欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024104836247
申请人: 安徽大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于机器学习的多模态医学影像数据分析方法,其特征在于,所述方法包括以下步骤:步骤1,MRI数据的收集与预处理:

S11,图像的获取:

收集接受外科治疗的三叉神经痛患者的MRI图像,作为主要队列和外部验证队列;

S12,图像分割:

利用ITK-SNAP软件将S11获取的MRI图像进行分割,具体包括:首先,使用线性插值将3D-TOF图像配准到T2图像;然后,对T2图像进行手动分割,在显示神经的每个切片上手动勾勒出感兴趣区域ROI;最后,通过融合每个切片上的分段组织来生成感兴趣体积VOI;从而当在T2图像上完成VOI分割时,在3D-TOF图像上自动生成相应的VOI;

步骤2,MRI的特征提取:

S21,基于影像组学的MRI深度特征提取:

利用PyRadiomics软件从MRI图像数据中提取影像组学特征,从而对患者的三叉神经进行定量分析,具体包括:从每位患者的T2图像和3D-TOF图像序列中提取若干影像组学特征,这些特征分为三个大类:形状和体积特征、纹理特征和一阶统计特征,各自提供不同维度的三叉神经特性信息;

形状和体积特征关注于描绘ROI的几何特征:包括描述肿瘤形状特征的球度和紧凑度,表面积、体积以及最大二维直径;

纹理特征:包括感兴趣区域内相同或不同灰度像素间的空间关系;

通过对直方图分析计算得出一阶统计特征:包括感兴趣区域内像素灰度的极值、方差、峰度;

S22,基于3D-ResNet的MRI深度特征提取:

采用预训练的3D-ResNet-18模型,移除了模型的最后一个全连接层,以便从中提取非最终分类的中间特征;通过将图像和掩模转换为NumPy数组,并进行归一化及标准化处理后,调用修改版的3D-ResNet-18模型,从每个三维图像中提取特征,集中在移除全连接层之前的输出层提取特征,从每位患者的两个感兴趣体积——T2和3D-TOF中,提取若干深度学习特征,并通过z-score方法进行标准化处理,以确保特征值符合统一的标准化范围;

步骤3,三叉神经痛的临床诊断模型:

S31,特征筛选:

从步骤1获得的ROI中构建了若干特征集:基于T2和TOF序列的影像组学特征集,以及基于T2和TOF序列的深度学习特征集;

首先,通过t检验对每组特征进行筛选,以排除统计上没有显著差异的变量;其次,计算所有可能的特征对之间的Pearson或Spearman相关系数,任何相关系数超过0.9的特征对中的一个特征将被剔除,以消除高度相关的变量;随后,采用最小绝对收缩和选择算子LASSO回归方法来筛选与三叉神经痛密切相关的特征,同时应用5倍交叉验证来优化模型的选择过程和提高模型的泛化能力;

S32,模型的开发:

开发三种类型的模型,包括单模态模型SM、前融合模型Pre-FMs和后融合模型Post-FMs:

1)单模态模型SM包括五个模型:Clinic模型、T2 Rad模型、T2 DL模型、TOF Rad模型、TOF DL模型;

2)前融合模型Pre-FMs包括六个模型:Cli+T2 DL模型、Cli+T2 Rad模型、Cli+TOF DL模型、Cli+TOF Rad模型、T2+TOF DL模型和T2+TOF Rad模型;

3)后融合模型Post-FMs包括三个模型:Clinic+Rad模型、Clinic+DL模型、Clinic+Rad+DL模型;

采用支持向量机作为分类器开发单模态模型SM和前融合模型Pre-FMs,采用随机森林作为分类器开发后融合模型Post-FMs;

模型开发包括以下步骤:在步骤1所述主要队列上,将数据进一步分为训练队列和内部验证队列,通过使用5倍交叉验证,随机定义4/5样本作为训练队列来训练模型,剩余1/5样本被定义为内部验证队列来优化参数;经过严格重复若干次后得到最优的超参数组合;然后在外部验证集上测试模型的性能;

步骤4,模型结果分析:

以ROC曲线下的面积AUC作为核心评估指标,进行不同模型区分度的比较,选定分类效果最优的模型、从而获得最终的三叉神经痛检测结果;

具体来说,AUC值越大、代表模型的判别能力越强,分类效果越出色。

2.根据权利要求1所述的方法,其特征在于,步骤1中,所述三叉神经痛患者的纳入标准包括:1)进行完整的术前MRI检查;2)具有良好的图像质量用于分析;3)有明确的病理诊断;

排除标准包括:1)继发性三叉神经痛;2)缺失T2或3D-TOF序列。

3.根据权利要求1所述的方法,其特征在于,步骤4中,若AUC值超过0.80,则表明模型具备出色的判别能力,能够精准区分不同类别的样本;当AUC值位于0.75至0.80之间时,虽判别能力稍逊,但仍表现良好,能满足实际应用需求;若AUC值低于0.60,则暗示模型判别和预测能力较弱,存在严重的分类错误或偏差,需进一步调整或优化模型以提升其性能。