基于影像组学和域适应的乳腺癌腋窝淋巴结转移预测方法

本发明涉及病理数字图像处理的，具体涉及一种基于影像组学和域适应的乳腺癌腋窝淋巴结转移预测方法。

背景技术：

1、在乳腺癌的诊断和治疗中，腋窝淋巴结转移(alnm)与乳腺癌远处转移和复发以及生存率等方面高度相关，准确检测和有效评估alnm对患者的预后和治疗方案选择具有重要意义。而影像组学可以揭示影像数据中肉眼可能无法识别的有价值的见解和定量信息，帮助医疗专业人员预测乳腺癌患者的腋窝淋巴结状态。在目前已有的相似专利中，cn113555115a公开了一种基于影像组学构建乳腺癌患者淋巴结转移预测模型的方法。该方法采用随机森林算法对影像特征进行筛选，对临床特征数据进行单因素分析筛选得到关键临床特征，采用支持向量机算法根据关键影像特征和关键临床特征建立淋巴结转移综合预测模型。实现了基于结构风险化最小原则建立预测模型，帮助预测淋巴结。cn116741390a也公开了一种乳腺癌患者腋窝淋巴结转移预测模型。该方法对二维的肺部增强ct片进行三维重建后，选取每个腋窝淋巴结的全部影像组学特征中的5个以上影像组学特征联用进行区分所述乳腺癌是否有腋窝淋巴结转移，且使用随机森林构建预测模型。

2、虽然目前已有部分专利公开了有关利用影像组学的方法进行乳腺癌腋窝淋巴结状态的智能预测，但是从它们的技术方案可以看出，仍然存在一些不足之处：1、未利用多中心数据集验证影像组学模型，无法保证影像组学模型在陌生且具备分布差异的中心具备良好的预测性能，模型的可靠性较低；2、使用了多中心数据集验证性能的模型并非在每个中心都具备良好的预测能力，当外部验证集与训练集分布差异大时，模型表现不佳。

3、因此，开发一种新的基于影像组学和域适应的乳腺癌腋窝淋巴结转移预测方法具有重要意义。

技术实现思路

1、发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种有别于已经存在的同类型专利，从将域适应算法加入传统影像组学流程来改善影像组学模型在多中心数据集中的性能的角度出发，开发一种基于影像组学和域适应的乳腺癌腋窝淋巴结转移预测方法。

2、为了解决上述技术问题，本发明公开了一种基于影像组学和域适应的乳腺癌腋窝淋巴结转移预测方法，具体步骤为：

3、s1.选取多中心数据并进行划分；

4、s2.对s1中数据进行预处理；

5、s3.对s2预处理后的数据进行特征提取；

6、s4.对s3提取的特征进行筛选；

7、s5.构建域适应-影像组学模型并进行验证。

8、其中，所述多中心数据为多参数mri图像；所述多参数mri图像为t2wi、nonfs-t1wi和dce-mri的0-5期共8个序列。

9、其中，所述s2的具体步骤为：将划分后的数据进行分割并进行roi勾画；将勾画后的图像进行重采样及标准化处理；

10、优选的，所述重采样的尺寸为1×1×1mm；

11、其中，所述s3中，特征提取过程中的特征为形状特征、一阶特征、纹理特征和对原始图像进行各种变换得到的高阶特征；所述纹理特征为灰度共生矩阵特征、灰度游程矩阵特征、灰度区域大小矩阵特征和灰度依赖矩阵特征；所述高阶特征中使用的变换为平方、平方根、对数、指数、梯度大小、局部二值模式、小波滤波和高斯拉普拉斯。

12、其中，所述s4中，通过anova、mrmr和lasso回归进行特征筛选。

13、其中，所述域适应-影像组学模型具体为传统影像组学流程(图像采集-图像分割-影像组学特征提取-特征选择-模型开发-模型性能评估)的模型开发这一步骤中加入域适应算法所构建的模型。首先将在训练集筛选出的关键特征和外部验证集中对应的相同特征输入平衡分布适应(bda)域适应算法，然后bda算法通过最小化源域(训练集)和目标域(外部验证集)特征分布之间的差异来实现两域的对齐,该算法的目标公式如下:

14、

15、s.t.atxhxta＝i.0≤μ≤1

16、其中，x表示由xs和xt组成的输入数据矩阵，a表示变换矩阵，μ是平衡因子，m0和mc是mmd矩阵，c∈{1,2,···,c}是标签的类别，λ是正则化参数，是frobenius范数。.i∈r(m+n)×(m+n)'是单位矩阵，h是中心矩阵，即h＝i-(1/n)1。

17、公式中有两个项：具有平衡因子的边缘分布和条件分布的适应(项1)和正则化项(项2)。且该公式具备两个约束：第一个约束确保转换分布后的数据(atx)应保留原始数据的内部属性。第二个约束表示平衡因子μ的范围。

18、适应两域边缘分布和条件分布的最佳方式通过调整以上公式的参数μ来实现，认为两域的边缘分布差异更重要，则使μ的取值趋向于0，若认为条件分布差异更重要，则使μ的取值趋向于1。之后采用新分布利用bda算法中嵌入的分类器在训练集上进行域适应-影像组学模型的构建。最后域适应-影像组学模型对目标域即外部验证集的标签进行预测，得到伪标签，并进行迭代细化，最终生成输出标签进行性能验证。

19、本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明的基于影像组学和域适应的乳腺癌腋窝淋巴结转移预测方法中的步骤。

20、本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明的基于影像组学和域适应的乳腺癌腋窝淋巴结转移预测方法中的步骤。

21、有益效果：本发明相比于传统的影像组学模型，引入了域适应算法，可以缩小源域与目标域之间的特征分布差异，克服不同医院、不同仪器设备或不同类型患者导致的磁共振影像数据差异，从而提高模型在多中心的预测性能和泛化能力；本发明纳入了多中心的影像数据，不同中心具备不同的数据分布，能够更好地反映真实的临床实践环境；本发明纳入了乳腺癌患者的t2wi、non-fst1wi、dce-mri 0-5期一共8个序列的术前乳腺磁共振图像，能够较为全面地提取和分析肿瘤的多维影像组学特征，丰富了影像组学可利用的信息；本发明为改善影像组学预测乳腺癌腋窝淋巴结转移的性能和泛化性提供保障，为精准医疗服务提供技术支撑。

技术特征：

1.一种基于影像组学和域适应的乳腺癌腋窝淋巴结转移预测方法，其特征在于，具体步骤为：

2.根据权利要求1所述的预测方法，其特征在于，所述多中心数据为多参数mri图像；所述多参数mri图像为t2wi、nonfs-t1wi和dce-mri的0-5期共8个序列。

3.根据权利要求1所述的预测方法，其特征在于，所述s2的具体步骤为：将划分后的数据进行分割并进行roi勾画；将勾画后的图像进行重采样及标准化处理。

4.根据权利要求1所述的预测方法，其特征在于，所述s3中，特征提取过程中的特征为形状特征、一阶特征、纹理特征和对原始图像进行各种变换得到的高阶特征；所述纹理特征为灰度共生矩阵特征、灰度游程矩阵特征、灰度区域大小矩阵特征和灰度依赖矩阵特征；所述高阶特征中使用的变换为平方、平方根、对数、指数、梯度大小、局部二值模式、小波滤波和高斯拉普拉斯。

5.根据权利要求1所述的方法，其特征在于，所述s4中，通过anova、mrmr和lasso回归进行特征筛选。

6.根据权利要求1所述的方法，其特征在于，所述域适应-影像组学模型的构建过程为：输入筛选出的关键特征和外部验证集中对应的相同特征，使用平衡分布适应域适应算法调整源域和目标域的特征分布来实现两域的对齐，采用新分布利用平衡分布适应域适应算法中嵌入的分类器在训练集上完成域适应-影像组学模型的构建。

7.根据权利要求6所述的方法，其特征在于，所述平衡分布适应域适应算法的目标公式如下：

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现如权利要求1～7中任一项所述的基于影像组学和域适应的乳腺癌腋窝淋巴结转移预测方法中的步骤。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～7中任一项所述的基于影像组学和域适应的乳腺癌腋窝淋巴结转移预测方法中的步骤。

技术总结本发明涉及病理数字图像处理的技术领域，具体涉及一种基于影像组学和域适应的乳腺癌腋窝淋巴结转移预测方法；所述方法具体步骤为S1.选取多中心数据并进行划分；S2.对S1中数据进行预处理；S3.对S2预处理后的数据进行特征提取；S4.对S3提取的特征进行筛选；S5.构建域适应‑影像组学模型并进行验证；本发明引入了域适应算法，缩小了源域与目标域之间的特征分布差异，通过纳入多中心的影像数据，更好地反映真实的临床实践环境，本发明纳入了多序列的术前乳腺磁共振图像，丰富了影像组学可利用的信息；本发明为改善影像组学预测乳腺癌腋窝淋巴结转移的性能和泛化性提供保障，为精准医疗服务提供技术支撑。技术研发人员：张远鹏,程煜婷,盛美红,张馨匀,邱成羽,周琳家受保护的技术使用者：南通大学技术研发日：技术公布日：2024/11/14