[發明專利]結合全局加權LBP和紋理分析的癌癥預后模型構建方法

有效

• 申請號: 202010109747.6
• 申請日: 2020-02-22
• 公開（公告）號: CN111340770B
• 公開（公告）日: 2020-11-24
• 發明（設計）人: 王彬;閻婷;王卿宇;相潔
• 申請（專利權）人: 太原理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/44;G06K9/62;G16H50/50
• 代理公司: 成都東恒知盛知識產權代理事務所(特殊普通合伙) 51304
• 代理人: 何健雄;廖祥文

本發明公開一種結合全局加權LBP和紋理分析的癌癥預后模型構建方法，包括以下步驟:獲取癌癥患者的原始術前CT影像數據、病灶部位的標記以及生存資料；對原始CT數據計算三維的全局加權LBP，重構成新的影像數據，即全局加權LBP數據；對于得到的全局加權LBP數據，使用GLSZM紋理分析提取紋理特征；本發明方法所提取的紋理分析特征更加突出患者的腫瘤特點，預后模型構建結果更有效；利用GLSZM表征紋理特征，在紋理一致性、旋轉不變性、非周期性方面效果顯著，在對細胞核和CT影像紋理方面比共生矩陣、行程矩陣有更好的性能。

技術領域

本發明屬于計算機醫學圖像信息處理技術領域，尤其涉及結合全局加權LBP和紋理分析的癌癥預后模型構建方法。

背景技術

CT作為使用最廣泛的成像方式普遍用于癌癥患者術前診斷，但由于病灶部位的對比分辨率差，因此難以區分CT中不同的組織層。由于人工分析方法具有很強的主觀性，不同的醫生在相同的客觀條件下在人工評分上具有較大的不一致性。人工分析除了容易受主觀和環境因素的影響之外，這個過程也是十分耗時費力的，人力代價很高。近年來影像組學成為一種前沿學科方向。其中紋理分析成為一種重要的視覺底層特征，通過計算來描述區域的稀疏和規則等一些特性，可以提供病灶特征的定量測量。目前基于統計紋理分析的計算機輔助診斷是常見的特征提取方法。例如，基于灰度直方圖、灰度共生矩陣等方法提取腫瘤區域的紋理特征。通過基于癌癥患者CT影像的紋理特征的預后模型可以彌補人工分析的缺陷，不僅能為醫生提供準確客觀的預后模型構建結果，而且也可以減少醫生的工作量從而極大地提高醫生的工作效率。

腫瘤紋理結構復雜多變，傳統的統計紋理特征并不能很好的解決腫瘤的表征與識別。今年來，研究者不斷開拓新的紋理特征提取方法，如小波、Gobar等方法與統計紋理分析，提取高維紋理特征。結合局部二值模式(LBP)是基于提取局部原語或基元并通過直方圖測量其分布的方法，它具有灰度不變和旋轉不變性等顯著優點，但是在紋理分類上的準確率較低，對噪聲的魯棒性也較差。因此，改進LBP算法，并結有效的統計紋理分析將能夠提取到新型的腫瘤紋理特征，更有利于構建準確客觀的輔助診斷模型。

發明內容

針對現有技術的不足，本發明提供一種結合全局加權LBP和紋理分析的癌癥預后模型構建方法。采用加權灰度閾值執行LBP操作，對CT影像計算三維全局加權LBP，然后利用灰度區域大小矩陣(GLSZM)提取紋理分析特征；利用使用鎖套方法(Lasso)篩選有效的預后特征來計算患者的預后分數，最終構建癌癥患者預后的預后模型。

本發明是這樣實現的，一種結合全局加權LBP和紋理分析的癌癥預后模型構建方法，包括以下步驟:

步驟1、獲取癌癥患者的原始術前CT影像數據、病灶部位的標記以及生存資料；

步驟2、對步驟1的原始CT數據計算三維的全局加權LBP，重構成新的影像數據，即全局加權LBP數據；

步驟3、對于步驟2得到的全局加權LBP數據，使用GLSZM紋理分析提取紋理特征；

步驟4、使用鎖套方法(Lasso)對步驟3的得到的紋理特征進行特征選擇，選擇10倍交叉驗證誤差最小時的λ值對應的非零系數特征，作為最重要的預后特征；

步驟5、根據步驟4所選擇的全局加權LBP特征值及其系數權重進行線性擬合，從而得到每位患者的預后分數即預后模型；

所述步驟2中計算CT影像數據的全局加權LBP的具體過程包括：

CT影像數據有一定的噪聲，為增強對噪聲的魯棒性，使用本地體素的平均灰度值，而忽略了特定的灰度值ALG。

ALG表示某一體素的平均局部灰度值，g表示某一體素的灰度值,g_i表示體素的相鄰體素灰度值，即，i＝1，2，3，……，26。