统与流程

1.本发明属于放疗影像学领域，具体涉及一种患者体表和体内肿瘤运动相关性及肿瘤内部动度的预测方法和系统。


背景技术：

2.肺癌和肝癌均为世界范围内的高发癌症，放射治疗是治疗非小细胞肺癌占肺癌诊断85％、原发性和转移性肝肿瘤的有效手段，肺、肝等胸腹部肿瘤受呼吸运动影响位置不断变化，体积较小的肿瘤区甚至有“脱靶”风险，给放疗精度带来巨大影响，cbct辅助摆位能减少分次间位置变化，但不能在治疗中提供实时成像。肿瘤位置监测和管理对于保证肿瘤治理效果、保护正常器官具有重要意义。
3.为了提高治疗精确性，不同的肿瘤位置实时监控方法被提出。呼吸运动门控通过在特定的呼吸时相进行照射来减少正常组织剂量，深吸气屏气(deep inspiration breath
‑
hold)通过减少/消除患者呼吸运动提高放疗的精度，由于呼吸控制受到患者耐受性的影响，多数胸部肿瘤患者肺功能较差，伴有咳嗽、身体虚弱等状况无法配合；植入标记物的肿瘤位置实时监测允许加速器自动根据探测到的位置反馈持续调节照射束(通过mlc、治疗床位置)，精度最高，但将对患者造成侵入性伤害，并伴随肺出血、标记物移位等副作用风险。非侵入性实时成像技术也被广泛研究，基于荧光透视的实时成像效果理想，但病人将暴露于额外剂量。患者解剖结构、体表标记和人工神经网络也被用于实时肿瘤跟踪，在一定程度上降低了肿瘤跟踪误差的发生率。然而，当肿瘤边界模糊或被骨性结构遮盖时，上述方法通常会失败、降低治疗精确性。
4.为了开发理想的高精度无标记实时肿瘤跟踪方法，腹部肿瘤体表标记与体内肿瘤之间的呼吸运动相关性被研究，david报告了体表标记与体内肿瘤之间运动频率的一致性(误差小于等于6mm)。美国医学物理学家协会报告指出肺肿瘤的运动模式与位置密切相关，位于下叶且不依附刚性结构(如胸壁、椎骨)的肿瘤运动幅度明显高于其他位置，对于肝肿瘤而言，肿瘤位置、是否肝硬化、肝脏手术史都在不同程度影响肿瘤的运动模式。基于以上原因，体表标记与体内肿瘤运动之间的相关系数无法一概而论，对于指定患者的相关性高低判定至关重要。
5.影像组学特征提取能够从ct、mri等影像中提取感兴趣区的统计特征和组织异质性、表形等高通量纹理特征，避免主观性且省时，结合机器学习对这些数据信息进行深层次的分析，找到某些特征在不同群体上的分布规律，从而实现肿瘤的辅助诊断、放射损伤评估、预后预测等，在放射肿瘤学研究中广泛应用。肺、肝肿瘤患者的4dct分为十个呼吸时相ct、平均密度和最大密度投影ct，包含肿瘤的运动信息，利用影像组学提取、筛选可得到包含肿瘤运动信息的相关特征，这些特征可以用来研究肿瘤运动。目前尚无利用影像组学特征进行肿瘤运动与体表变化相关性或体内肿瘤动度的研究。


技术实现要素：

6.本发明的目的在于提供一种患者体表和体内肿瘤运动相关性及肿瘤内部动度的预测方法和系统。
7.本发明提供了一种患者肿瘤内部动度的预测方法，包括如下步骤：
8.(1)数据采集：对患者肿瘤部位进行ct扫描，扫描方式为电影扫描，得到10个扫描周期的扫描数据，每个扫描周期包含一个完整的呼吸周期；
9.(2)数据处理：将步骤(1)得到的扫描数据进行4dct图像重建，得到与所述的10个扫描周期的扫描数据对应的10个呼吸时相的ct，对步骤(1)获得的扫描数据进行平均密度投影，得到aip ct；
10.(3)勾画roi：在步骤(2)的10个呼吸时相的ct勾画roi信息，结合aip ct得到包含运动信息的roi；
11.(4)特征提取：从步骤(3)得到的roi中提取影像组学特征，所述特影像组学特征包括描述肿瘤3d物理外观的形态学特征、描述roi强度的一阶分布的强度特征、原始纹理特征、高阶特征；
12.(5)将影像组学特征和患者的临床信息特征输入机器学习模型处理，得到预测值；所述预测值包括：肿瘤在体内ap、si、lr三个方向的最大运动值。
13.进一步地，步骤(4)所述的描述roi强度的一阶分布的强度特征包括描述roi区域内体素强度的一阶统计特征值；所述高阶特征包括小波转换特征和高斯滤波转换特征。
14.进一步地，步骤(5)所述的临床信息特征包括：性别、年龄、体重、吸烟史、癌症病种、tnm分期、itv体积、目标患瘤脏器体积、肿瘤质心至前胸壁距离、肿瘤质心至后胸壁距离、患瘤脏器ap方向维度、胸腹部肿瘤si方向维度、肿瘤质心至肿瘤所在脏器边缘距离、肿瘤质心至隔膜距离、肿瘤是否靠胸壁、肿瘤位置。
15.更进一步地，步骤(5)所述机器学习模型通过如下方法构建而成：
16.1)基本模型的构建：
17.(a)数据预处理：对不属于同一量纲的影像组学特征进行无量纲化，剔除冗余信息，将定性特征进行哑编码转化为定量特征，并进行归一化处理；
18.公式如下：
[0019][0020]
上式f
nor
表示归一化的特征,f表示未处理的特征,f
mean
表示每类特征的平均值，sd表示每类特征的标准差；
[0021]
(b)特征筛选：通过特征选择方法筛选出与ap、si、lr三方向的肿瘤内部动度相关系数最高的特征；
[0022]
(c)基于步骤(b)筛选出的特征和患者的临床信息特征构建得到机器学习模型，并采用机器学习算法对机器学习模型进行训练。
[0023]
更进一步地，步骤(b)所述特征选择方法是：单变量特征选择方法、方差选择法、卡方检验、递归特征消除法、基于惩罚项的特征选择法、基于树模型的特征选择法或主成分分析法，优选为单变量特征选择方法。
[0024]
更进一步地，步骤(c)所述机器学习算法为神经网络算法、支持向量机、随机森林、
xgboost或广义线性模型，优选为神经网络算法。
[0025]
更进一步地，上述神经网络算法包括分支网络和神经元，所述分支网络包括手工特征网络、影像组学特征网络、全特征网络；所述手工特征网络学习患者的临床信息特征，所述影像组学特征网络学习影像组学特征；所述全特征网络学习临床信息特征与影像组学特征之间的知识；所述神经元学习各分支网络的权重。
[0026]
本发明还提供了一种患者体表和体内肿瘤运动相关性的预测方法，包括如下步骤：
[0027]
1)体表数据采集：使用varian实时位置管理系统通过红外摄像机跟踪安装在患者体表的红外反射标记，获取患者自由呼吸状态下ap方向的体表变化，得到10个呼吸时相对应的ap方向体表运动值；
[0028]
2)肿瘤体内动度分析：采用权利要求1～6任一项所述的预测方法预测肿瘤内部动度，得到10个呼吸时相对应的肿瘤在体内ap、si、lr三个方向的运动值；
[0029]
3)将步骤1)得到的ap方向体表运动值与步骤2)得到的肿瘤在体内ap、si、lr三个方向的最大运动值通过如下公式计算，得到预测的患者体表和体内肿瘤ap、si、lr三个方向运动值的spearman相关性系数：
[0030][0031]
x
i
表示肿瘤在第i个呼吸时相对应的ap方向的体表运动值，表示ap方向所有呼吸时相对应的体表运动值的平均值；
[0032]
y
i
表示第i个呼吸时相对应的肿瘤在体内ap、si或lr方向的运动值，表示所有呼吸时相对应的肿瘤在体内ap、si或lr方向的运动值的平均值；i为呼吸时相的序号，i为1到10的整数。
[0033]
本发明还提供了一种患者体表和体内肿瘤运动相关性及肿瘤内部动度的预测系统，包括如下模块：
[0034]
数据采集和输入模块：对患者肿瘤部位进行ct扫描，扫描方式为电影扫描，得到10个扫描周期的扫描数据，每个扫描周期包含一个完整的呼吸周期，输入患者的临床信息特征；
[0035]
数据处理模块：将数据采集模块获得的扫描数据进行4dct图像重建，得到与所述的10个扫描周期的扫描数据对应的10个呼吸时相的ct，并对数据采集模块获得的扫描数据进行平均密度投影，得到aip ct；
[0036]
roi勾画模块：对数据处理模块获得的10个呼吸时相的ct勾画roi信息，结合aip ct得到包含运动信息的roi；
[0037]
特征提取模块：从roi勾画模块获得的roi中提取影像组学特征，所述特影像组学特征包括描述肿瘤3d物理外观的形态学特征、描述roi强度的一阶分布的强度特征、原始纹理特征、高阶特征；
[0038]
预测模块：将数据采集和输入模块获得的患者的临床信息特征，以及特征提取模块获得的影像组学特征输入机器学习模型，机器学习模型输出预测值；所述预测值包括：肿瘤在体内ap、si、lr三个方向的最大运动值。
[0039]
本发明还提供了一种介质，所述介质存储有计算机可执行指令，所述指令在被处理器执行时可用于实现上述预测肿瘤内部动度及体表运动和体内肿瘤运动之间的相关性的方法。
[0040]
本发明特别针对胸腹部肿瘤的动度以及体表运动和体内肿瘤运动之间的相关性预测，尤其是肺部肿瘤的预测。
[0041]
本方法可以实现准确预测肿瘤在体内ap、si、lr三个方向的内部动度，准确预测体表运动和体内肿瘤运动之间的相关性，为放射肿瘤医生确定是否对肿瘤患者进行主动运动管理策略提供参考。
[0042]
对预测得到的肿瘤内部动度和控制限值进行比较，如果超过控制限值，说明肿瘤体内动度较大，建议采用主动呼吸控制技术；如果小于等于控制限值，说明肿瘤体内动度较小，建议可不采用主动呼吸控制技术。
[0043]
对预测得到的体表运动和体内肿瘤运动的相关性系数和控制限值进行比较，如果超过控制限值，说明患者体表运动和体内肿瘤运动具有较强相关性，建议采用光学体表引导放疗技术；如果该相关性系数小于等于控制限值，说明患者体表运动和体内肿瘤运动具有较小相关性，不建议采用光学体表引导放疗技术。
[0044]
显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
[0045]
以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。
附图说明
[0046]
图1为本发明神经网络的结构示意图。
[0047]
图2为本发明的预测流程图。
具体实施方式
[0048]
本发明实施例的ct模拟机是ge healthcare(waukesha,wi)，所用实时位置管理系统是瓦里安公司的rpm系统。放疗计划由raystation计划系统(raystation medical laboratories ab,stockholm,sweden)创建、计算并导出，并在配备agility多叶准直器的医科达versa hd
tm
(elekta,crawley,uk)医用电子直线加速器上进行照射。
[0049]
实施例1、本发明预测方法
[0050]
1、数据采集：患者在自由呼吸状态下使用ct模拟机(ge healthcare；waukesha,wi)进行“电影”模式扫描，每个床位扫描持续时间为患者的一个呼吸周期加一秒，同时使用varian实时位置管理(rpm)系统通过红外摄像机跟踪安装在患者体表的红外反射标记，获取患者自由呼吸状态下ap方向的体表变化。
[0051]
2、数据预处理：扫描后对所得ct图像进行4dct重建，重建厚度为3毫米，平面分辨率为0.9*0.9毫米，得到包含完整呼吸周期的十个时相ct。再对扫描数据进行平均密度投影，生成aip ct。
[0052]
3、roi勾画：首先由一个放射肿瘤医生使用raystation计划系统(tps)v4.7.6
(raysearch laboratories ab,stockholm,sweden)分别在十个呼吸时相ct上手动勾画感兴趣区(roi)，然后在aip ct上融合以上十个roi轮廓生成包含运动信息的roi，并审查，编辑，最后由具有10多年经验的放射肿瘤学家批准。
[0053]
4、特征提取：提取高通量的特征是影像组学研究的基础，是将影像数据与临床指标联系起来的桥梁。使用pyradiomics v3.0.1(http://www.radiomics.io/pyradiomics.html)从勾画好的roi中提取影像组学特征，yaml配置文件参数的设置参考pyradiomics开发示例(https://github.com/aim
‑
harvard/pyradiomics/tree/master/examples/examplese ttings)，重采样网格为[1,1,1]，箱宽设置为25hounsfield以提高模式灵敏度、降低图像噪声，voxelarrayshift为1000，提取特征参数共四类，包括描述肿瘤3d物理外观的形态学特征14个；描述roi强度的一阶分布的强度特征18个，描述roi区域内体素强度的一阶统计特征值如平均值、最大值和最小值等；原始纹理特征68个，用四种不同方法描述了体素强度之间的空间关系，包括灰度共生矩阵(glcm)、灰度游程矩阵(glrlm)、灰度区域大小矩阵(glszm)、灰度相关矩阵(gldm)；高阶特征1118个(包括小波转换特征688个和高斯滤波转换特征430个)。
[0054]
5、将提取出的影像组学特征和临床信息输入机器学习模型。机器学习模型构建包括如下步骤：
[0055]
5.1数据预处理，包括对不属于同一量纲的数据进行无量纲化，剔除冗余信息，将定性特征进行哑编码转化为定量特征，对数据进行标准化，公式如下。
[0056][0057]
5.2特征选择，采用单一变量的相关性特征选择法，剔除冗余特征。具体步骤为计算各个特征对目标值的相关系数以及相关系数的p值，并且选择得到相关系数较高的特征。
[0058]
5.3采用神经网络算法，对输入特征进行训练，进行超参数调整，以获得最优的预测模型。
[0059]
a)模型结构：本方法采用了两种特征进行训练，包括手工提取的临床特征和影像组学特征，本方法采用了神经网络进行训练。
[0060]
通过手工特征网络学习手工提取的临床特征，通过影像组学特征网络学习ct的影像组学特征，通过全特征网络学习两种特征之间的知识。之后，神经元被设计用来学习每个分支网络的权重来进行预测。
[0061]
f:f
nn
(x)
×
w
nn
→
p
[0062]
f
nn
表示神经网络，w
nn
表示f
nn
的权重。手工临床特征和ct影像组学特征用作输入层。隐藏层用于将输入功能映射到高维空间以进行完整表达，然后压缩到低维空间进行预测。如图1所示，隐藏的网络层有3层。网络中的神经元数量分别为512、1024和128。
[0063]
b)模型参数：使用均方误差(mse)作为成本函数。优化结果为随机梯度下降(sgd)，学习率为0.001。学习率以每5个循环乘以0.98的速度衰减。批次大小设置为200。为了减少过拟合的副作用，在最后一个隐藏层中设置了dropout，概率为0.6。
[0064]
6、将临床信息特征(见表1)和基于ct的影像组学特征输入步骤5所得到模型预测预测肿瘤在si、lr、ap三个方向的内部动度(如图2所示)。
[0065]
7、将步骤1得到的ap方向体表运动值与步骤6得到的肿瘤在体内ap、si、lr三个方
向的运动值通过如下公式计算，得到预测的患者体表和体内肿瘤ap、si、lr三个方向运动值的spearman相关性系数：
[0066][0067]
x
i
表示肿瘤在第i个呼吸时相时ap方向的体表最大运动值，表示ap方向所有呼吸时相体表最大运动值的平均值；
[0068]
y
i
表示第i个呼吸时相肿瘤在体内ap、si或lr方向的最大运动值，表示所有呼吸时相肿瘤在体内ap、si或lr方向的最大运动值的平均值；i为呼吸时相的序号，i为1到10的整数。
[0069]
对预测得到的肿瘤内部动度和控制限值(控制限值由临床医师根据临床标准设定，一般标准为8mm)进行比较，如果超过控制限值，说明肿瘤体内动度较大，建议采用主动呼吸控制技术，请患者协助控制呼吸以提高放疗精度；如果小于等于控制限值，说明肿瘤体内动度较小，建议可不采用主动呼吸控制技术。
[0070]
对预测得到的体表运动和体内肿瘤运动的相关性系数和控制限值(本发明将控制限值定为0.7)进行比较，如果超过控制限值(spearman相关性系数大于等于0.7)，说明患者体表运动和体内肿瘤运动具有较强相关性，建议采用光学体表引导放疗技术；如果该相关性系数小于等于控制限值，说明患者体表运动和体内肿瘤运动具有较小相关性，建议不采用光学体表引导放疗技术。
[0071]
表1.临床特征汇总
[0072]
[0073]
以下通过实验例证明本发明的有益效果。
[0074]
实验例1、本发明预测系统的预测准确性
[0075]
1、实验方法
[0076]
(1)本发明方法预测患者肿瘤内部动度的准确度评估
[0077]
实验数据共有165例，随机分为126例的训练集和39例的测试集，训练集用于机器学习模型的训练，测试集用于实施例1实验结果的评估。
[0078]
上述方法的平均绝对误差视为预测误差分别进行计算，公式如下：
[0079][0080]
其中，n表示测试集的数量，p
i
表示模型预测的肿瘤动度，y
i
表示使用4dct获取的实际肿瘤动度。
[0081]
(2)本发明方法预测患者体表和体内肿瘤运动相关性的准确性评估
[0082]
实验数据共有181例，随机分为86例的训练集和95例的测试集，训练集用于机器学习模型的训练，测试集用于实施例1实验结果的评估。
[0083]
上述方法的评价指标为敏感性(sensitivity)、特异性(specificity)，公式如下：
[0084][0085][0086]
其中，n表示测试集数量，tp表示预测为体表体内弱相关性(预测得到的spearman相关系数小于0.7)且实际也为弱相关性(实际spearman相关系数也小于0.7)的类别，tn表示预测结果为强相关性(预测得到的spearman相关系数大于等于0.7)且实际也为强相关性(实际spearman相关系数也大于等于0.7)的类别，fp表示预测为强相关性而实际为弱相关性的类别。
[0087]
2、实验结果
[0088]
(1)本发明方法预测患者肿瘤内部动度的准确度评估
[0089]
本发明在测试集中实现的平均预测误差仅为1.23mm，误差很小，说明本发明方法预测患者肿瘤内部动度准确度高。
[0090]
(2)本发明方法预测患者体表和体内肿瘤运动相关性的准确性评估结果见表2。
[0091]
表2预测患者体表和体内肿瘤运动相关性的准确性评估结果
[0092]
评价指标实施例1sensitivity0.788specificity0.930
[0093]
从表2可以看出，本发明方法预测患者体表和体内肿瘤运动相关性的敏感性和特异性高，说明预测准确度高。
[0094]
综上，本发明提供了一种患者体表和体内肿瘤运动相关性及肿瘤内部动度的预测方法和系统，可以准确预测肿瘤在体内ap、si、lr三个方向的内部动度，为放射肿瘤医生确定是否对肿瘤患者进行主动运动管理策略提供参考，还可准确预测体表运动和体内肿瘤运动之间的相关性，为放射肿瘤医生决策是否对患者使用光学表面引导放疗提供参考。