(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210181232.6 (22)申请日 2022.02.25 (71)申请人 西安邮电大 学 地址 710121 陕西省西安市雁塔区长安 南 路563号 (72)发明人 陈皓　陈坤钧　刘洋　 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/80(2022.01) G06V 10/771(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/766(2022.01) G06K 9/62(2022.01) G16H 50/30(2018.01) G06N 20/20(2019.01)G06N 5/00(2006.01) (54)发明名称 基于核磁共振影像的两阶段脑胶质瘤患者 生存期预测方法 (57)摘要 本发明公开了一种基于核磁共振影像数据， 通过两阶段计算机制来实现高阶脑胶质瘤患者 预后生存期预测的方法， 属于计算机视觉和模式 识别领域。 步骤为： 1.构建肿瘤子区域与核磁共 振影像序列之间的匹配组合 关系； 2.通过特征聚 类计算进行特征约减并得到压缩特征向量； 3.借 助压缩特征对64种序列组合进行评估； 4.构建两 阶段预测模型， 首先对患者进行生存阶段二分 类， 然后针对性地采用子预测模 型进行预后生存 天数预测。 本发明通过对影像序列的组合优化， 降低了所使用的特征集规模； 所提出的特征压缩 方法提高了评估效率与准确率； 通过所构建的两 阶段计算模 型， 针对性地处理不同生存阶段的病 例， 克服了单一模型的局限性， 同时提高了整体 的预测准确性。 权利要求书3页 说明书6页 附图3页 CN 114463325 A 2022.05.10 CN 114463325 A 1.一种基于多序列核磁共振影像(Magnetic  Resonance  Imaging， MRI)数据， 通过所设 计的两阶段计算机制实现对高阶脑胶质瘤(High  Grade Glioma， HGG)患者进行预后生存期 预测的方法， 所述方法包括以下步骤： 步骤1： 数据准备， 具体为： 每个患者 的MRI数据包含4种序列类型(T1， T1ce， T2和 Flair)的图像， 图像主要包括肿 瘤病灶的3个子区域， 分别为： 坏死非增强核心区(NET)、 瘤周水肿区(ED)、 增强核心区(ET)； 步骤2： 构建肿瘤子区域与MR影 像序列之间的匹配关系， 具体为： 建立“肿瘤子区域 ‑单一影像序列”匹配关系， 基于此构建64种组合关系， 可表示 为： E＝{Ci|i＝1， 2， ...， 64} 其中， Ci表示一种组合关系， E表示64种组合关系的集 合； 步骤3： 数据集构建， 具体为： 步骤3.1： 提取肿瘤几何特征， 利用OpenCV计算70个描述肿瘤几何特性的特征， 包含体 积、 表面积、 长短轴长度、 三维坐标和球形率 等特征， 构成肿瘤几何特 征集Fgeometric； 步骤3.2： 提取影 像组学特征(一阶特 征和纹理特征)， 具体为： 输入组合关系Ci， 对Ci包含的序列图像进行影像组学特征提取， 分别提取影像 组学特征 680个， 合并NET、 ED、 ET三个子区域的特 征 和 形成影像组学特征集 其中， 为2040(680 *3)维， i表示对应第i种组合关系； 步骤3.3： 特征融合形成特征集合， 首先将临床数据中的年龄作为补充特征， 将影像组 学特征、 肿瘤几何特 征进行融合， 患者特 征数据集 可表示为： 其中Fgeometric表示70维Opencv提取的肿瘤几何特征， Fage表示年龄特征， 包含2111 维特征； 步骤3.4： 输出组合关系 Ci下的患者特征数据集 其中包含n例患者和2111维特征， 重复步骤3.2、 3.3； 步骤4： 肿瘤子区域与MR影 像序列之间的对应关系优化， 具体为： 步骤4.1： 通过基于 K‑means聚类的特征压缩进行特征约减， 输入组合 关系Ci对应的患者 特征数据集 将 划分为2111个特征向量Ωl作为聚类对象， 其中特征向量由n例患 者的特征值组成， 可表示 为： 其中， 表示第m个患者的第l个特 征的特征值， n表示患者数； 步骤4.1.1： 从{Ωl}中随机选择K个特征作为初始聚类中心集 合， 可表达为： {Ψj|j＝1， 2， . ..， K} 其中， K表示聚类后可取得最大轮廓系数所需要的初始聚类中心数目， 可通过重复步骤 4.1计算不同K值下的轮廓系数 得到； 步骤4.1.2： 将特征集{Ωl}中的每个特征进行归属划分， 即按照欧氏距 离将每个特征划 分到与其余子类中心 中距离最小的子类中， 距 离D通过欧式距 离进行计权　利　要　求　书 1/3 页 2 CN 114463325 A 2算， 即 D(Ωl， Ψj)＝||Ωl‑Ψj|| 步骤4.1.3： 更新当前簇类结构， 具体为对子类clusterj使用如下式子计算新的子类中 心Ψj： 其中|subclassj|为子类clusterj中的特征个数， 为子类clusterj中第h、 第t次序的 的特征向量， n 为患者总数； 步骤4.1.4： 重复步骤4.1.2、 4.1.3， 直到 子类中心{Ψj|j＝1， 2， . ..， K}不再发生变化； 步骤4.1.5： 保存最终子类中心{Ψj|j＝1， 2， ...， K}， 最终聚类 结果为一个 K维压缩特征 向量； 步骤4.2重复步骤4.1， 直到i ＝64， 输出压缩特 征向量集合， 可表示 为： CF＝{cfi|i＝1， 2， ...， 64} 其中cfi表示包含K个子类中心的压缩特 征向量， CF表示压缩特 征向量集合； 步骤4.3： 通过压缩特 征向量集合CF进行优化评估， 具体为： 步骤4.3.1： 训练生存阶段二分类模型， 具体为： 此步骤的二分类模型采用SVC(Supp ort Vector Classification)算法， 参数设置为核 函数为Linear， 惩罚系数＝1.0， 最大迭代次数＝10 00； 步骤4.3.2： 生存阶段分类， 将K维压缩特征 向量cfi输入二分类器， 进行长期(生存期＞ 365天)和短期(生存期＜3 65天)两种阶段的分类 计算； 步骤4.3.3： 分类效果评估， 保存短期和长期生存阶段分类的准确率ac curacyi； 步骤4.3.4： 重复步骤4.3.2、 4.3.3， 直至i ＝64； 步骤4.3.5： 根据64组分类效果评估的结果， 得到 具有最高准确率的组合关系Cbest， 即肿 瘤子区域与MR影像序列之间的最佳对应关系为： NET ‑Flair、 ED ‑T1ce、 ET‑T2， 过程可表示 为： argmax(ac curacyi|i＝1， 2， ...， 64)＝Cbest 其中函数argmax()表示准确率 的最大值自变量点集， 即最佳组合关系集， Cbest表示最 佳组合关系； 步骤5： 基于 两阶段计算的生存期预测， 具体为： 步骤5.1： 数据准备， 具体为： 步骤5.1.1： 训练数据， 将组合关系Cbest对应的压缩特征向量cfbest和患者特征数据集进 行合并， 得到特 征集Ftrain， 即用2111+K维特征向量训练预测模型； 步骤5.1.2： 待测数据， 首先， 基于组合关系Cbest， 一个待测患者的MRI数据通过步骤3得 到特征数据集， 然后， 通过步骤4.1得到一个K维压缩特征向量cf， 最后， 合并特征数据集和 压缩特征向量cf得到特 征集Fregression， 即使用21 11+K维特征向量预测生存期； 步骤5.2： 患者 生存阶段划分， 具体为： 步骤5.2.1： 训练生存阶段二 分类模型， 此步骤 通过K维压缩特征向量cfbest进行长期(生 存期＞365天)和短期(生存期＜365天)两种阶段的分类计算， 二分类模型采用SVC(Support  权　利　要　求　书 2/3 页 3 CN 114463325 A 3