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

技术特征：
1.一种患者肿瘤内部动度的预测方法，其特征在于，包括如下步骤：(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；(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；(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；(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；(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。2.如权利要求1所述的预测方法，其特征在于，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。3.如权利要求1所述的预测方法，其特征在于，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。4.如权利要求1～3任一项所述的预测方法，其特征在于，步骤(5)所述机器学习模型通过如下方法构建而成：1)基本模型的构建：(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；公式如下：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；(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；(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。5.如权利要求4所述的预测方法，其特征在于，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。6.如权利要求4所述的预测方法，其特征在于，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。
7.如权利要求6所述的预测方法，其特征在于，所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。8.一种患者体表和体内肿瘤运动相关性的预测方法，其特征在于，包括如下步骤：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；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；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：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；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。9.一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，其特征在于，包括如下模块：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；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；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；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；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。10.一种介质，其特征在于，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权利要求1～7任一项所述的方法。

技术总结
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。通过病人临床信息和CT数据采集、4DCT图像重建、影响组学特征提取，经机器学习模型预测患者体表和体内肿瘤运动相关性系数及肿瘤AP、SI、LR方向的内部动度，可为临床决策提供参考，具有很好的应用前景。很好的应用前景。很好的应用前景。


技术研发人员：李光俊 段炼 宋新宇 张翔宇 王光宇 李治斌 肖青 白龙 柏森
受保护的技术使用者：四川大学华西医院
技术研发日：2021.08.19
技术公布日：2021/10/15