技术摘要：
本发明提供了一种基于直肠癌影像组学研究的新型多模态融合辅助诊断方法，包括：步骤一、获取直肠癌多种模态的医学影像，并进行预处理；步骤二、对预处理之后的医学影像进行分层分割，并获取每一层医学影像对应的感兴趣区域；步骤三、对每一种模态医学影像的每一个感兴  全部
背景技术：
结直肠癌是全球第三大最常见的癌症，预计到2030年全球将有220万病例。脉管侵 犯(Lympho-Vascular  Invasion,LVI)，被定义为肿瘤周围淋巴管和/或小的非肌肉化血管 中存在癌细胞，已被认为是结直肠癌独立于分期的重要预后决定因素。LVI与淋巴结转移 (Lymph  Node  Metastasis，LNM)及预后不良有关，是内镜手术后复发的高危因素。美国国家 综合癌症网络(NCCN)临床实践指南推荐T3N0M0疾病患者LVI的存在，这可能是术前放化疗 的必要条件。因此，术前通过无创的影像学生物标志物来预测LVI具有重要的临床意义。 传统的成像特征由于其主观或定性的特性，预测精度低。核磁共振成像(Magnetic  Resonance  Imaging，MRI)对于术前诊断LVI是一种可重现的、准确方法，特异性高，敏感性 中等。由于其敏感性较低，LVI的影像学评价比较困难，一些较小的静脉侵犯(特别是管径小 于3mm)可能被忽略。 多模态机器学习(MMML)旨在通过机器学习实现对多模态信息的处理和理解能力。 多模态融合是将多模态信息进行组合，进行目标预测(分类或回归)。医学成像包括不同形 式的数据，如MRI、CT、PET、x线和超声。尽管新的医学成像技术已经有所改进，但对这些诊断 模式的解释仍然需要训练有素的专家。多模融合可分为像素级、特征级和决策级，分别用于 融合原始数据、抽象特征和决策结果。 影像组学是一种新的医学图像分析方法，通过将传统医学图像转化为高维、定量、 可采矿的成像数据，深入表征肿瘤表型。目前，许多研究应用组学特征预测结直肠癌淋巴结 转移，评价新辅助治疗的疗效，确定术前同步远处转移，预测直肠癌分期。然而，它在LVI预 测中的应用仍然很少。
技术实现要素：
本发明提供了一种基于直肠癌影像组学研究的新型多模态融合辅助诊断方法，通 过手动勾画感兴趣区域，并对感兴趣区域进行高维度特征的提取，通过降维算法得到低维 度特征，从而进行单模态影像组学评分的构建，后经系数加权线性融合为多模态影像组学 评分，用于直肠癌的预后预测。 本发明提供的技术方案为： 一种基于直肠癌影像组学研究的新型多模态融合辅助诊断方法，包括： 步骤一、获取直肠癌多种模态的医学影像，并对所述医学影像进行预处理；所述多 种模态的医学影像包括：磁共振影像和增强CT影像；其中，所述磁共振影像包括：T2加权成 像和弥散加权成像； 步骤二、对预处理之后的医学影像进行分层分割，并获取每一层医学影像对应的 5 CN 111599464 A 说　明　书 2/7 页 感兴趣区域； 步骤三、对每一种模态医学影像的每一个感兴趣区域进行特征提取，获取每一个 感兴趣区域对应的高维影像组学特征； 步骤四、对所述高维影像组学特征进行划分得到训练集和测试集，并分别进行降 维得到低维影像组学特征； 步骤五、基于T2加权成像、弥散加权成像和CT影像的低维影像组学特征，分别构建 单模态影像组学标签； 步骤六、对所述T2加权成像、弥散加权成像和增强CT影像的单模态影像组学评分 进行系数加权并线性组合，得到融合后的多模态影像组学评分，用于直肠癌辅助诊断。 优选的是，所述步骤一中的医学影像预处理过程包括：对采集的直肠影像进行二 值化处理， 式中，I(x,y)为(x,y)位置的灰度值，thresh为预设阈值，f(x,y)为二值化后直肠 图像(x,y)位置的灰度值。 优选的是，所述步骤二中还包括：将所述直肠原始图像进行Haar小波变换，分别得 到高频和低频子带对应的图像。 优选的是，所述高维影像组学特征至少包括：一阶直方图特征、高阶纹理特征和形 态学特征。 优选的是，所述高阶纹理特征包括：灰度共生矩阵、灰度区域大小矩阵、灰度游程 矩阵、邻域灰度差分矩阵和灰度依赖矩阵。 优选的是，所述形态学特征包括：表面积、球形度和平坦度。 优选的是，所述高维影像组学特征进行降维过程包括： 首先，对高维影像组学特征进行数据标准化，所述高维影像组学特征的标准化公 式为： 其中，x*表示高维影像组学特征标准化后的数据，x表示高维影像组学特征原始数 据，μ表示高维影像组学特征均值，σ表示高维影像组学特征标准差； 对所述测试集数据进行数据标准化，所述测试集的标准化公式为： 其中，C*为测试集标准化后的数据，c为测试集高维影像组学特征原始数据，μ*为高 维影像组学特征标准化后的标准化数据均值，σ*为高维影像组学特征标准化后的标准化数 据标准差； 然后，确定多组影像组学特征是否满足标准正态分布和方差齐性，若满足，则采用 t检验来检验影像组学特征在不同类别之间的差异性是否具有统计学意义，否则，采用秩和 检验，经统计学差异检验后，在不同组之间不具有统计学差异的特征，将被剔除； 6 CN 111599464 A 说　明　书 3/7 页 最后，利用降维算法对高维影像组学特征进行降维，其计算公式为： 其中，y为预测的类别，w为影像组学特征对应的系数，x为影像组学特征，α代表系 数，||||为稀疏降维运算。 优选的是，分别建立关于T2加权成像、弥散加权成像和增强CT影像的单模态影像 组学标签，计算公式： T2score＝a (f1Cov1 f2Cov2… fiCovi… fnCov)n； T2score为T2加权成像的影像组学评分，a为常数，fi为T2加权成像中剩余的低维 影像组学特征各自的权重系数，i＝1,2…n，n为T2加权成像中特征的维度，即剩余特征的个 数， λ(i)＝i2 2i-1； DWIscore＝b (α1Cov1 α2Cov2… αiCovi… αnCov)n； DWIscore为弥散加权成像的影像组学评分，b为常数，αi为弥散加权成像中剩余的 低维影像组学特征各自的权重系数，i＝1,2…n，n为弥散加权成像中特征的维度，即剩余特 征的个数， μ(i)＝i2 3i-2； CTscore＝c (β1Cov1 β2Cov2… βiCovi… βnCov)n 其中，CTscore为增强CT图像的影像组学评分，c为常数，βi为增强CT影像中剩余的 低维影像组学特征各自的权重系数，i＝1,2…n，n为增强CT影像中特征的维度，即剩余特征 的个数， μ(i)＝i2 3i-2； 优选的是，所述融合后的多模态影像组学评分为： ASCORE＝λT2·T2score λDWI·DWIscore λCT·CTscore； 其中，ASCORE为融合后的多模态影像组学评分，λT2、λDWI和λCT均为常数。 本发明的有益效果 本发明提供了一种基于直肠癌影像组学研究的新型多模态融合辅助诊断方法，通 过手动勾画感兴趣区域，并对感兴趣区域进行高维度特征的提取，通过降维算法得到低维 度特征，从而进行单模态影像组学评分的构建，后经系数加权线性融合为多模态影像组学 评分，用于直肠癌的预后预测。 7 CN 111599464 A 说　明　书 4/7 页 附图说明 图1为本发明提供的基于直肠癌影像组学研究的新型多模态融合辅助诊断方法的 流程图。