基于CT影像学的肺腺癌STAS判别方法、装置及设备

基于ct影像学的肺腺癌stas判别方法、装置及设备
技术领域
1.本发明涉及医学影像处理技术领域，尤其是涉及一种基于ct影像学的肺腺癌stas判别方法、装置及设备。


背景技术：

2.沿气腔播散(spread through air spaces，stas)是肺癌侵袭转移特有的方式，是i期肺腺癌患者总生存期(overall survival，os)及无病生存期(disease-free survival，dfs)的独立危险因素。stas是早期肺腺癌患者亚肺叶切除术后复发、淋巴结转移的重要危险因素。若术前活检或冰冻切片均未发现stas，可选择亚肺叶切除术；若明确诊断stas，则肺叶切除术为最优选择。而冰冻切片诊断stas的可靠性仍存在争议。
3.随着人工智能技术在医学领域的发展，通过ct影像学技术进行评估并预测stas成为可能。jiang等(jiang c,luo y,yuan j,et al.ct-based radiomics and machine learning to predict spread through air space in lung adenocarcinoma.eur radiol,2020,30(7):4050
–
4057)报道，通过建立基于ct图像的放射组学的随机森林模型，用于术前预测stas，敏感度达88.0％，特异度达58.8％。然而，放射组学需要专门的影像学软件，在放射科繁重的临床工作中实用性不强。li等(li c,jiang c,gong j,et al.a ct-based logistic regression model to predict spread through air space in lung adenocarcinoma quant imaging med surg,2020,10(10):1984
–
1993)报道，通过分析患者ct图像的肿瘤最大径、最大面积、实性成分面积及比值、结节类型、胸膜增厚等因素，建立预测stas的logistic回归模型，验证组auc值为0.692，存在预测效能低的不足。
4.因此，有必要对现有的ct图像处理及判读进行改进，以提高其在肺腺癌stas情况判断的可靠性。


技术实现要素：

5.本发明的目的就是为了克服上述现有技术存在临床实用性不强或预测效能低的问题而提供一种基于ct影像学的肺腺癌stas判别方法、装置及设备。
6.本发明的目的可以通过以下技术方案来实现：
7.一种基于ct影像学的肺腺癌stas判别方法，该方法包括：
8.获取待判别的ct图像，对所述ct图像进行薄层图像重建，获得重建图像；
9.从所述重建图像中提取多个预设特征值；
10.基于所述多个预设特征值及预先获得的logistic回归预测模型获得肺腺癌stas可能性的判别结果；
11.所述logistic回归预测模型依次经单因素分析和多因素分析优化获得。
12.进一步地，所述ct图像扫描范围从胸廓入口水平处到肋膈角下水平处。
13.进一步地，进行所述薄层图像重建时，层厚为1mm。
14.进一步地，对各所述预设特征值进行二进制量化为代入所述logistic回归预测模
型中，基于输出值获得肺腺癌stas可能性的判别结果。
15.进一步地，所述二进制量化包括对连续型变量的量化，具体为：
16.采用受试者操作特征曲线和曲线下面积约登指数绘制选择各连续型变量的最佳阈值点；
17.将大于最佳阈值点的量化为1，将小于或等于最佳阈值点的量化为0。
18.进一步地，所述logistic回归预测模型通过逐步回归分析构建。
19.进一步地，所述预设特征值包括肿瘤最大径、实性百分比、结节类型、卫星病灶、毛刺征、分叶征、胸膜牵拉、支气管截断征和肺门淋巴结肿大中的多个。
20.进一步地，所述预设特征值包括肿瘤最大径、实性百分比、卫星病灶、分叶征和胸膜牵拉；
21.所述logistic回归预测模型表示为：
22.y＝a0+a1x1+a2x2+a3x3+a4x4+a5x523.其中，x1、x2、x3、x4和x5分别为肿瘤最大径、实性百分比、卫星病灶、分叶征和胸膜牵拉的量化值，a0、a1、a2、a3、a4和a5为系数。
24.本发明还提供一种基于ct影像学的肺腺癌stas判别装置，包括：
25.图像获取模块，用于获取待判别的ct图像，对所述ct图像进行薄层图像重建，获得重建图像；
26.特征提供模块，用于从所述重建图像中提取多个预设特征值；
27.判别模块，用于基于所述多个预设特征值及预先获得的logistic回归预测模型获得肺腺癌stas可能性的判别结果；
28.模型构建模块，用于构建所述logistic回归预测模型，该logistic回归预测模型依次经单因素分析和多因素分析优化获得。
29.本发明还提供一种电子设备，包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述基于ct影像学的肺腺癌stas判别方法的指令。
30.与现有技术相比，本发明具有以下有益效果：
31.1、本发明通过单因素分析和多因素分析优化获得判别准确性高的logistic回归预测模型，可靠性高。
32.2、本发明仅通过ct图像的特征提取，即可快速获得肺腺癌stas可能性的判别结果，为后续操作提供可靠依据。
33.3、本发明通过二进制量化方式获得logistic回归预测模型的输入，变量赋值方式简单，实用性强，在临床有较好的应用前景。
附图说明
34.图1为本发明的流程示意图。
具体实施方式
35.下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于
下述的实施例。
36.实施例1
37.本实施例提供一种基于ct影像学的肺腺癌stas判别方法，该方法包括：获取待判别的ct图像，对ct图像进行薄层图像重建，获得重建图像；从重建图像中提取多个预设特征值；基于多个预设特征值及预先获得的logistic回归预测模型获得肺腺癌stas可能性的判别结果。
38.上述方法中，ct图像可采用日立scenaria 64排螺旋ct或西门子sensation 16排螺旋ct扫描获得的图像，图像的扫描范围覆盖从胸廓入口水平处到肋膈角下水平处。在获得ct图像后，使用高分辨率算法进行薄层图像重建，层厚为1mm，并进一步获得预设特征值。
39.logistic回归预测模型依次经单因素分析和多因素分析优化获得。具体地，本实施例将年龄、性别、吸烟史等一般特征、临床病理指标及ct影像学特征等多个变量纳入logistic回归单因素及多因素分析中，并采用逐步回归分析，获得最优的logistic回归模型。本实施例的logistic回归预测模型的构建过程如下：
40.1、数据集构建。
41.以现有肺腺癌患者的临床病理资料为基础，对临床病理资料进行预处理，获得可使用的历史ct图像。预处理包括不符合条件的图像的排除，排除标准包括：(1)术前接受新辅助治疗；(2)同时患有其他原发恶性肿瘤；(3)术前无胸部薄层ct平扫或重建资料；(4)ct扫描时间与手术间隔时间超过1个月。
42.对最终获得的可使用的历史ct图像按7:3的比例随机分为2组，其中训练组197例，验证组85例。
43.2、单因素分析。
44.分析的因素包括：(1)肿瘤最大径(mm)；(2)实性百分比；(3)结节类型(磨玻璃结节、实性结节)；(4)病灶边界(清晰、模糊)；(5)有无卫星病灶；(6)有无钙化；(7)毛刺征；(8)分叶征；(9)胸膜牵拉；(10)胸膜增厚；(11)支气管截断征；(12)肺门淋巴结有无增大；(13)纵隔淋巴结有无增大；(14)有无肺内多发结节。
45.对上述各因素进行二进制量化处理，其中，将肿瘤最大径及实性百分比等连续型变量转换为二分类变量的过程为：采用受试者操作特征曲线(receiver operating characteristic curve，roc)、曲线下面积(area under curve，auc)约登指数绘制选择最佳阈值点，将大于最佳阈值点的量化为1，将小于或等于最佳阈值点的量化为0。
46.采用单因素分析将训练组纳入的全部变量进行筛选，对结果有统计学差异的变量采用多因素logistic回归分析，筛选肺腺癌发生stas的独立危险因素；采用逐步回归分析，获得最优的logistic回归模型。
47.3、多因素分析。
48.单因素分析结果显示，患者的肿瘤最大径、实性百分比、结节类型、卫星病灶、毛刺征、分叶征、胸膜牵拉、支气管截断征及肺门淋巴结肿大等9个指标在stas阳性和stas阴性组间差异均有统计学意义(p《0.05)。随后将这些指标纳入logistic回归多因素分析中，并采用逐步回归分析，获得最优的logistic回归模型。
49.根据构建的logistic回归模型中的各个变量的回归系数β值，来计算各对应变量的分值，并计算各变量的总得分；对训练组进行roc曲线分析，利用约登指数确定诊断公式
的最佳阈值点，此时的诊断效能最强；通过“rms”r软件包作列线图，将预测模型可视化；采用auc、敏感度、特异度、阳性预测值、阴性预测值及效能矫正曲线来评估术前预测模型在训练组的效能。
50.通过在训练组中进行内部验证(绘制预测模型的效能矫正曲线)，在验证组中进行外部验证(roc曲线评估预测模型在验证组的预测能力，并绘制预测模型的效能矫正曲线)，依据auc值判断本模型的诊断效能。
51.本实施例最终采用的预设特征值包括肿瘤最大径、实性百分比、卫星病灶、分叶征和胸膜牵拉；logistic回归预测模型表示为：
52.y＝a0+a1x1+a2x2+a3x3+a4x4+a5x553.其中，x1、x2、x3、x4和x5分别为肿瘤最大径、实性百分比、卫星病灶、分叶征和胸膜牵拉的量化值，a0、a1、a2、a3、a4和a5为系数。
54.在某个具体实施方式中，预测模型的变量赋值方式详见表1，具体公式如下：
55.y＝-7.131+1.045x1+3.408x2+2.468x3+3.322x4+1.357x556.表1预测模型的变量赋值方式
[0057][0058]
y得分》-0.3，预测为stas阳性，y得分《-0.3，预测为stas阴性。
[0059]
上述模型经验证组验证后，auc值为0.854，优于文献报道的模型，表明本模型的诊断效能良好。
[0060]
上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0061]
实施例2
[0062]
本实施例提供一种基于ct影像学的肺腺癌stas判别装置，包括图像获取模块、特征提供模块、判别模块和模型构建模块，其中，图像获取模块用于获取待判别的ct图像，对ct图像进行薄层图像重建，获得重建图像；特征提供模块用于从重建图像中提取多个预设特征值；判别模块用于基于多个预设特征值及预先获得的logistic回归预测模型获得肺腺癌stas可能性的判别结果；模型构建模块用于构建logistic回归预测模型，该logistic回归预测模型依次经单因素分析和多因素分析优化获得。模型构建模块构建logistic回归预测模型的过程如实施例1所述。
[0063]
实施例3
[0064]
本实施例提供一种电子设备，包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，一个或多个程序包括用于执行如实施例1所述的基于ct影像学的肺腺癌stas判别方法的指令。
[0065]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。