早期预测重度胰腺炎的数据处理方法、装置及存储介质

1.本发明涉及数据处理技术领域，尤其涉及早期预测重度胰腺炎的数据处理方 法、装置和存储介质。


背景技术：

2.急性胰腺炎(acute pancreatitis,ap)是一种消化系统常见急腹症。除传 统的胆源性ap外，近年来，随着中国国民生活水平的不断提高，肥胖和糖尿病 相关的“高脂血症性ap”发病率逐年升高，这些主要因素共同导致了ap在我国 属于常见病、多发病，成为一种危害国人健康的重大疾病。按照2012版新亚特 兰大国际共识，依据本病病情严重程度，ap被分为：轻度、中度和重度ap。其 中，重度ap被定义为：患者出现单一或多器官(呼吸、循环和肾脏)功能衰竭， 且器官衰竭持续存在(超过发病后48h)。诊断重度ap的临床意义在于预示患者 需要入住重症监护病房、常需侵袭性操作治疗，且患者多预后不良(合并感染的 重度ap病死率可高达30％)。因此，如何早期识别出(发病48h内)重度急性胰 腺炎病人是摆在临床医生面前的一个重要科学问题。
3.遗憾的是，到目前为此，临床上尚无能早期判定重度ap的有力工具。传统 意义上的评价ap严重度的单一指标如c反应蛋白(c-reactive protein,crp) 和常用的评分体系如急性生理与慢性健康评分(acute physiology and chronichealth evaluationⅱ,apacheⅱ)、床旁急性胰腺炎严重度评分(bedside indexfor severity in acute pancreatitis,bisap)和ct严重程度指数(ct severityindex,ctsi)都不能在病人发病48h之内准确区别新亚特兰大指南下的重度ap 与非重度ap。因此，临床医生急需一种能在患者起病48h内能早期、准确、相 对简单的应用模型来预测真正的重度ap，以便于早期有针对性的干预和治疗。 这对于患者的预后评估和早期治疗决策的拟定均有十分重要的实践意义。


技术实现要素：

4.本发明的目的在于提供早期预测重度胰腺炎的数据处理方法、装置和存储介 质，解决现有技术无法在胰腺炎早期进行有针对性干预和提前进行治疗准备的问 题。
5.本发明的目的通过以下述技术方案来实现，包括以下步骤：步骤1.获取距 离发病时间不超过2天的急性胰腺炎患者中上腹部增强ct图像，ct图像具体为 门静脉期60s～70s的图像；步骤2.勾画胰腺区域roi，命名为label1；步骤3. 勾画胰周区域roi，命名为label2；步骤4.分别计算中上腹部ct图像以label1、 label2为掩膜所对应的影像组学数据，影像组学数据包括多个影像组学特征值； 步骤5.将影像组学数据分别进行等距分箱编码或等频分箱编码；步骤6.计算多 个影像组学特征值的线性组合，线性组合的计算结果为用于获得该患者属于每个 组的预测分值；步骤7.根据预测分值按照预测步骤计算，获得急性胰腺炎患者 属于每个组的预测概率，划分为轻度组、中度组以及重度组。
6.需要说明的是，上述步骤可以准确进行胰腺炎严重程度的早期诊断，有效且 合理
填补现有技术中无法进行胰腺炎严重程度早期诊断的技术空白。
7.进一步的是，所述步骤4具体为以下内容：中上腹部ct图像对应的影像组 学数据是通过pyradiomics执行。
8.进一步的是，所述步骤6具体为以下内容：影像组学特征值包括：
9.lable1的等距分箱特征：
10.wavelet-hhh_gldm_largedependencelowgraylevelemphasis
11.original_shape_maximum2ddiameterrow；
12.lable1的等频分箱特征：
13.wavelet-lll_glcm_imc1
14.wavelet-lhh_firstorder_mean
15.wavelet-lhl_firstorder_skewness
16.wavelet-lhl_glcm_clustershade
17.wavelet-hlh_glcm_idn
18.wavelet-lhl_gldm_dependencevariance；
19.lable2的等频分箱特征：
20.wavelet-hlh_glcm_clustershade
21.wavelet-hhh_glcm_correlation
22.wavelet-lhl_glcm_correlation
23.wavelet-lhl_glszm_smallarealowgraylevelemphasis
24.log-sigma-4-0-mm-3d_firstorder_robustmeanabsolutedeviation
25.wavelet-lhl_firstorder_kurtosis
26.wavelet-lhl_firstorder_uniformity
27.gradient_firstorder_minimum
28.wavelet-lll_glcm_maximumprobability；
29.进一步的是，所述步骤5具体为：
30.label1的等距分箱特征按label1等距分箱信息表进行编码：
[0031][0032]
label1的等频分箱特征按label1等频分箱信息表进行编码：
[0033]
[0034]
[0035][0036]
label2的等频分箱特征按label2等频分箱信息表进行编码：
[0037]
[0038]
[0039][0040]
进一步的是，所述步骤6还包括：影像组学特征值的线性组合所用的公式为：
[0041]
map score＝0.095885*label1_wavelet-hhh_gldm_largedependencelowgray
[0042]
0.142601*label1_original_shape_maximum2ddiameterrow_cut
[0043]
0.076457*label1_wavelet-lhl_firstorder_skewness_qcut
[0044]
0.443623*label1_wavelet-lll_glcm_imc1_qcut
[0045]
0.483084*label1_wavelet-lhl_glcm_clustershade_qcut
[0046]-0.210387*label1_wavelet-hlh_glcm_idn_qcut
[0047]
0.375267*label1_wavelet-lhh_firstorder_mean_qcut
[0048]-0.035215*label1_wavelet-lhl_gldm_dependencevariance_qcut
[0049]
0.053614*label1_original_shape_maximum2ddiameterrow_qcut
[0050]
0.832611*label2_wavelet-lhl_glszm_smallarealowgraylevel...
[0051]
0.803584*label2_wavelet-lll_glcm_maximumprobability_qcut
[0052]-0.390008*label2_log-sigma-4-0-mm-3d_firstorder_robustme...
[0053]-0.610593*label2_wavelet-lhl_firstorder_uniformity_qcut
[0054]-0.073750*label2_wavelet-hhh_glcm_correlation_qcut
[0055]-0.136717*label2_wavelet-lhl_glcm_correlation_qcut
[0056]
0.901504*label2_gradient_firstorder_minimum_qcut
[0057]-0.595309*label2_wavelet-lhl_firstorder_kurtosis_qcut
[0058]
0.237142*label2_wavelet-hlh_glcm_clustershade_qcut；
[0059]
msap score＝-0.010329*label1_wavelet-hhh_gldm_largedependencelowgray
[0060]-0.518303*label1_original_shape_maximum2ddiameterrow_cut
[0061]
0.072489*label1_wavelet-hlh_glcm_idn_qcut
[0062]
0.344799*label1_wavelet-lhh_firstorder_mean_qcut
[0063]
0.324297*label1_wavelet-lhl_gldm_dependencevariance_qcut
[0064]-0.021962*label1_original_shape_maximum2ddiameterrow_qcut
[0065]-0.060911*label1_wavelet-lhl_firstorder_skewness_qcut
[0066]
0.061814*label1_wavelet-lll_glcm_imc1_qcut
[0067]-0.136326*label1_wavelet-lhl_glcm_clustershade_qcut
[0068]
0.060730*label2_wavelet-lhl_firstorder_uniformity_qcut
[0069]
0.054442*label2_wavelet-lhl_glszm_smallarealowgraylevel...
[0070]-0.062314*label2_log-sigma-4-0-mm-3d_firstorder_robustme...
[0071]
0.196427*label2_wavelet-hhh_glcm_correlation_qcut
[0072]-0.282969*label2_wavelet-hlh_glcm_clustershade_qcut
[0073]-0.245638*label2_gradient_firstorder_minimum_qcut
[0074]-0.545064*label2_wavelet-lll_glcm_maximumprobability_qcut
[0075]
0.484560*label2_wavelet-lhl_glcm_correlation_qcut
[0076]
0.221217*label2_wavelet-lhl_firstorder_kurtosis_qcut
[0077]
sap score＝-0.085556*label1_wavelet-hhh_gldm_largedependencelowgray...
[0078]
0.375700*label1_original_shape_maximum2ddiameterrow_cut
[0079]
0.137894*label1_wavelet-hlh_glcm_idn_qcut
[0080]-0.720057*label1_wavelet-lhh_firstorder_mean_qcut
[0081]-0.289083*label1_wavelet-lhl_gldm_dependencevariance_qcut
[0082]-0.031642*label1_original_shape_maximum2ddiameterrow_qcut
[0083]-0.015545*label1_wavelet-lhl_firstorder_skewness_qcut
[0084]-0.505434*label1_wavelet-lll_glcm_imc1_qcut
[0085]-0.346754*label1_wavelet-lhl_glcm_clustershade_qcut
[0086]
0.549861*label2_wavelet-lhl_firstorder_uniformity_qcut
[0087]-0.887044*label2_wavelet-lhl_glszm_smallarealowgraylevel...
[0088]
0.452324*label2_log-sigma-4-0-mm-3d_firstorder_robustme...
[0089]-0.122670*label2_wavelet-hhh_glcm_correlation_qcut
[0090]
0.045832*label2_wavelet-hlh_glcm_clustershade_qcut
[0091]-0.655854*label2_gradient_firstorder_minimum_qcut
[0092]-0.258514*label2_wavelet-lll_glcm_maximumprobability_qcut
[0093]-0.347845*label2_wavelet-lhl_glcm_correlation_qcut
[0094]
0.374102*label2_wavelet-lhl_firstorder_kurtosis_qcut
[0095]
其中，map score为所述轻度组预测值，msap score为所述中度组预测值， sap score为所述重度组预测值。
[0096]
进一步的是，通过上述影像组学特征值的线性组合公式获得score，继而获 得每一类z values：
[0097][0098]
通过z values获得每一类的概率prob values：
[0099][0100]
上述三个预测概率中的最大值对应的类别即为该病例的预测类别，其值为该 类别的预测概率值：
[0101]
pred＝max(prob
map
,prob
msap
,prob
sap
)。
[0102]
本发明另一方面，一种急性胰腺炎数据处理装置，包括存储器和处理器，所 述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行 权利要求1-6任一项所述方法。
[0103]
本发明的又一方面，一种存储介质，其中存储有处理器可执行的指令，其特 征在于，所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-6 任一项所述方法。
[0104]
本发明与现有技术相比，具有如下的优点和有益效果：采用本发明的步骤， 可以高效根据患者影像组学特征的分值将患者区分为轻度组、中度组或重度组， 具有良好的临床指导意义，为临床工作者提供更优的决策参考。
附图说明
[0105]
图1是本发明的流程图。
具体实施方式
[0106]
请参考说明附图1，本实施例提供了早期预测重度胰腺炎的数据处理方法、 装置和存储介质，该早期预测重度胰腺炎的数据处理方法、装置和存储介质主要 用于解决现有技术无法在胰腺炎早期进行有针对性干预和提前进行治疗准备的 问题，该早期预测重度胰腺炎的数据处理方法、装置和存储介质已经处于实际临 床实验阶段。
[0107]
本发明的实施方式如下：
[0108]
包括以下步骤：步骤1.获取距离发病时间不超过2天的急性胰腺炎患者中 上腹部增强ct图像，ct图像具体为门静脉期60s～70s的图像；步骤2.勾画胰 腺区域roi，命名为label1；步骤3.勾画胰周区域roi，命名为label2；步骤4. 分别计算中上腹部ct图像以label1、label2为掩膜所对应的影像组学数据，影 像组学数据包括多个影像组学特征值；步骤5.将影像组学数据分别进行等距分 箱编码或等频分箱编码；步骤6.计算多个影像组学特征值的线性组合，线性组 合的计算结果为用于获得该患者属于每个组的预测分值；步骤7.根据预测分值 按照预测步骤计算，获得急性胰腺炎患者属于每个组的预测概率，划分为轻度组、 中度组以及重度组。
[0109]
需要说明的是，上述步骤可以准确进行胰腺炎严重程度的早期诊断，有效且 合理填补现有技术中无法进行胰腺炎严重程度早期诊断的技术空白，其中本发明 较佳的实施方式为选择门静脉期为60s～70s，选择为60s～70s可以最高效得到 ct图像的准确显像信息；影像组学特征为每组8个，当然也可以选择9个、10 个等，具体可以根据实际需要进行选择，本实施例选择8个可以依据相应的算法 得到最佳结果数据。
[0110]
步骤4具体为以下内容：中上腹部ct图像对应的影像组学数据是通过 pyradiomics执行，步骤6具体为以下内容：影像组学特征值包括：lable1的等 距分箱特征：
[0111]
wavelet-hhh_gldm_largedependencelowgraylevelemphasis
[0112]
original_shape_maximum2ddiameterrow；
[0113]
lable1的等频分箱特征：
[0114]
wavelet-lll_glcm_imc1
[0115]
wavelet-lhh_firstorder_mean
[0116]
wavelet-lhl_firstorder_skewness
[0117]
wavelet-lhl_glcm_clustershade
[0118]
wavelet-hlh_glcm_idn
[0119]
wavelet-lhl_gldm_dependencevariance；
[0120]
lable2的等频分箱特征：
[0121]
wavelet-hlh_glcm_clustershade
[0122]
wavelet-hhh_glcm_correlation
[0123]
wavelet-lhl_glcm_correlation
[0124]
wavelet-lhl_glszm_smallarealowgraylevelemphasis
[0125]
log-sigma-4-0-mm-3d_firstorder_robustmeanabsolutedeviation
[0126]
wavelet-lhl_firstorder_kurtosis
[0127]
wavelet-lhl_firstorder_uniformity
[0128]
gradient_firstorder_minimum
[0129]
wavelet-lll_glcm_maximumprobability；
[0130]
步骤5具体为：
[0131]
label1的等距分箱特征按label1等距分箱信息表进行编码：
[0132][0133]
label1的等频分箱特征按label1等频分箱信息表进行编码：
[0134]
[0135]
[0136][0137]
label2的等频分箱特征按label2等频分箱信息表进行编码：
[0138]
[0139]
[0140][0141]
步骤6还包括：影像组学特征值的线性组合所用的公式为：
[0142]
map score＝0.095885*label1_wavelet-hhh_gldm_largedependencelowgray
[0143]
0.142601*label1_original_shape_maximum2ddiameterrow_cut
[0144]
0.076457*label1_wavelet-lhl_firstorder_skewness_qcut
[0145]
0.443623*label1_wavelet-lll_glcm_imc1_qcut
[0146]
0.483084*label1_wavelet-lhl_glcm_clustershade_qcut
[0147]-0.210387*label1_wavelet-hlh_glcm_idn_qcut
[0148]
0.375267*label1_wavelet-lhh_firstorder_mean_qcut
[0149]-0.035215*label1_wavelet-lhl_gldm_dependencevariance_qcut
[0150]
0.053614*label1_original_shape_maximum2ddiameterrow_qcut
[0151]
0.832611*label2_wavelet-lhl_glszm_smallarealowgraylevel...
[0152]
0.803584*label2_wavelet-lll_glcm_maximumprobability_qcut
[0153]-0.390008*label2_log-sigma-4-0-mm-3d_firstorder_robustme...
[0154]-0.610593*label2_wavelet-lhl_firstorder_uniformity_qcut
[0155]-0.073750*label2_wavelet-hhh_glcm_correlation_qcut
[0156]-0.136717*label2_wavelet-lhl_glcm_correlation_qcut
[0157]
0.901504*label2_gradient_firstorder_minimum_qcut
[0158]-0.595309*label2_wavelet-lhl_firstorder_kurtosis_qcut
[0159]
0.237142*label2_wavelet-hlh_glcm_clustershade_qcut；
[0160]
msap score＝-0.010329*label1_wavelet-hhh_gldm_largedependencelowgray
[0161]-0.518303*label1_original_shape_maximum2ddiameterrow_cut
[0162]
0.072489*label1_wavelet-hlh_glcm_idn_qcut
[0163]
0.344799*label1_wavelet-lhh_firstorder_mean_qcut
[0164]
0.324297*label1_wavelet-lhl_gldm_dependencevariance_qcut
[0165]-0.021962*label1_original_shape_maximum2ddiameterrow_qcut
[0166]-0.060911*label1_wavelet-lhl_firstorder_skewness_qcut
[0167]
0.061814*label1_wavelet-lll_glcm_imc1_qcut
[0168]-0.136326*label1_wavelet-lhl_glcm_clustershade_qcut
[0169]
0.060730*label2_wavelet-lhl_firstorder_uniformity_qcut
[0170]
0.054442*label2_wavelet-lhl_glszm_smallarealowgraylevel...
[0171]-0.062314*label2_log-sigma-4-0-mm-3d_firstorder_robustme...
[0172]
0.196427*label2_wavelet-hhh_glcm_correlation_qcut
[0173]-0.282969*label2_wavelet-hlh_glcm_clustershade_qcut
[0174]-0.245638*label2_gradient_firstorder_minimum_qcut
[0175]-0.545064*label2_wavelet-lll_glcm_maximumprobability_qcut
[0176]
0.484560*label2_wavelet-lhl_glcm_correlation_qcut
[0177]
0.221217*label2_wavelet-lhl_firstorder_kurtosis_qcut
[0178]
sapscore＝-0.085556*label1_wavelet-hhh_gldm_largedependencelowgray...
[0179]
0.375700*label1_original_shape_maximum2ddiameterrow_cut
[0180]
0.137894*label1_wavelet-hlh_glcm_idn_qcut
[0181]-0.720057*label1_wavelet-lhh_firstorder_mean_qcut
[0182]-0.289083*label1_wavelet-lhl_gldm_dependencevariance_qcut
[0183]-0.031642*label1_original_shape_maximum2ddiameterrow_qcut
[0184]-0.015545*label1_wavelet-lhl_firstorder_skewness_qcut
[0185]-0.505434*label1_wavelet-lll_glcm_imc1_qcut
[0186]-0.346754*label1_wavelet-lhl_glcm_clustershade_qcut
[0187]
0.549861*label2_wavelet-lhl_firstorder_uniformity_qcut
[0188]-0.887044*label2_wavelet-lhl_glszm_smallarealowgraylevel...
[0189]
0.452324*label2_log-sigma-4-0-mm-3d_firstorder_robustme...
[0190]-0.122670*label2_wavelet-hhh_glcm_correlation_qcut
[0191]
0.045832*label2_wavelet-hlh_glcm_clustershade_qcut
[0192]-0.655854*label2_gradient_firstorder_minimum_qcut
[0193]-0.258514*label2_wavelet-lll_glcm_maximumprobability_qcut
[0194]-0.347845*label2_wavelet-lhl_glcm_correlation_qcut
[0195]
0.374102*label2_wavelet-lhl_firstorder_kurtosis_qcut
[0196]
其中，mapscore为所述轻度组预测值，msapscore为所述中度组预测值，sapscore为所述重度组预测值。
[0197]
通过上述影像组学特征值的线性组合公式获得score，继而获得每一类zvalues：
[0198]
[0199]
通过z values获得每一类的概率prob values：
[0200][0201]
上述三个预测概率中的最大值对应的类别即为该病例的预测类别，其值为该 类别的预测概率值：
[0202]
pred＝max(prob
map
,prob
msap
,prob
sap
)。
[0203]
本发明另一方面，一种急性胰腺炎数据处理装置，包括存储器和处理器，存 储器用于存储至少一个程序，处理器用于加载本发明的方法，其中本实施例又一 实施方式为装置内还可以设置读取器或者多组存储器，这样设置可以保证装置进 一步进行多向数据传输以及作业，提高效率。
[0204]
本发明的又一方面，一种存储介质，其中存储有处理器可执行的指令，其特 征在于，处理器可执行的指令在由处理器执行时用于执行本发明的方法，需要说 明的是，本领域技术人员可以理解实现上述实施例方法中的全部或者部分步骤是 可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读存 储介质中，该程序在执行时，包括如下步骤：步骤1.获取距离发病时间不超过2 天的急性胰腺炎患者中上腹部增强ct图像，ct图像具体为门静脉期60s～70s 的图像；步骤2.勾画胰腺区域roi，命名为label1；步骤3.勾画胰周区域roi， 命名为label2；步骤4.分别计算中上腹部ct图像以label1、label2为掩膜所 对应的影像组学数据，影像组学数据包括多个影像组学特征值；步骤5.将影像 组学数据分别进行等距分箱编码或等频分箱编码；步骤6.计算多个影像组学特 征值的线性组合，线性组合的计算结果为用于获得该患者属于每个组的预测分 值；步骤7.根据预测分值按照预测步骤计算，获得急性胰腺炎患者属于每个组 的预测概率，划分为轻度组、中度组以及重度组，所述的存储介质，如rom/ram、 磁碟以及光盘等。
[0205]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明 的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保 护范围之内。