买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：复旦大学附属肿瘤医院

摘要：本发明提供一种基于临床‑影像组学特征融合的早期非小细胞肺癌淋巴结转移风险预测方法，包括以下步骤：首先对原始CT影像进行预处理，分割肺肿瘤区域，并提取肺肿瘤区域的影像组学特征和深度图像特征，建立CT影像特征集；其次，收集临床数据，进行特征预处理后，采用特征选择方法筛选出有统计学意义的临床特征，建立临床特征集；然后，在对CT影像特征和临床特征进行归一化处理的基础上，运用特征交互方法，融合CT影像和临床特征，输入全连接神经网络，构建预测模型；最后，利用预测模型输出早期非小细胞肺癌淋巴结转移风险概率。本发明的方法自动化程度高，提高了早期非小细胞肺癌淋巴结转移风险预测的精度。

主权项：1.一种基于临床-影像组学特征融合的早期非小细胞肺癌淋巴结转移风险预测方法，其特征在于，所述方法包括以下步骤：S1：对原始胸部CT影像进行预处理，分割肺肿瘤区域，并提取肺肿瘤区域的影像组学特征和深度图像特征，建立CT影像特征集；S2：收集临床数据，进行特征预处理后，采用特征选择方法筛选出有统计学意义的临床特征，建立临床特征集；S3：在对CT影像特征集和临床特征集进行归一化处理的基础上，运用特征交互方法，融合CT影像特征集和临床特征集；S4：将融合后的临床-影像特征集输入全连接神经网络，构建预测模型；S5：利用预测模型输出早期非小细胞肺癌淋巴结转移风险概率；所述S1包括如下步骤：S11：输入原始胸部CT影像ICT；S12：从图像空间和灰度两个维度分别对ICT进行预处理，包括在图像空间层面运用图像插值算法对ICT进行重采样，使图像分辨率达到一致；在灰度层面先运用窗宽-窗位调节技术将ICT调整至肺窗，即[-1200HU,600HU]范围内，再采用最大最小值归一化方法，将图像灰度值调整至[0,1]；S13：运用手动、半自动或全自动分割方法对ICT上肺肿瘤区域进行分割；S14：分别运用影像组学方法和多任务深度图像表征算法，量化提取肺肿瘤区域的CT影像组学特征和深度图像特征；S15：融合不同类型的肺肿瘤影像特征建立CT影像特征集；所述S14包括如下步骤：S141：运用定量影像组学分析方法，计算肺肿瘤区域的形状特征、灰度特征、纹理特征和变换图像特征，获得CT影像组学特征集；S142：构建分割-分类多任务深度学习模型，融合分割和分类分支网络中的深度图像特征，获得深度图像特征集；S143：合并CT影像组学特征集和深度图像特征集；所述S142包括如下步骤：S1421：以编码器-解码器结构的U-Net网络模型搭建肺肿瘤分割分支网络；S1422：将分割网络输出的肿瘤分割结果与原始CT影像进行图像掩膜处理，作为分类网络的输入，以编码器网络构建淋巴结风险预测分支网络；S1423：构建分割-分类混合损失函数Lmulti-task，计算公式如下：Lmulti-task＝α×Lseg+β×Lclf Lclf＝-1-ptγlogpt其中，Lseg表示肿瘤分割损失，Lclf表示分类损失，α、β为权重系数，ti为分割金标准，yi为模型分割预测结果，pt表示分类预测概率；S1424：运用Adam优化器和自适应学习率调整器对网络进行训练，选择最优网络参数作为最终模型参数；S1425：将分割和分类网络解码器的输出特征进行融合，获得深度图像特征集。

全文数据：

权利要求：

百度查询： 复旦大学附属肿瘤医院 一种基于临床-影像组学特征融合的早期非小细胞肺癌淋巴结转移风险预测方法