一种基于机器学习结合酰胺质子转移成像的直肠癌壁外血管侵犯预测方法及设备

技术领域

本发明涉及机器学习技术领域，尤其涉及一种基于机器学习的直肠癌壁外血管侵犯预测方法、装置、设备、存储介质。

背景技术

直肠癌是常见的消化系统恶性肿瘤，其发病率和致死率呈逐年上升的趋势。国内外多项指南指出，直肠癌的术前精准分期，对其治疗方案和手术方案的选择至关重要。除传统的TNM分期外，直肠癌壁外血管侵犯（extramural vascular invasion，EMVI）越来越受到重视。EMVI定义为肠道肿瘤细胞侵入位于固有肌层以外的血管，是直肠癌的重要预后因素。多项研究显示病理学EMVI 阳性是直肠癌明确的不良预后因素，预示着Dukes分期晚、局部复发和远处转移率高，与TN分期具有等价的预后意义，并与患者总体生存时间密切相关。EMVI作为直肠癌危险度分层指标之一，也被用于筛选适合术前新辅助放化疗的高风险直肠癌，成为直肠癌患者进行新辅助放化疗的重要依据。ESMO和ASTRO指南指出，磁共振发现EMVI（MR-EMVI）阳性者应进行新辅助治疗；MR-EMVI的消退与否，与新辅助放化疗的疗效有关，EMVI阳性患者更依赖于术前放射治疗和化学治疗，并应加强术后监测和治疗。。美国国家综合癌症网络 (NCCN) 临床实践指南主张必须在新辅助治疗前后患者的盆腔 MR 成像报告中描述 EMVI 状态。由此可见，术前准确评估直肠癌EMVI状态对制订治疗策略和改善病人预后具有重要临床意义。

传统上，EMVI状态通过术后病理标本检测，这不利于制定术前治疗计划。高分辨MRI（High Resolution MRI, HR MRI）因其高空间分辨率与软组织分辨率，已成为直肠癌重要的影像评估手段和术前无创评估 EMVI 的首选方式。通过多方位扫描，HR-MRI连续观察血管走行、血管管径、血管边界及管腔内信号强度变化，判断肿瘤是否侵犯血管。直肠癌EMVI阳性者的常见MRI表现为：T2加权成像序列（T2WI）肿瘤侵犯的肠壁周围可见走行迂曲、管壁僵硬，管壁扩张的血管，其内可见肿瘤信号影；弥散加权成像（diffusion weightedimaging, DWI）表现为高信号；增强扫描可见血管内充盈缺损。直肠癌EMVI阴性者的MRI表现为T2WI肿瘤侵犯的肠壁周围未见小血管影；或可见管壁光滑、管腔无扩张的小血管影；增强序列未见异常充盈缺损。有学者对直肠癌MR-EMVI进行半定量评分，根据MR图像上直肠癌EMVI的程度分为0—4分，其中0—2分为EMVI阴性，3—4分为EMVI阳性；结果发现评分为3—4分的直肠癌患者预后不良，MR-EMVI对肿瘤分级和治疗具有临床指导意义。尽管MRI对EMVI具有良好的诊断能力，对肿瘤分级和治疗具有一定的临床指导意义，但敏感性一般，仍易出现假阴性和假阳性的诊断。假阳性主要是由于肿瘤侵犯的是淋巴管而不是血管，或肿瘤邻近血管但未侵犯血管。而假阴性主要是由于MR对微血管（<3mm）的显示不佳，且MR增强扫描难以区分肿瘤周围炎症反应和肿瘤侵犯，易造成对直肠癌的过度分期。此外，EMVI的准确评估在很大程度上取决于图像质量和放射科医生的个人经验，这也是造成EMVI不稳定的原因。

功能性 MRI 能够提供肿瘤细胞功能、组织成分、代谢等信息。弥散加权成像（diffusion weighted imaging, DWI）能够反应水分子的微观运动。多项研究报道了DWI在诊断和预测EMVI的价值。然而，DWI作为评估 EMVI 的补充手段，其研究结论和价值仍存在争议。动态增强磁共振成像（dynamic contrast enhanced magnetic resonance imaging，DCE-MRI）可通过测量多个参数量化血流动力学变化，反映肿瘤血管生成和通透性变化，在一定程度上能反映EMVI，但关于DCE在EMVI的研究的灵敏度差异较大，这可能是由于DCE的扫描技术和药代动力学模型没有统一标准；此外，虽然DCE的时间分辨率较高，但软组织分辨率较低，这也影响感兴趣区测量的准确性。

此外，对直肠癌经放化疗后的EMVI的评价也存在着挑战，由于放化疗后发生血管纤维化、病变/肿瘤周围组织的水肿和炎症反应，导致确定EMVI有无或肿瘤残留非常困难，从而造成过度或降低诊断、准确率降低。因此，需要一种客观、无创、准确的影像数据评估方法，准确预测EMVI的状态，这对最佳治疗策略的制定至关重要。

酰胺质子转移成像（amide proton transfer imaging, APT）是化学交换饱和转移 (chemical exchange saturation transfer，CEST)成像的一个重要分支。CEST成像是一种源自磁化转移(magnetization transfer, MT)的对比MRI技术，其原理为利用特定的偏共振饱和脉冲对内源性或外源性的特定物质进行充分的预饱和，这种饱和通过化学交换将特定物质的信号传递给周围的自由水，引起了自由水信号的变化，通过定量分析自由水饱和前、后信号的变化来反映出组织内信息。

APT成像技术是利用组织细胞中内源性蛋白质和多肽中的酰胺质子进行成像。由于酰胺质子与水质子之间存在化学交换，当通过施加特定频率的射频脉冲饱和酰胺质子时，被饱和的酰胺质子与水质子交换，自由水质子部分被饱和，水的MR信号将会降低。APT定量分析的方法是在距离水峰±3.5 ppm处进行磁化传递率非对称性分析(MTRasym)以反映酰胺质子化学交换信息。在水共振频率两侧(±3.5 ppm)的磁化转移率之差即为APT的信号强度，具体计算公式如下：

MTRasym (3.5 ppm) = Ssat (-3.5 ppm)/S0-Ssat (+3.5 ppm)/S0

APT信号的变化依赖于酰胺质子与水质子的交换速率，二者的交换速率主要受到体内蛋白质或多肽中酰胺质子的浓度及酸碱度的影响。在pH保持稳定的情况下，组织内的蛋白质和多肽的浓度升高，APT信号升高；在组织内蛋白质和多肽的浓度在保持稳定的情况下，pH值降低，APT信号下降。

作为一种安全无创的磁共振分子成像新技术，APT成像利用内源性对比剂（酰胺质子）从细胞水平反映组织信息（肿瘤蛋白质浓度），在神经系统疾病中有着较成熟的应用。近年来APT成像已证实在其他部位疾病中也有潜在的应用价值，如宫颈鳞癌、前列腺癌、乳腺癌治疗后评价等。由于细胞溶质蛋白浓度增加，恶性肿瘤或高级别肿瘤通常表现为更高的APT信号强度。在直肠癌方面，有研究表明APT成像能预测肿瘤分级、评估组织病理学类型、EMVI状态及评价局部进展性直肠癌对新辅助放化疗的疗效反应。然而对于EMVI的评价，这些研究也存在着矛盾之处。

尽管许多研究报道了APT成像在体部应用的可行性，但体部的运动或脂肪相关伪影和磁场不均匀性会妨碍结果的准确性，还存在着噪声、磁场均匀性和场强要求等干扰。此外，现有APT分析技术均采用单一的图像处理方法，病灶的分割测量采用单层、手动分割，速度慢、可重复性差，仅针对病灶的平均值进行分析，未能反映病灶整体的影像特征，无法全面标准病灶目标区域的总体特征，因此无法获得最佳的分类效果。

发明内容

本发明提供一种基于机器学习结合APT的直肠癌壁外血管侵犯预测方法、装置、设备、存储介质，旨在改善现有影像学检查对EMVI判断不准确的问题。

为此，本发明的第一个目的是提出一种基于机器学习的直肠癌壁外血管侵犯预测方法，包括：

获取直肠癌实体肿瘤患者的核磁共振图像，对原始图像进行标准化处理，得到直肠癌实体肿瘤APT核磁共振图像数据集；

构建直肠癌壁外血管侵犯预测模型，并通过直肠癌实体肿瘤APT核磁共振图像数据集训练直肠癌壁外血管侵犯预测模型；

将实时的直肠癌实体肿瘤患者的APT核磁共振图像进行标准化处理后，输入训练完成的直肠癌壁外血管侵犯预测模型中，输出预测结果即为实时的直肠癌实体肿瘤患者的APT核磁共振图像的壁外血管侵犯状态。

其中，在对直肠癌实体肿瘤患者的核磁共振图像的原始图像进行标准化处理的步骤中，包括：

识别直肠癌实体肿瘤患者的核磁共振图像的图像类型；图像类型包括：T2WI、DWI、APT和增强扫描；对ATPT图像类型的核磁共振图像进行图像空间标准化；

病灶分割，得到每一直肠癌实体肿瘤患者的APT核磁共振图像的3D-全瘤分割图像，及对应肿瘤的体积参数；

提取每一直肠癌实体肿瘤患者的核磁共振图像的3D-全瘤分割图像的三维影像组学特征，反映肿瘤的全局属性。

其中，在对ATPT图像类型的核磁共振图像进行图像空间标准化的步骤中，

采用双立方（三次卷积）插值法，对ATPT图像类型的核磁共振图像进行重采样，公式表示为：

其中，在病灶分割的步骤中，包括：

使用 MRIcro软件在在高分辨T2WI类型核磁共振图像上，对肿瘤病灶的实性部分进行手工勾画，避免坏死、囊性部分和肠腔；

将T2WI的肿瘤图像映射到APT图像上进行刚性配准，得到APT图像上的3D-全瘤分割图像，同时获得对应肿瘤的体积参数。

其中，每一直肠癌实体肿瘤患者的核磁共振图像的3D-全瘤分割图像的三维影像组学特征包括：

一阶灰度直方图特征：能量、熵、最小值、最大值、平均值、中位数、平均绝对偏差、均方差、标准偏差、偏度、峰度、方差、均匀度；

形态学特征：表面积、周长、凹度、体素量、最大3D直径、球度；

灰度纹理特征：灰度共生矩阵(GLCM)、灰度游程矩阵(GLRLM)、灰度区域大小矩阵(GLSZM)、灰度差异矩阵(GLDM)、邻域灰度差异矩阵(NGTDM)；

以上特征基础上，对直肠癌实体肿瘤患者的核磁共振图像的3D-全瘤分割图像进行小波变换，提取小波特征；

对上述提取的三维影像组学特征，运用LASSO回归模型筛选与EMVI状态相关的影像组学特征。

其中，计算所提取三维影像组学特征的组内相关系数（intraclass correlationcoefficient，ICC）；其中ICC小于0.75者的特征被剔除。

其中，直肠癌壁外血管侵犯预测模型选取随机森林(Random Forest, RF)分类器。

本发明的第二个目的是提出一种基于机器学习的直肠癌壁外血管侵犯预测装置，包括：

图像获取模块，用于获取直肠癌实体肿瘤患者的核磁共振图像，对原始图像进行标准化处理，得到直肠癌实体肿瘤APT核磁共振图像数据集；

模型构建模块，用于构建直肠癌壁外血管侵犯预测模型，并通过直肠癌实体肿瘤APT核磁共振图像数据集训练直肠癌壁外血管侵犯预测模型；

预测模块，用于将实时的直肠癌实体肿瘤患者的APT核磁共振图像进行标准化处理后，输入训练完成的直肠癌壁外血管侵犯预测模型中，输出预测结果即为实时的直肠癌实体肿瘤患者的核磁共振图像的壁外血管侵犯状态。

本发明的第三个目的在于提出一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行前述技术方案的方法中的各步骤。

本发明的第四个目的在于提出存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行根据前述技术方案的方法中的各步骤。

区别于现有技术，本发明提供的基于机器学习结合APT的直肠癌壁外血管侵犯预测方法，通过获取直肠癌实体肿瘤患者的核磁共振图像，对原始图像进行标准化处理，得到直肠癌实体肿瘤APT核磁共振图像数据集；构建直肠癌壁外血管侵犯预测模型，并通过直肠癌实体肿瘤核磁共振图像数据集训练直肠癌壁外血管侵犯预测模型；将实时的直肠癌实体肿瘤患者的核磁共振图像进行标准化处理后，输入训练完成的直肠癌壁外血管侵犯预测模型中，输出预测结果即为实时的直肠癌实体肿瘤患者的核磁共振图像的壁外血管侵犯状态。与传统MR影像相比，本发明利用酰胺质子转移成像的影像组学特征，结合临床TN分期和随机森林分类器，可较准确地预测直肠癌患者的EMVI状态，进而指导临床医生选择合适的治疗方案，为给患者带来提供更精准的治疗。

附图说明

本发明的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明提供的一种基于机器学习的直肠癌壁外血管侵犯预测方法的流程示意图。

图2是本发明提供的一种基于机器学习的直肠癌壁外血管侵犯预测方法的逻辑示意图。

图3是本发明提供的一种基于机器学习的直肠癌壁外血管侵犯预测方法中不同分类器的预测性能对比示意图。

图4是本发明提供的一种基于机器学习的直肠癌壁外血管侵犯预测方法中RF分类器的预测性能效果示意图。

图5是本发明提供的一种基于机器学习的直肠癌壁外血管侵犯预测装置的结构示意图。

图6是本发明提供的一种存储有计算机指令的非瞬时计算机可读存储介质的结构示意图。

实施方式

下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

如图1所示，为本发明实施例所提供的一种基于机器学习结合APT的直肠癌壁外血管侵犯预测方法，包括：

S110：获取直肠癌实体肿瘤患者的核磁共振图像，对原始图像进行标准化处理，得到直肠癌实体肿瘤核磁共振图像数据集。图2所示为整体的预测逻辑。

影像组学这一概念于2012年由荷兰学者Lambin首次提出。影像组学将医学影像转化为可挖掘的数据，利用人工智能技术从影像数据中挖掘高通量的量化信息（高通量特征即是一次性提取成千上百万的影像特征数据），进一步采用多样化的统计分析和数据挖掘方法从海量信息中提取和剥离出真正起作用的关键信息，最终用于疾病的辅助诊断、分类或预测。影像组学的分析流程主要由获取影像图像数据、图像分割、特征筛选与降维、构建模型进行预测几大步骤构成。本发明采用建立基于APT图像的影像组学模型，利用不同分类器评估其对直肠癌EMVI的预测能力，并验证这一模型的稳定性和可重复性。

本发明实施例中所用的样本（直肠癌）来自医院影像科的检查数据。本实施例的临床信息包括CEA、CA-199、肿瘤浸润深度、淋巴结转移、分化状态、肿瘤大小、肿瘤部位、性别、年龄、TNM分期和EMVI状态。其中CEA、CA-199由检验科提供。肿瘤浸润深度、TNM、分化状态、EMVI状态由主治以上病理科医生审核；肿瘤大小由影像科医生在患者的MR图像上测量获得。使用单变量和多变量逻辑回归分析评估与 EMVI 阳性状态显着相关的风险因素。

在获取核磁共振图像后，还需要对图像进行病理性检查，具体包括：

1） 苏木素-伊红 (hematoxylin and eosin, HE) 染色：

石蜡组织切片及烤片：将石蜡包埋的样本制备成4μm的连续切片，将所得的组织切片放置在金属染色架上，放置于60℃烘箱内烤片60分钟至表面石蜡融化。

切片常规脱蜡水化：组织切片依次经过二甲苯洗涤2次、每次10分钟，无水乙醇洗涤2次、每次5分钟，95％酒精洗涤2次、每次5分钟，75％酒精洗涤2次、每次5分钟，使组织切片表面的石蜡脱掉并充分水化，之后用自来水冲洗切片1分钟，用PBS缓冲液洗1分钟×3次。

苏木素复染，0.1％HCl分化，自来水冲洗，蓝化，切片经梯度酒精脱水干燥，二甲苯透明，中性树胶封固，晾干后观察。

2）弹性蛋白染色

弹性纤维染色用EVG染色法。Elastin染色液的间苯二酚基与弹性纤维成分结合形成氢键，使其染成蓝黑色。EVG法染色主要用于检测肿瘤的血管内浸润，也可以用于动脉粥样硬化时变薄和缺失的弹性纤维、其他血管疾病或弹性纤维的裂隙和破碎、松弛的皮肤和皱纹等的鉴别。

操作步骤：脱蜡至蒸馏水；Verhoeff's苏木精，温室染色30分钟，自来水冲洗5—10分钟；42%三氯化铁溶液分化，直至镜检见黑色纤维灰色背景。蒸馏水稍洗，使用65%硫代硫酸钠清除碘1分钟。蒸馏水稍洗，Van Gieson’s液复染5分钟。切片经梯度酒精脱水干燥，二甲苯透明，中性树胶封固，晾干后观察。

EMVI病理学判读采用英国皇家病理学家指南标准，由两位病理学家进行验证评估。如确定固有肌层外由血管内皮细胞、平滑肌细胞或弹力纤维构成的空间内存在肿瘤细胞，即被定义为EMVI阳性。

对直肠癌实体肿瘤患者的核磁共振图像的原始图像进行标准化处理的步骤包括：

识别直肠癌实体肿瘤患者的核磁共振图像的图像类型；图像类型包括：T2WI、DWI、APT和增强扫描；对ATPT图像类型的核磁共振图像进行图像空间标准化；

针对APT原始图像分辨率较低的缺点，对APT图像进行重采样。图像重采样本质是图像恢复过程，是指对采样后形成的由离散数据组成的数字图像按所需的像素位置或像素间距重新采样，以构成几何变换后的新图像。 我们采用双立方（三次卷积）插值法，，利用WIKI-Bicubic interpolation中给出的插值公式进行重新采样（如下）：

病灶分割，得到每一直肠癌实体肿瘤患者的核磁共振图像的3D-全瘤分割图像，及对应肿瘤的体积参数；

由两名中级职称以上的医生对全瘤进行图像分割，使用 MRIcro软件在高分辨T2WI图像上，对肿瘤病灶的实性部分进行手工勾画，避免坏死、囊性部分和肠腔。而后将T2WI的肿瘤图像映射到APT图像上进行刚性配准，得到APT图像上的3D-全瘤分割图像，同时获得肿瘤的体积参数。

采用python程序包，提取每一直肠癌实体肿瘤患者的APT核磁共振图像的3D-全瘤分割图像的三维影像组学特征，反映肿瘤的全局属性。

采用python程序包，提取原始空间内完整肿瘤的三维影像组学特征，反映肿瘤的全局属性，包括以下影像组学特征：

1）一阶灰度直方图特征：能量、熵、最小值、最大值、平均值、中位数、平均绝对偏差、均方差、标准偏差、偏度、峰度、方差、均匀度。

2）形态学特征：表面积、周长、凹度、体素量、最大3D直径、球度。

3）灰度纹理特征：灰度共生矩阵(GLCM)、灰度游程矩阵(GLRLM)、灰度区域大小矩阵(GLSZM)、灰度差异矩阵(GLDM)、邻域灰度差异矩阵(NGTDM)

4）在以上特征基础上，对图像进行小波变化，提取小波特征。

本发明提取的特征与图像生物标志物标准化倡议 (Image BiomarkerStandardization Initiative，IBSI) 一致。由于不同放射科医师或在不同时间进行的肿瘤勾画可能会导致某些特征的可重复性降低，为保证提取特征的一致性和可重复性，随机选取50名患者来计算特所提取特征的组内相关系数（intraclass correlationcoefficient，ICC）。ICC小于0.75者的特征被剔除。

5）对训练集中的影像特征运用LASSO回归模型筛选与EMVI状态相关的影像组学特征。共筛选出以下13个影像组学特征：

log-sigma-3-0-mm-3D_glcm_Correlation

wavelet-LHL_gldm_LargeDependenceLowGrayLevelEmphasis

wavelet-HHH_glcm_ClusterShade

log-sigma-2-0-mm-3D_glcm_Correlation

log-sigma-3-0-mm-3D_firstorder_RootMeanSquared

wavelet-LHH_firstorder_Skewness

wavelet-HHL_glszm_SmallAreaLowGrayLevelEmphasis

wavelet-LLL_firstorder_Maximum

log-sigma-5-0-mm-3D_glcm_Imc2

wavelet-HLL_glcm_InverseVariance

wavelet-HHL_firstorder_Mean

wavelet-HHH_glcm_JointEnergy

wavelet-HHH_glcm_Imc2

S120：构建直肠癌壁外血管侵犯预测模型，并通过直肠癌实体肿瘤核磁共振图像数据集训练直肠癌壁外血管侵犯预测模型。

为了获得准确而稳健的分类性能，在选定的最优特征子集的基础上，我们应用了6种机器学习分类器构建影像组学预测模型。所选的6种分类器分别是逻辑回归（Logisticregression, LR)、支持向量机 (Support Vector Machine, SVM)、朴素贝叶斯(NaiveBayesian, NB)、K-近邻（K-Nearest Neighbor, KNN)、决策树(Decision tree, DT)、随机森林(Random Forest, RF)。LR、SVM、NB、KNN、XGBoost和RF。LR是一种通过量化每个自变量的独特贡献来分析一组自变量对二元结果的影响的有效且强大的方法；SVM 通过在特征空间寻找一个超平面对数据进行分类；NB是一种基于贝叶斯定理与特征条件独立假设的分类方法；KNN 通过将对象分配给最相似的一个或多个类来对输入向量（即一个未知对象的特征集合）进行分类；RF分类器使用来自多个决策树的投票来进行分类；XGBoost是一种提升树模型，该算法思想就是不断地添加树，不断地进行特征分裂来生长一棵树，每次添加一个树，实质其实是学习一个新函数，去拟合上次预测的残差。所选的6个分类器都属于监督学习类别。每个分类器都有自己的优点和局限性。因此，即使在输入相同数据的情况下，分类器之间的性能也可能有所不同。使用Python机器学习库scikit-learn实现所有的分类方法，影像数据数据按照7：3的比例划分为训练集和验证集，在训练过程中进行5折交叉验证，以选择性能最佳的模型；并使用AUC和准确性来评估不同分类器的预测性能，从中选出预测性能最佳的分类器。

从临床因素中，通过单变量、多变量逻辑回归，筛选出了两个与EMVI阳性状态有关的预测因子，分别为直肠癌肿瘤的T、N分期。

通过受试者操作特征(ROC)曲线和准确性来评估影像组学模型在训练集、验证集的诊断性能。在6种机器学习分类器中，训练集中，RF的AUC为1.00（95%CI：1.00-1.00），准确性为100%；SVM的AUC为0.967（95%CI：0.970-0.974），准确性为89.9%；XGBoost的AUC为1.00（95%CI：1.00-1.00），准确性为99%；KNN的AUC为0.949（95%CI：0.936-0.961），准确性为81.1%；NB的AUC为0.925（95%CI：0.915-0.936），准确性为85.8%；LR的AUC为0.94（95%CI：0.924-0.936），准确性为76.35%。在训练集中，各分类器的效能如下：RF>XGBoost>SVM>KNN>LR>NB。

验证集中，RF的AUC为0.84(95%CI：0.860–0.867)，准确性为76.6%；SVM的AUC为0.693（95%CI：0.689-0.696），准确性为68.7%；XGBoost的AUC为0.699（95%CI：0.694-0.703），准确率为70.7%；KNN的AUC为0.501（95%CI：0.662-0.672），准确性为55.1%；NB的AUC为0.667(95%CI：0.83-0.91），准确性为70.9%；LR的AUC为0.523（95%CI：0.518-0.528），准确性为57.1%。其中，在验证组中，RF的表现出最佳的预测性能，明显优于其它分类器。如图3所示。

选择RF分类器构建了临床-APT影像组学模型，并进行训练和验证。临床-APT影像组学模型在训练集中的AUC为1.00（95%CI:1.00-1.00），敏感性为1.00，特异性为0.97，准确性为98.0%；验证集中，临床-APT影像组学模型的诊断能为AUC为0.895 (95%CI: 0.892-0.898)，敏感性为78.0%，特异性为85.7%，准确性为84.4%，如图4所示。

S130：将实时的直肠癌实体肿瘤患者的APT核磁共振图像进行标准化处理后，输入训练完成的直肠癌壁外血管侵犯预测模型中，输出预测结果即为实时的直肠癌实体肿瘤患者的APT核磁共振图像的壁外血管侵犯状态。

如图5所示，本发明提供了一种基于机器学习结合APT的直肠癌壁外血管侵犯预测装置300，包括：

图像获取模块310，用于获取直肠癌实体肿瘤患者的APT核磁共振图像，对原始图像进行标准化处理，得到直肠癌实体肿瘤APT核磁共振图像数据集；

模型构建模块320，用于构建直肠癌壁外血管侵犯预测模型，并通过直肠癌实体肿瘤APT核磁共振图像数据集训练直肠癌壁外血管侵犯预测模型；

预测模块330，用于将实时的直肠癌实体肿瘤患者的核磁共振图像进行标准化处理后，输入训练完成的直肠癌壁外血管侵犯预测模型中，输出预测结果即为实时的直肠癌实体肿瘤患者的核磁共振图像的壁外血管侵犯状态。

为了实现实施例，本发明还提出一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行前述技术方案的直肠癌壁外血管侵犯预测方法中的各步骤。

如图6所示，非临时性计算机可读存储介质800包括指令的存储器810，接口830，指令可由根据直肠癌壁外血管侵犯预测处理器820执行以完成方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。

为了实现实施例，本发明还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如本发明实施例的直肠癌壁外血管侵犯预测。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对所述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在所述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。

本技术领域的普通技术人员可以理解实现所述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。所述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

所述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，所述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对所述实施例进行变化、修改、替换和变型。