[发明专利]胰腺增强CT图像分类方法、电子设备、介质及系统

说明书

本申请提供了一种胰腺增强CT图像分类方法、电子设备、介质及系统，方法包括，采集胰腺增强CT图像并标记肿块区域；记录所述肿块区域的影像学参数，得到影像学参数数据集；提取所述肿块区域的影像组学特征，得到肿块组学参数数据集，对于所述肿块组学参数数据集进行特征筛选，选取目标特征，计算组学分值；根据所述影像学参数数据集和所述组学分值构建模型；根据所述模型对所述胰腺增强CT图像分类。该方法可以提高利用影像学对MFCP和PDAC分类的准确性。

技术领域

本发明涉及医学图像处理领域，特别涉及一种胰腺增强CT图像分类方法、电子设备、介质、系统。

背景技术

肿块型慢性胰腺炎和胰腺导管腺癌在临床表现、危险因素、影像学特征、和实验室结果等方面类似，因此区分它们具有一定的难度。通过医学影像技术来区分肿块型慢性胰腺炎和胰腺导管腺癌具有较佳的协助诊断功能，但是准确性较低。

在相关技术中，采用双能量计算机断层扫描dual-energy computed tomography，DECT)、灌注CT和磁共振成像(MRI)的扩散加权成像(diffusion-weighted imaging，DWI)来区分MFCP和PDAC。然而，采用上述方法来区分仍然具有挑战性，总体失败率高达25％。此外，DECT、灌注CT和DWI需要特殊的序列，很难被广泛使用。

发明内容

本申请提供了一种胰腺增强CT图像分类方法、电子设备、介质及系统，可以提高利用图像分类的准确性。

本申请的第一方面公开了一种胰腺增强CT图像分类方法，所述方法包括，采集胰腺增强CT图像并标记肿块区域；记录所述肿块区域的影像学参数，得到影像学参数数据集；提取所述肿块区域的影像组学特征，得到肿块组学参数数据集，对于所述肿块组学参数数据集进行特征筛选，选取目标特征，计算组学分值；根据所述影像学参数数据集和所述组学分值构建模型；根据所述模型对所述胰腺增强CT图像分类。

在上述第一方面的一种可能的实现中，所述特征筛选包括单变量分析、spearman相关性分析及LASSO算法。

在上述第一方面的一种可能的实现中，构建模型包括对所述影像学参数数据集和所述组学分值依次进行单变量回归分析和多变量回归分析。

在上述第一方面的一种可能的实现中，所述方法包括将所述模型可视化为诺模图。

在上述第一方面的一种可能的实现中，将所述胰腺增强CT图像分为训练集和验证集，所述训练集用于构建所述模型，所述验证集用于验证所述模型。

在上述第一方面的一种可能的实现中，根据胰腺增强CT图像的拍摄时间的顺序将所述胰腺增强CT图像分为训练集和验证集。

在上述第一方面的一种可能的实现中，提取所述肿块区域的影像组学特征包括一阶统计量、形状特征、灰度共生矩阵特征、灰度依赖矩阵特征、灰度行程长度矩阵特征、灰度尺度区域矩阵特征和邻域灰度区域差分矩阵特征。

本申请的第二方面公开了一种电子设备，所述设备包括存储有计算机可执行指令的存储器和处理器；当所述指令被所述处理器执行时，使得所述设备实施根据本申请第一方面的所述的胰腺增强CT图像分类方法。

本申请的第三方面公开了一种计算机可读介质，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现本申请第一方面的所述的胰腺增强CT图像分类方法。

本申请的第四方面公开了一种胰腺增强CT图像分类系统，所述系统包括，采集模块，用于采集胰腺增强CT图像并标记肿块区域；第一参数模块，用于记录所述肿块区域的影像学参数，得到影像学参数数据集；第二参数模块，用于提取所述肿块区域的影像组学特征，得到肿块组学参数数据集，对于所述肿块组学参数数据集进行特征筛选，选取目标特征，计算组学分值；构建模块，用于根据所述影像学参数数据集和所述组学分值构建模型；分类模块，用于根据所述模型对所述胰腺增强CT图像分类。