[發明專利]基于機器學習的下肢深靜脈血栓溶栓療效預測方法及系統

在審

• 申請號: 201811245597.0
• 申請日: 2018-10-24
• 公開（公告）號: CN109598266A
• 公開（公告）日: 2019-04-09
• 發明（設計）人: 黃炳升;袁程朗;田君如;陳漢威;黃晨;梁健科;何卓南;賀雪平
• 申請（專利權）人: 深圳大學;廣州市番禺區中心醫院(廣州市番禺區人民醫院;廣州市番禺區心血管疾病研究所)
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/62;G16H70/00
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 胡輝;黎揚鵬

1.基于機器學習的下肢深靜脈血栓溶栓療效預測方法，其特征在于：包括以下步驟：

從MRI圖像中得到下肢深靜脈血栓的感興趣區域；

對下肢深靜脈血栓的感興趣區域進行影像組學特征提取；

根據影像組學特征提取的結果采用機器學習的方法進行下肢深靜脈血栓溶栓療效預測。

2.根據權利要求1所述的基于機器學習的下肢深靜脈血栓溶栓療效預測方法，其特征在于：所述從MRI圖像中得到下肢深靜脈血栓的感興趣區域這一步驟，具體包括：

輸入待預測對象的MRI圖像；

根據待預測對象的MRI圖像得到對應的橫斷面圖像、矢狀面圖像和冠狀面圖像；

根據得到的橫斷面圖像、矢狀面圖像和冠狀面圖像進行血栓病灶邊界勾畫，得到下肢深靜脈血栓的感興趣區域。

3.根據權利要求1所述的基于機器學習的下肢深靜脈血栓溶栓療效預測方法，其特征在于：所述對下肢深靜脈血栓的感興趣區域進行影像組學特征提取這一步驟，具體包括：

根據預設的特征類型從下肢深靜脈血栓的感興趣區域中提取出初步的影像組學特征，其中，預設的特征類型包括形狀特征、強度特征、紋理特征和小波特征；

采用特征選擇法對初步的影像組學特征進行篩選，得到最終的影像組學特征。

4.根據權利要求3所述的基于機器學習的下肢深靜脈血栓溶栓療效預測方法，其特征在于：所述采用特征選擇法對初步的影像組學特征進行篩選，得到最終的影像組學特征這一步驟，具體包括：

根據血栓溶栓的臨床治療效果金標準構建正樣本標簽和負樣本標簽；

判斷正樣本標簽的特征與負樣本標簽的特征是否符合正態分布要求，若是，則執行下一步驟，反之，則采用曼-惠特尼U檢驗法篩選出最終的影像組學特征；

判斷正樣本標簽的特征與負樣本標簽的特征是否符合方差齊次要求，若是，則采用雙樣本T參數校驗法篩選出最終的影像組學特征，反之，則采用Welch's T檢驗法篩選出最終的影像組學特征。

5.根據權利要求1所述的基于機器學習的下肢深靜脈血栓溶栓療效預測方法，其特征在于：所述根據影像組學特征提取的結果采用機器學習的方法進行下肢深靜脈血栓溶栓療效預測這一步驟，具體包括：

根據影像組學特征提取的結果和訓練樣本采用邏輯斯蒂回歸分類法來構建下肢深靜脈血栓溶栓療效三分類預測模型；所述下肢深靜脈血栓溶栓療效預測三分類模型的預測結果包括不好、一般和好，其中，不好對應操作醫師對患肢血栓溶解前后進行下肢靜脈造影評估的療效評分為0-0.5，一般對應操作醫師對患肢血栓溶解前后進行下肢靜脈造影評估的療效評分為0.5-0.99，好對應操作醫師對患肢血栓溶解前后進行下肢靜脈造影評估的療效評分為1.0；

采用下肢深靜脈血栓溶栓療效三分類預測模型對待預測的樣本進行預測，得到下肢深靜脈血栓溶栓療效預測的結果。

6.根據權利要求5所述的基于機器學習的下肢深靜脈血栓溶栓療效預測方法，其特征在于：所述根據影像組學特征提取的結果和訓練樣本采用邏輯斯蒂回歸分類法來構建下肢深靜脈血栓溶栓療效三分類預測模型這一步驟，具體包括：

根據影像組學特征提取的結果采用邏輯斯蒂回歸分類法對所有訓練樣本進行第一次劃分，得到療效預測結果為不好的樣本和療效預測結果為待定的樣本；

采用邏輯斯蒂回歸分類法對療效預測結果為待定的樣本進行第二次劃分，得到療效預測結果為一般的樣本和療效預測結果為好的樣本；

根據療效預測結果為不好的樣本、療效預測結果為一般的樣本和療效預測結果為好的樣本得到下肢深靜脈血栓溶栓療效三分類預測模型。

7.基于機器學習的下肢深靜脈血栓溶栓療效預測系統，其特征在于：包括：

感興趣區域獲取模塊，用于從MRI圖像中得到下肢深靜脈血栓的感興趣區域；

特征提取模塊，用于對下肢深靜脈血栓的感興趣區域進行影像組學特征提取；

療效預測模塊，用于根據影像組學特征提取的結果采用機器學習的方法進行下肢深靜脈血栓溶栓療效預測。