一种用于新型冠状病毒感染分级的特征提取方法和系统

技术领域

本发明属于医学图像处理技术领域，具体涉及一种用于新型冠状病毒感染分级的特征提取方法和系统。

背景技术

尽管逆转录聚合酶链反应(RT-PCR)是COVID-19诊断的金标准，但依然存在许多现实问题。首先，RT-PCR检测灵敏度较低，因为实验室误差或检测标本病毒载量低会影响结果。此外，RT-PCR检测试剂盒在一些发展中国家供应不足。因此，在一些国家，胸部X光片和CT图像被用作一线调查和患者管理工具。特别是胸部CT图像可以清晰显示早期病变，如果放射科医生有足够的诊断经验，可以达到较高灵敏度。因此，胸部CT在诊断COVID-19阳性病例和确认肺炎严重程度方面发挥着重要作用，在许多流行地区甚至被视为必不可少的工具。

为了实现更快、更准确地检查，许多基于深度学习和影像组学的人工智能技术被开发出来，用于从CT图像中自动检测和定量分析肺炎病变。例如，“CN112037218B一种基于CT影像的新型冠状病毒感染量化分析方法”，该文献的技术方案是利用机器学习模型，以CT影像为输入，通过量化打分对是否患有新型冠状病毒感染进行诊断。除了发现病变外，评估新型冠状病毒感染的病变分级对感染患者的分级管理和治疗也非常重要。因此，设计出基于胸部CT图像的新型冠状病毒感染病变分级智能诊断系统及方法对于临床早期诊断和早期治疗具有重要的意义。然而，对于机器学习而言，不同的任务需要使用不同的模型和输入特征才能够取得最佳的预测性能，而目前对于新型冠状病毒感染的病变分级(根据临床金标准进行轻度、中度或重度的分级)的机器学习方法尚缺乏相关技术研究。因而，针对新型冠状病毒感染的病变分级任务，如何获得相关输入特征，从而实现高性能的病变分级模型仍然是本领域亟需解决的问题。

发明内容

针对现有技术中存在的问题，本发明提供一种用于新型冠状病毒感染分级的特征提取方法和系统，目的在于提供用于新型冠状病毒感染分级的CT图像特征提取方法，实现新型冠状病毒感染的智能分级。

一种用于新型冠状病毒感染分级的CT图像特征提取方法，包括如下步骤：

步骤1，输入胸部CT图像数据，分割得到肺炎病变区域；

步骤2，从所述区域中分别同时提取基于不同小波变换的8种分解模式下的影像组学特征；

步骤3，将步骤2得到的影像组学特征分别进行特征筛选、机器学习建模和模型比较，得到用于输入新型冠状病毒感染病变分级模型的特征数据集；

其中，所述小波变换包括哈尔小波、多贝西小波、Symlet小波、Coiflet小波、双正交小波、反向双正交小波和Dmeyer小波；

所述分解模式包括LLH、LHL、LHH、HLL、HLH、HHL、HHH和LLL。

本发明采用23种小波变换和所述8种分解模式，最终共184种小波变换模式如下表所示：

优选的，步骤1中，所述肺炎病变区域的分割通过ITK-SNAP工具实现。

优选的，步骤2中，所述小波变换和影像组学特征的提取通过PyRadiomics工具实现。

优选的，步骤2中，得到的影像组学特征包括22个灰度共生矩阵特征、16个灰度运行长度矩阵特征、16个灰度大小区域矩阵特征、14个灰度依赖矩阵特征和5个邻域灰度差矩阵特征。

优选的，步骤3中，所述特征筛选采用BorutaShap算法实现，所述机器学习建模基于随机森林算法进行模型构建，所述模型比较基于ROC曲线实现。

优选的，步骤3中，用于输入新型冠状病毒感染病变分级模型的特征数据集包括分解模型是为LLL模式的影像组学特征。

优选的，步骤3中，用于输入新型冠状病毒感染病变分级模型的特征数据集包括双正交1.1小波的LLL模式下的如下影像组学特征：

本发明还提供一种用于新型冠状病毒感染分级的系统，包括：

CT图像获取和存储模块，用于CT图像数据的获取和数据存储；

小波变换影像组学特征提取模块，用于按照上述方法获得用于输入新型冠状病毒感染病变分级模型的特征数据集；

新型冠状病毒感染病变分级诊断模块，用于学习所述特征数据集，实现新型冠状病毒感染病变分级的智能诊断。

优选的，新型冠状病毒感染病变分级诊断模块中，用于实现新型冠状病毒感染病变分级的机器学习模型采用随机森林算法构建。

本发明还提供一种计算机可读存储介质，其上存储有用于实现上述特征提取方法的计算机程序，或用于实现上述用于新型冠状病毒感染分级的系统的计算机程序。

本发明中，所述“新型冠状病毒感染分级”是根据华西医院临床医师的临床经验总结，按照临床金标准将新型冠状病毒感染严重程度分为轻度、中度和重度。简而言之，具有散在磨玻璃结节的病变被分级为轻度，而具有连续或大面积磨玻璃结节的高密度病变被分级为中度或重度；仅具有连续磨玻璃结节的病变被评为中度，而具有连续磨玻璃结节、区域纹理光滑和高CT值的病变被评为重度。

本发明基于小波变换影像组学分析，实现了基于胸部CT图像的新型冠状病毒感染特征提取和病变分级智能诊断。通过小波变换和优化特征的提取方式和模型的算法，本发明对新型冠状病毒感染病变分级的准确性有效提升，能够满足临床的应用需求，可以帮助解决不同医院和医生之间的诊断差异，降低患者的诊断成本，为该类疾病的早期诊断和早期治疗提供技术支持。考虑到新型冠状病毒感染目前仍处于全球大流行状态，因此，本发明在大部分地区具有很好的应用前景。

显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。

以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。

附图说明

图1为本发明实施例1的流程示意图。

图2为本发明实验例1中新型冠状病毒感染病变分级模型的诊断性能。

图3为本发明实验例1中184种不同小波变换影像组学模型的AUC比较结果。

具体实施方式

需要特别说明的是，实施例中未具体说明的数据采集、传输、储存和处理等步骤的算法，以及未具体说明的硬件结构、电路连接等均可通过现有技术已公开的内容实现。

实施例1用于新型冠状病毒感染病变分级的特征集构建并利用得到的特征集进行新型冠状病毒感染病变分级的方法

如图1所示，本实施例提供了一种基于小波变换影像组学的新型冠状病毒感染CT图像特征提取与病变分级方法，包括：

S1，收集和构建新型冠状病毒感染胸部CT数据库，由经验丰富的医师完成肺炎病变区域的手工分割，以及病变的分级诊断；根据不同的数据中心，将数据集分为训练集和测试集；

具体的，所构建的多中心胸部CT数据库，来自16家医院中心，有111位患者的187个病灶；来自9家中心的72位患者的127个病灶作为训练集，7家中心的39位患者的60个病灶作为测试集；肺炎区域分割分别由两位5年以上工作经验的放射科医生通过ITK-SNAP工具手动分割，并由一位10年以上工作经验的放射科医生进行分割结果的确认和校正。

S2，分别同时提取基于23种小波变换的8种分解模式下的影像组学特征；

本发明采用23种小波变换和所述8种分解模式，最终共184种小波变换模式如下表所示：

具体包括如下步骤：

S21，23种小波变换和影像组学特征的提取是基于PyRadiomics工具实现；

S22，所实施的小波变换包括哈尔小波、多贝西小波、Symlet小波、Coiflet小波、双正交小波、反向双正交小波和Dmeyer小波；

S23，所实施小波变换的8种分解模式包括LLH、LHL、LHH、HLL、HLH、HHL、HHH和LLL；

S24，基于不同小波变换后的肺炎病变区域，所提取的影像组学特征包括22个灰度共生矩阵特征、16个灰度运行长度矩阵特征、16个灰度大小区域矩阵特征、14个灰度依赖矩阵特征和5个邻域灰度差矩阵特征。

S3，将184组小波变换影像组学特征集分别进行特征筛选、机器学习建模和模型比较，得到用于输入新型冠状病毒感染病变分级模型的特征数据集；

具体包括如下步骤：

S31，所实施的机器学习建模方法为基于BorutaShap算法进行特征筛选，基于随机森林算法进行模型构建，基于ROC曲线进行模型比较；

S32，经过不同模型比较，新型冠状病毒感染病变分级模型最终由双正交1.1小波的LLL模式下的影像组学特征构建而成。

最终构建的基于双正交1.1小波的LLL模式下影像组学特征集为：

/>

其中，相关系数采用斯皮尔曼双侧检验得到。

S4，学习构建的小波变换影像组学特征数据集，采用随机森林算法构建新型冠状病毒感染病变分级模型。最终得到的新型冠状病毒感染病变分级模型的诊断性能如图2所示，在训练集中模型的AUC为0.97，在测试集中的AUC为0.91。这表明本实施例的诊断性能优秀。

本实施例中，23种小波变换下8种分解模式，共计184种不同小波变换影像组学模型的AUC比较结果如图3所示。从图中可以看到分解模式为LLL的模型整体性能都较好。其中，AUC最高的点bior 1.1LLL即双正交1.1小波的LLL模型，这表明双正交1.1小波的LLL模型具有最佳的预测性能。

实施例2用于新型冠状病毒感染病变分级的诊断系统

本实施例提供了一种基于小波变换影像组学的新型冠状病毒感染病变分级系统，包括：

CT图像获取和存储模块，用于CT图像数据的获取和数据存储；

小波变换影像组学特征提取模块，用于按照实施例1的方法获得用于输入新型冠状病毒感染病变分级模型的特征数据集；

新型冠状病毒感染病变分级诊断模块，用于学习所述特征数据集，实现新型冠状病毒感染病变分级的智能诊断。

通过上述实施例可以看到，本发明通过对特征提取方法和模型的优化，实现了对新型冠状病毒感染病变分级的准确性有效提升，在临床上具有很好的应用前景。