申请/专利权人：浙江大学

申请日：2023-07-04

公开（公告）日：2024-06-21

公开（公告）号：CN116862861B

主分类号：G06T7/00

分类号：G06T7/00;G06V10/25;G06V10/26;G06V10/764;G06V10/774;G16H50/20;G16H70/60;G01N1/30

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2023.10.27#实质审查的生效;2023.10.10#公开

摘要：本发明公开了一种基于多组学的胃癌治疗疗效的预测模型训练、预测方法及系统，包括获取样本图像集，数据包括CT图像和染色图像；对样本图像集中的每个图像进行ROI分割，获得病灶区域集；对病灶区域集中每个病灶区域进行特征提取，获取训练样本集；将训练样本集输入XGBoost预测模型进行训练，得到训练完成的XGBoost预测模型。本发明基于CT图像和染色图像获得影像组特征和病理学特征，将两个特征集输入XGBoost预测模型进行训练，从而提高预测模型的准确率。

主权项：1.一种基于多组学的胃癌治疗疗效的预测模型训练方法，其特征在于，包括：获取样本图像集，数据包括CT图像和染色图像；对所述样本图像集中的每个图像进行ROI分割，获得病灶区域集；对所述病灶区域集中每个病灶区域进行特征提取，获取训练样本集；将所述训练样本集输入XGBoost预测模型进行训练，得到训练完成的XGBoost预测模型；其中，对所述病灶区域集中每个病灶区域进行特征提取，获取训练样本集包括：采用Python软件利用开源工具包Pyradiomics包从所述CT图像提取影像组学特征；采用生物图像分析的开源应用程序CellProfiler从所述染色图像提取病理学特征；所述影像组学特征包括定性语义特征和定量非语义特征，所述定性语义特征包括病灶的形状和病灶性质，所述定量非语义特征是指借助算法从CT影像中提取出来的特征，其包括一阶统计特征、二阶纹理特征和高阶纹理特征；所述一阶统计特征包括体素的偏度、峰度、体素强度的最大值、中值、最小值、平均值、极差、标准差以及肿瘤最大轴长度、最短轴长度、伸长率、球形度、平面度、表面积、体积、体表面积比，所述二阶纹理特征包括灰度共生矩阵、灰度游程长度矩阵、灰度尺寸区域矩阵、邻域灰度差矩阵和灰度依赖矩阵，所述高阶纹理特征为滤波器过滤后特征；采用生物图像分析的开源应用程序CellProfiler从所述染色图像提取病理学特征包括：去除所述染色图像中无组织空白区域；对所述染色图像进行色彩标准化处理；将所述染色图像均匀切成小分块；通过所述应用程序CellProfiler中的“UnmixColors”模块对小分块的所述染色图像进行颜色分离；通过所述应用程序CellProfiler中的“IdentifyPrimaryObjects”模块分割识别组织中的细胞核和细胞质；通过所述应用程序CellProfiler中的“ObjectIntensityDistribution”、“ObjectIntensity”、“Texture”和“ObjectSizeShape”模块，提取了细胞形状、大小、组织纹理和图片像素强度分布的定量图像特征；将所有小分块的每个特征维度的最小值、25％分位数、75％分位数和最大值聚合为所述染色图像的特征；对所述特征采用组内和组间相关系数筛选出可重复性好的稳定特征，并采用嵌入式的LASSO算法筛选出所述特征数量；所述XGBoost预测模型公式为： 式中：obj*为预测值；Gj和Hj分别为第j个节点所有样本的一阶导和二阶导的求和；T为决策树中叶子节点的个数；γ和λ分别为正则项系数；Gj和Hj的公式分别为： 式中：yi为实际值；l为损失函数；为预测值；k为第k棵树； 的公式为： 式中：为预测值；xi为训练样本集中的特征；fkxi为第k棵树对样本xi的预测结果。

全文数据：

权利要求：

百度查询： 浙江大学 一种基于多组学的胃癌治疗疗效的预测模型训练、预测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD