CN114267434B 一种基于影像组学的癌患者肿瘤图像勾画方法 （西南医科大学附属医院）

一种基于影像组学的癌患者肿瘤图像勾画本发明提出了一种基于影像组学的癌患者取大量影像信息，实现肿瘤特征提取与模型建习方法勾画准确度仍高度依赖勾画人员经验的2步骤4：将使用单变量筛选后的影像组学特征采用交叉验证的方法进行LASSO逻辑回3将单变量筛选的影像组学特征输入到步骤4初步的LASSO逻辑回归模4.如权利要求1或2或3所述的一种基于影像组学的癌患者肿瘤图像勾画方法，其特征计算LASSO逻辑回归筛选变量后的逻辑回归模型自变量的设定方差膨胀因子阈值，将方差膨胀因子VIF大于方差膨胀因子阈值的影像组学特征7.如权利要求1或2或3所述的一种基于影像组学的癌患者肿瘤图像勾画方法，其特征述步骤2中，还要对提取得到关于肿瘤区域的影像组学特征和非肿瘤区域的影像组学特征4画精准度明显降低。基于深度学习的自动勾画技术可以从图像中提取更加复杂的层次特5[0008]步骤3：对肿瘤区域的影像组学特征和非肿瘤区域的影像组学特征进行单变量筛[0009]步骤4：使用单变量筛选后的影像组学特征进行用于建立二元逻辑回归模型的影将LASSO回归模型中的线性回归替代为逻辑回归来挑选二肿瘤区域的影像组学标记物，并应用在后续实际对肿瘤区域和非肿瘤区域的标记与勾画[0012]将简单线性回归的响应归一化到0和1，并将LASSO回归模型中的线性回归替代为[0015]将单变量筛选的影像组学特征输入到步骤4初步的LASSO逻辑回归模型中，计算[0019]其中P为GTV为阳性的概率，logitP=log[P/(1-P)]；P=1/[1+exp(-64筛选出的用于建立二元逻辑回归模型的影像组学特征进行模型共线性检测，通过模型共i为自变量对其余自变量作回归分析的负相关系数；方差膨胀因子VIF越[0032]设定方差膨胀因子阈值，将方差膨胀因子VIF大于方差膨胀因子阈值的影像组学的影像组学特征和非肿瘤区域的影像组学特7[0044]为了更清楚地说明本发明实施例的技术方案，下面将结合本发明实施例中的附[0050]步骤3：对肿瘤区域的影像组学特征和非肿瘤区域的影像组学特征进行单变量筛[0051]步骤4：使用单变量筛选后的影像组学特征进行用于建立二元逻辑回归模型的影将LASSO回归模型中的线性回归替代为逻辑回归来挑选二肿瘤区域的影像组学标记物，并应用在后续实际对肿瘤区域和非肿瘤区域的标记与勾画8的面积。ROC曲线全称为受试者工作特征曲线（receiveroperatingcharacteristicLASSO回归模型中的线性回归替代为逻辑回归来挑选二元分类的特征。LASSO逻辑回归优[0061]计算LASSO逻辑回归筛选变量后的逻辑回归模型自变量方差膨胀因子（VIFVIF差与假设自变量间不线性相关时方差相比的比值。一般认为VIF大于5时即存在多重共线[0067]绘制出模型的ROC曲线并计算出该模型的AUC值。利用ROC曲线各个点对应的敏感9[0073]其中P为GTV为阳性的概率，logitP=log[P/(1-P)]；P=1/[1+exp(-值作为分类肿瘤区域的影像组学标记物。P值大于Cutoff值时认为该网格是肿瘤区域;小[0082]对于LASSO逻辑回归变量筛选，lambda为0.0108（lambda.min）时，模型偏差征自变量的方差膨胀因子VIF。重共线性，将影像组学特征降至6个后共线性有很大程度的改善，但仍不能避免由于exponential_glrlm_ShortRunHighGrayLevelEmphasis的存在而可能引起的共线性，故删