[发明专利]一种基于影像组学的前列腺癌预测系统及构建方法

权利要求书

1.一种基于影像组学的前列腺癌预测系统，其特征在于，包括：采集模块、标注模块、特征提取模块、特征筛选模块、预测模型构建模块、评价模块和预测模块；

所述采集模块，用于采集前列腺患者的前列腺影像序列；

所述标注模块，用于对前列腺影像序列的前列腺区域进行ROI标注；

所述特征提取模块，用于对ROI标注后的前列腺影像序列进行特征提取；

所述特征筛选模块，用于对提取的特征进行zero-mean标准化，再通过非负特征的卡方统计方式筛选出前列腺影像序列的重要特征；

所述预测模型构建模块，用于通过前列腺影像序列的重要特征的数据，基于随机森林、XGBoost，朴素贝叶斯、k最近邻、支持向量机、逻辑回归、决策树和adaboost分别构建前列腺癌预测模型；

所述评价模块，用于计算分别构建的前列腺癌预测模型的评价指标，采用评价指标最优的模型作为最后的前列腺癌预测模型；

所述预测模块，用于基于所述最后的前列腺癌预测模型对待测者前列腺影像序列的重要特征进行评估，预测待测者的前列腺癌风险。

2.根据权利要求1所述的基于影像组学的前列腺癌预测系统，其特征在于，所述前列腺影像序列的重要特征包括最短短轴、冠状面最大2D两点距、矢状面最大2d两点距、最大3D两点距、最长短轴、体表面积、体表面积与体积比、3mm长度非均匀性、5mm长度非均匀性和/或灰度级非均匀性。

3.根据权利要求1所述的基于影像组学的前列腺癌预测系统，其特征在于，所述标注模块中，采用3DUNET分割模型对前列腺影像序列的前列腺区域进行ROI标注；所述3DUNET分割模型包括：

输入层，输入前列腺3D图像；

编码层，每层包含两个3×3×3卷积，卷积后使用BN+ReLU激活函数，通过卷积得到特征图，然后再利用2×2×2最大池化，卷积核移动步长为2的最大池化层进行下采样；

解码层，每层具有一个2×2×2的上卷积操作，卷积核移动步长为2，对特征图进行上采样，得到与原图一样长宽的特征热图，在每次上采样后使用2个3x3x3的卷积进行卷积操作，使用BN+ReLU激活函数，解码每层的特征热图；

跳跃连接，用于将编码层中相同分辨率的层传递到解码路径，为解码层提供高分辨率的特征；

所述3DUNET分割模型采用加权softmax损失函数。

4.根据权利要求1所述的基于影像组学的前列腺癌预测系统，其特征在于，所述对ROI标注后的前列腺影像序列进行特征提取，包括：对ROI标注后的前列腺影像序列进行重采样和强度变换后，采用pyradiomics提取一阶特征、2d3d形状特征、灰度共生矩阵、灰度大小区域矩阵、灰度游程长度矩阵、灰度色调差异矩阵和灰度依赖矩阵，再采用不同滤波器对图片进行处理后，重新提取特征。

5.根据权利要求1所述的基于影像组学的前列腺癌预测系统，其特征在于，所述随机森林的模型超参数为n_estimators=100,criterion=gini,max_depth=None,random_state=42；所述XGBoost的模型超参数为learing_rate=0.1，n_estimators =100，max_depth=6；所述朴素贝叶斯的模型超参数为var_smoothing=1e-9；所述k最近邻的模型超参数为neighbors=2,weights=uniform,leaf_size=30；所述支持向量机的模型超参数为C=1.0,kernel=rbf, degree=3, gamma=auto, coef0=0.0；所述逻辑回归的模型超参数为penalty=l2,tol=1e-4,c=1.0,intercept_scaling=1；所述决策树的模型超参数为learing_rate=0.1,n_estimators =100，max_depth=6,min_samples_leaf=1；所述adaboost的模型超参数为learing_rate=0.1,n_estimators =100，max_depth=6,min_samples_leaf=1。