[發(fā)明專利]基于機器學(xué)習(xí)的MR圖像腦腫瘤檢測方法和系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202011263480.2
• 申請日: 2020-11-12
• 公開（公告）號: CN112419247B
• 公開（公告）日: 2022-03-18
• 發(fā)明（設(shè)計）人: 宋志堅;史勇紅;陳嘉懿
• 申請（專利權(quán)）人: 復(fù)旦大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/33;G06K9/62;G06V10/764;G06V10/80
• 代理公司: 上海正旦專利代理有限公司 31200
• 代理人: 陸飛;陸尤

1.一種基于機器學(xué)習(xí)的MR圖像腦腫瘤檢測方法，是針對單發(fā)性腦轉(zhuǎn)移瘤和膠質(zhì)瘤，基于臨床常規(guī)多模態(tài)MR診斷影像，包括DWI、T1、T2和FLAIR；其特征在于，具體步驟為：

(一)圖像預(yù)處理

膠質(zhì)瘤和腦轉(zhuǎn)移瘤磁共振影像數(shù)據(jù)來自于GE 3T的磁共振成像系統(tǒng)；圖像預(yù)處理包括：

(1)使用ANTs-N4對所有圖像進行偏置場矯正；

(2)使用FSL-FLIRT對每個患者的四個模態(tài)數(shù)據(jù)進行配準，即將T2，DWI，T2-FLAIR這三個模態(tài)數(shù)據(jù)均配準到T1上；

(3)使用FSL-BET對每個患者的DWI數(shù)據(jù)進行顱骨非腦組織去除；同時獲得每個患者的腦組織掩膜；用所獲得的掩膜去除其余三個模態(tài)的非腦組織；

(4)對所有圖像進行表觀歸一化處理，即將所有圖像的灰度直方圖匹配到第一個數(shù)據(jù)的灰度直方圖分布上；

(5)將圖像灰度級線性映射到[0,255]區(qū)間內(nèi)；

(二)進行基于灰度共生矩陣的三維特征提取

對于一個受試樣本腫瘤區(qū)域四個模態(tài)：DWI、T1、T2、T2-FLAIR的3D腦MR圖像，從中提取和計算所得的192維特征；特征計算過程由以下幾部分組成：

設(shè)3D體數(shù)據(jù)大小為M×N×H，在H層橫斷面、M層矢狀面和N層冠狀面上，分別計算每個2D圖像的灰度共生矩陣P(i,j)，其中，參數(shù)：像素對距離d選取1，角度θ選取0°、45°、90°、135°；計算四種不相關(guān)的特征：對比度Con、相關(guān)性Cor、能量Ene和同質(zhì)性Hom，具體計算公式如下：

對比度：Con＝∑_i∑_j(i-j)²P(i,j), (1)

相關(guān)性：

能量：Ene＝∑_i∑_jP(i,j)², (3)

同質(zhì)性：

其中：

μ_i＝∑_i∑_ji·P(i,j), (5)

μ_j＝∑_i∑_jj·P(i,j), (6)

于是，每個2D圖像的對比度計算為[Con_0°,Con_45°,Con_90°,Con_135°]，以此類推，計算得到相關(guān)性、能量和同質(zhì)性特征；這樣每個2D圖像計算出來的特征F_slice為4×4＝16維，即：

沿著3D圖像的橫斷面、矢狀面、冠狀面三個方向遍歷整個圖像，分別得到H層、M層、N層2D圖像；在橫斷面的H層2D圖像共計算出H個16維特征，取這H層的平均值作為整個橫斷面的特征：

以此類推，求得矢狀面和冠狀面特征，分別表示為：

每個模態(tài)的3D圖像特征由橫斷面、矢狀面、冠狀面方向的特征組合而成，共得到16×3＝48維特征；即：

DWI模態(tài)的特征為：

T1模態(tài)的特征為：

T2模態(tài)的特征為：

T2-FLAIR模態(tài)的特征為：

每個患者的數(shù)據(jù)由四個模態(tài)組成；每個患者共4×48＝192維特征：

F_patient＝[F_DWI,F_T1,F_T2,F_FLAIR]； (16)

(三)特征秩融合

在特征提取后，使用Pearson相關(guān)系數(shù)觀察不同模態(tài)、不同方向特征之間的相關(guān)性；

對所有特征使用曼-惠特尼U檢驗來觀察該特征是否在單發(fā)性腦轉(zhuǎn)移瘤和膠質(zhì)瘤上存在顯著差異，將所有特征按p值從小到大排序，即差異顯著程度從大到小排序；如果一個特征在兩類腦腫瘤上差異非常顯著，那么該特征是一個可以用來區(qū)分這兩類腦腫瘤的有效特征；選取前20個特征用于后續(xù)分類；

(四)分類器的訓(xùn)練

分類器的訓(xùn)練過程如下：

在訓(xùn)練階段，每次從整個數(shù)據(jù)集中隨機選取一部分作為該次的訓(xùn)練集，訓(xùn)練一個分類器，該分類器僅用于預(yù)測該次未在模型訓(xùn)練時選取的數(shù)據(jù)；重復(fù)若干次后，直到全部數(shù)據(jù)都輪流做過訓(xùn)練集，得到若干個相互獨立的分類器；數(shù)據(jù)x最后的分類結(jié)果Prob_x計算公式如下:

設(shè)數(shù)據(jù)集為X，對于任意的一個樣本x，

其中，k_x為樣本x在測試集中出現(xiàn)的次數(shù),Loop_i表示第i輪訓(xùn)練與測試；評估模型指標均由所有數(shù)據(jù)的Prob_x計算；

在臨床應(yīng)用階段，不用重新集成，將其作為外部測試集分別送入若干個分類器進行分類，最后結(jié)果由各分類器投票決定。