本发明属于医学图像处理，具体涉及一种基于影像组学的肿瘤纯度分布预测方法、装置、储存介质及设备。
背景技术：
1、随着人工智能的发展，基于深度学习的方法被广泛应用于肿瘤的鉴别诊断、治疗方案的选择、分子分型、疗效检测和预后评估等方面，以达到个性化精准医疗。特别是在脑膜瘤、继发性脑肿瘤的鉴别诊断、分级及预后评估，还有脑肿瘤与非肿瘤性病变的鉴别诊断方面的影像组学研究，均获得了较好的准确率、灵敏度、特异性以及auc。
2、大量研究显示实体肿瘤在多个层面上具有时间和空间异质性，基因、肿瘤微环境、蛋白质等因素的空间异质性限制了常规病理活检的概括性，即通过单一位点活检所获得的分子生物学信息难以判断肿瘤其他区域的分子生物学状态。影像组学能够从临床多模态的影像中提取大量的定量特征，同时将这些特征转换为高维数据并加以挖掘，获取它们与相关肿瘤组织学特征的对应关系，进而构建具有空间分辨率的脑肿瘤生物特征图谱，这也将成为影像组学发展的重要方向。
技术实现思路
1、针对上述问题，本发明提供本了一种基于影像组学的肿瘤纯度分布预测方法、装置、储存介质及设备。
2、为实现上述发明目的，本发明采用的技术方案如下。
3、本发明提供了一种预测肿瘤纯度分布模型的构建方法，其特征在于，所述方法具体步骤如下：
4、第一步，数据收集：收集脑胶质瘤患者图像，并对肿瘤中心，边缘，坏死，增强区域进行多点位提取，同时收集患者mri影像的t1、t2、t1ce序列，并在t1ce序列中记录取点信息；
5、第二步，图像预处理：针对第一步中所述t1ce序列，自动读取扫描方向，将扫描方向校正到lps，并进行n4偏场矫正及头部矫正，所述头部矫正主要基于ants实现的t1ce到标准模版（sri-24 atlas）的刚性配准；然后对其他序列进行扫描方向矫正和n4偏场矫正，再采用上述刚性配准将序列配准到t1ce上，实现全序列位置上的一一对应；最后采用人工标注的方法，定位采样点坐标；
6、第三步，构建肿瘤纯度预测模型：首先基于第二步获得的采样点坐标提取体素块的组学特征，针对上述体素块的组学特征选择技术和机器学习技术，应用最佳参数组合进行模型训练，得到最佳预测模型。
7、进一步地，所述第三步构建肿瘤纯度预测模型具体步骤如下：
8、s1）体素块的特征提取：基于第二步获得的采样点坐标，分别以5mm为半径，提取3d体素块，然后基于pyradiomics提取体素块特征3306维特征；其包括glcm（co-occurrence）、glrlm（run length）、glszm（size zone）、gldm（dependence） 、ngtdm（tone difference）及基于灰度分布的统计特征；
9、s2）基于xgboost方法训练模型：基于s1提取的体素3306维组学特征，以体素块纯度为标签，采用xgboost方法、应用最佳参数组合构建肿瘤纯度预测最佳模型；对上述最佳模型进行验证。
10、进一步地，所述s2）基于机器学习方法训练模型具体步骤如下：
11、1）数据集划分：按比例划分数据集训练集、测试集，其中每组实验中正负样本保持一致；
12、2）调参数：应用交叉验证和网格搜索的方法对xgboost进行调参，参数调整顺序如下：n_estimators、min_child_weight、max_depth、gamma、subsample、colsample_bytree、reg_alpha、reg_lambda、learning_rate；其中n_estimators的范围为200～1000，min_child_weight的范围为1～6，max_depth的范围是3～10，gamma范围是0.1~0.6，subsample和colsample_bytree的范围均为0.5～0.9，reg_alpha和reg_lambda的范围均是[0.05,0.1,1,2,3]，learning_rate的范围是[0.01,0.05,0.1,0.2,0.3]，然后选择交叉验证中准确率最高的一组参数构建肿瘤纯度预测最佳模型；
13、3）应用测试集对上述最佳模型进行验证。
14、本发明还提供了一种肿瘤纯度分布预测方法，其特征在于，所述方法包括：采用上述任一项所述的预测肿瘤纯度分布模型的构建方法构建得到最佳预测模型对新样本进行肿瘤纯度分布预测。
15、本发明还提供了一种绘制肿瘤纯度分布图的方法，其特征在于，所述方法具体步骤如下：
16、1）采用人工标注的方法或基于现有分割模型对脑肿瘤区域进行轮廓分割；
17、2）提取肿瘤区域的最小外阶立方体，将立方体按10mm为边长，进行切分；
18、3）再提取分割块提取指定特征，基于上述任一项所述的预测肿瘤纯度分布模型的构建方法构建得到最佳预测模型预测该分割块的肿瘤纯度，从而获取肿瘤区域的肿瘤纯度分布图。
19、本发明还提供了一种肿瘤纯度分布预测装置，其特征在于，所述装置包括：
20、数据收集模块：收集图像，并对肿瘤中心，边缘，坏死，增强区域进行多点位提取，同时收集患者mri影像的t1、t2、t1ce序列，并在t1ce序列中记录取点信息；
21、图像预处理模块：针对第一步中所述t1ce序列，自动读取扫描方向，将扫描方向校正到lps，并进行n4偏场矫正及头部矫正，所述头部矫正主要基于ants实现的t1ce到标准模版（sri-24 atlas）的刚性配准；然后对其他序列进行扫描方向矫正和n4偏场矫正，再采用上述刚性配准将序列配准到t1ce上，实现全序列位置上的一一对应；定位采样点坐标；
22、训练肿瘤纯度预测模型模块：首先基于第二步获得的采样点坐标提取体素块的组学特征，针对上述体素块的组学特征选择技术和机器学习技术，应用最佳参数组合进行模型训练，得到最佳预测模型；
23、结果输出模块：执行上述最佳预测模型对新样本进行预测后的结果输出。
24、进一步地，所述装置还包括绘制肿瘤纯度分布图模块，所述模块执行步骤如下：
25、1）采用人工标注的方法或基于现有分割模型对脑肿瘤区域进行轮廓分割；
26、2）提取肿瘤区域的最小外阶立方体，将立方体按10mm为边长，进行切分；
27、3）再提取分割块提取指定特征，基于上述任一项所述的预测肿瘤纯度分布模型的构建方法构建得到最佳预测模型预测该分割块的肿瘤纯度，从而获取肿瘤区域的肿瘤纯度分布图。
28、本发明还提供了一种模型，其特征在于，所述模型通过执行上述中所述的肿瘤纯度分布预测方法或执行上述中所述绘制肿瘤纯度分布图的方法构建得到。
29、本发明还提供了一种电子设备，包括存储器和处理器，所述存储器存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述所述肿瘤纯度分布预测方法中的步骤或上述所述绘制肿瘤纯度分布图方法中的步骤。
30、本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述所述基于肿瘤纯度分布预测方法中的步骤或上述所述绘制肿瘤纯度分布图方法中的步骤。
31、与现有技术相比本发明的有益效果。
32、本发明首次公开基于肿瘤多点取材的方法，采用体素块的组学特征进行脑肿瘤纯度的预测，从而实现整个肿瘤区域的纯度分布预测，在精度高的情况下，可用来对肿瘤区域进行识别。
33、本发明公开的基于影像组学的肿瘤纯度分布预测方法、装置、储存介质及设备实现自动化、智能化、个体化的整个肿瘤区域的纯度分布预测，大大提高肿瘤区域纯度分布预测精度且节约了时间。
34、本发明公开的模型可针对脑肿瘤区域进行肿瘤纯度分布的预测，及利用该功能实现肿瘤区域的识别功能。