本發(fā)明屬于生物醫(yī)學(xué)工程技術(shù)領(lǐng)域，尤其涉及一種多模態(tài)影像組學(xué)的分析方法、裝置及終端。

背景技術(shù)：

傳統(tǒng)醫(yī)學(xué)影像分析一般只關(guān)注腫瘤在單一模態(tài)中的體現(xiàn)。而影像組學(xué)可以將傳統(tǒng)的醫(yī)學(xué)影像轉(zhuǎn)化為可挖掘的數(shù)據(jù)信息。在影像組學(xué)研究中，現(xiàn)有技術(shù)主要是獲取四種解剖影像的靜態(tài)信息，而沒有考慮影像中包含的動態(tài)信息，無法多方面地提取圖像特征，從而導(dǎo)致所提取出的特征數(shù)和樣本病例有限，不能最大限度地挖掘醫(yī)學(xué)影像信息。

技術(shù)實現(xiàn)要素：

鑒于此，本發(fā)明實施例提供了一種多模態(tài)影像組學(xué)的分析方法、裝置及終端，以解決現(xiàn)有技術(shù)在影像組學(xué)研究中無法多方面提取圖像特征的問題，以實現(xiàn)最大限度地挖掘醫(yī)學(xué)影像信息。

第一方面，提供了一種多模態(tài)影像組學(xué)的分析方法，所述方法包括：

獲取多種模態(tài)影像，并對所述多種模態(tài)影像進(jìn)行預(yù)處理；

對預(yù)處理之后的模態(tài)影像進(jìn)行區(qū)域分割，獲取每一種模態(tài)影像對應(yīng)的感興趣區(qū)域；

對每一種模態(tài)影像的每一個感興趣區(qū)域進(jìn)行高通量特征提取，獲取每一個感興趣區(qū)域?qū)?yīng)的特征；

以所述多種模態(tài)影像的每一個感興趣區(qū)域?qū)?yīng)的特征組成源特征，采用預(yù)設(shè)的聚類算法對所述源特征進(jìn)行特征聚類；

根據(jù)特征聚類的結(jié)果構(gòu)建影像組學(xué)標(biāo)志物。

進(jìn)一步地，所述多種模態(tài)影像包括四種MR解剖成像以及彌散張量成像、彌散加權(quán)成像、動態(tài)對比增強(qiáng)成像；

所述四種MR解剖成像包括T1加權(quán)成像、T1對比增強(qiáng)成像、T2加權(quán)成像、T2流動衰減反轉(zhuǎn)恢復(fù)序列成像。

進(jìn)一步地，所述獲取多種模態(tài)影像，并對所述多種模態(tài)影像進(jìn)行預(yù)處理包括：

獲取多種模態(tài)影像；

對所述多種模態(tài)影像進(jìn)行圖像配準(zhǔn)、平滑處理和插值處理。

進(jìn)一步地，對所述多種模態(tài)影像進(jìn)行圖像配準(zhǔn)包括：

選取四種MR解剖成像中的T1對比增強(qiáng)成像作為基準(zhǔn)圖像模態(tài)；

通過相似性度量獲取空間坐標(biāo)變換參數(shù)；

根據(jù)所述空間坐標(biāo)變換參數(shù)，將所述多種模態(tài)影像中的其余模態(tài)影像與所述T1對比增強(qiáng)成像進(jìn)行配準(zhǔn)。

進(jìn)一步地，所述感興趣區(qū)域?qū)?yīng)的特征中包括形態(tài)特征、灰度特征以及紋理特征。

第二方面，提供了一種多模態(tài)影像組學(xué)的分析裝置，所述裝置包括：

預(yù)處理模塊，用于獲取多種模態(tài)影像，并對所述多種模態(tài)影像進(jìn)行預(yù)處理；

分割模塊，用于對預(yù)處理之后的模態(tài)影像進(jìn)行區(qū)域分割，獲取每一種模態(tài)影像對應(yīng)的感興趣區(qū)域；

特征提取模塊，用于對每一種模態(tài)影像的每一個感興趣區(qū)域進(jìn)行高通量特征提取，獲取每一個感興趣區(qū)域?qū)?yīng)的特征；

特征聚類模塊，用于以所述多種模態(tài)影像的每一個感興趣區(qū)域?qū)?yīng)的特征組成源特征，采用預(yù)設(shè)的聚類算法對所述源特征進(jìn)行特征聚類；

構(gòu)建模塊，用于根據(jù)特征聚類的結(jié)果構(gòu)建影像組學(xué)標(biāo)志物。

進(jìn)一步地，所述多種模態(tài)影像包括四種MR解剖成像以及彌散張量成像、彌散加權(quán)成像、動態(tài)對比增強(qiáng)成像；

所述四種MR解剖成像包括T1加權(quán)成像、T1對比增強(qiáng)成像、T2加權(quán)成像、T2流動衰減反轉(zhuǎn)恢復(fù)序列成像。

進(jìn)一步地，所述預(yù)處理模塊包括：

獲取單元，用于獲取多種模態(tài)影像；

處理單元，用于對所述多種模態(tài)影像進(jìn)行圖像配準(zhǔn)、平滑處理和插值處理。

進(jìn)一步地，所述處理單元具體用于：

選取四種MR解剖成像中的T1對比增強(qiáng)成像作為基準(zhǔn)圖像模態(tài)；

通過相似性度量獲取空間坐標(biāo)變換參數(shù)；

根據(jù)所述空間坐標(biāo)變換參數(shù)，將所述多種模態(tài)影像中的其余模態(tài)影像與所述T1對比增強(qiáng)成像進(jìn)行配準(zhǔn)。

進(jìn)一步地，所述感興趣區(qū)域?qū)?yīng)的特征中包括形態(tài)特征、灰度特征以及紋理特征。

第三方面，提供了一種終端，所述終端包括處理器，所述處理器用于執(zhí)行存在存儲器的以下程序模塊：

預(yù)處理模塊，用于獲取多種模態(tài)影像，并對所述多種模態(tài)影像進(jìn)行預(yù)處理；

分割模塊，用于對預(yù)處理之后的模態(tài)影像進(jìn)行區(qū)域分割，獲取每一種模態(tài)影像對應(yīng)的感興趣區(qū)域；

特征提取模塊，用于對每一種模態(tài)影像的每一個感興趣區(qū)域進(jìn)行高通量特征提取，獲取每一個感興趣區(qū)域?qū)?yīng)的特征；

特征聚類模塊，用于以所述多種模態(tài)影像的每一個感興趣區(qū)域?qū)?yīng)的特征組成源特征，采用預(yù)設(shè)的聚類算法對所述源特征進(jìn)行特征聚類；

構(gòu)建模塊，用于根據(jù)特征聚類的結(jié)果構(gòu)建影像組學(xué)標(biāo)志物。

與現(xiàn)有技術(shù)相比，本發(fā)明實施例通過獲取多種模態(tài)影像，并對所述多種模態(tài)影像進(jìn)行預(yù)處理；然后對預(yù)處理之后的模態(tài)影像進(jìn)行區(qū)域分割，獲取每一種模態(tài)影像對應(yīng)的感興趣區(qū)域；對每一種模態(tài)影像的每一個感興趣區(qū)域進(jìn)行高通量特征提取，獲取每一個感興趣區(qū)域?qū)?yīng)的特征；最后以所述多種模態(tài)影像的每一個感興趣區(qū)域?qū)?yīng)的特征組成源特征，采用預(yù)設(shè)的聚類算法對所述源特征進(jìn)行特征聚類，并根據(jù)特征聚類的結(jié)果構(gòu)建影像組學(xué)標(biāo)志物；從而解決了現(xiàn)有技術(shù)在影像組學(xué)研究中無法多方面提取圖像特征的問題，極大地豐富了用于特征聚類的源特征數(shù)量以及特征聚類后的代表性特征種類，實現(xiàn)了最大限度地挖掘醫(yī)學(xué)影像信息。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他附圖。

圖1是本發(fā)明實施例提供的多模態(tài)影像組學(xué)的分析方法的實現(xiàn)流程圖；

圖2是本發(fā)明實施例提供的多模態(tài)影像組學(xué)的分析方法中步驟S101的具體實現(xiàn)流程；

圖3是本發(fā)明實施例提供的通過K均值聚類算法對腦膠質(zhì)瘤進(jìn)行聚類分析的實現(xiàn)流程示意圖；

圖4是本發(fā)明實施例提供的多模態(tài)影像組學(xué)的分析裝置的組成結(jié)構(gòu)圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

本發(fā)明實施例通過獲取多種模態(tài)影像，并對所述多種模態(tài)影像進(jìn)行預(yù)處理；然后對預(yù)處理之后的模態(tài)影像進(jìn)行區(qū)域分割，獲取每一種模態(tài)影像對應(yīng)的感興趣區(qū)域；對每一種模態(tài)影像的每一個感興趣區(qū)域進(jìn)行高通量特征提取，獲取每一個感興趣區(qū)域?qū)?yīng)的特征；最后以所述多種模態(tài)影像的每一個感興趣區(qū)域?qū)?yīng)的特征組成源特征，采用預(yù)設(shè)的聚類算法對所述源特征進(jìn)行特征聚類，并根據(jù)特征聚類的結(jié)果構(gòu)建影像組學(xué)標(biāo)志物；從而解決了現(xiàn)有技術(shù)在影像組學(xué)研究中無法多方面提取圖像特征的問題，極大地豐富了用于特征聚類的源特征數(shù)量以及特征聚類后的代表性特征種類，實現(xiàn)了最大限度地挖掘醫(yī)學(xué)影像信息。本發(fā)明實施例還提供了相應(yīng)的裝置，以下分別進(jìn)行詳細(xì)的說明。

圖1示出了本發(fā)明實施例提供的多模態(tài)影像組學(xué)的分析方法的實現(xiàn)流程。

在本發(fā)明實施例中，所述多模態(tài)影像組學(xué)的分析方法應(yīng)用于計算機(jī)、服務(wù)器等設(shè)備。

參閱圖1，所述多模態(tài)影像組學(xué)的分析方法包括：

在步驟S101中，獲取多種模態(tài)影像，并對所述多種模態(tài)影像進(jìn)行預(yù)處理。

在這里，本發(fā)明實施例在原有影像組學(xué)研究中所采用的四種MR解剖成像模態(tài)的基礎(chǔ)上引入了彌散張量成像、彌散加權(quán)成像、動態(tài)對比增強(qiáng)成像。因此，本發(fā)明實施例中所述的多種模態(tài)影像包括四種MR解剖成像以及彌散張量成像、彌散加權(quán)成像、動態(tài)對比增強(qiáng)成像。其中，所述四種MR解剖成像包括T1加權(quán)成像、T1對比增強(qiáng)成像、T2加權(quán)成像、T2流動衰減反轉(zhuǎn)恢復(fù)序列成像。所述彌散張量成像和彌散加權(quán)成像均為根據(jù)水分子運(yùn)動特征來顯示腦補(bǔ)特征的成像方式。所述動態(tài)對比增強(qiáng)成像則可以反映腫瘤內(nèi)部的血流動態(tài)變化和灌注狀況。

在本發(fā)明實施例中，不同模態(tài)影像通過不同的設(shè)備采用不同的成像方式得到。由于圖像獲取的參數(shù)不同，需要先對所述四種MR解剖成像以及彌散張量成像、彌散加權(quán)成像、動態(tài)對比增強(qiáng)成像進(jìn)行預(yù)處理。示例性地，圖2示出了本發(fā)明實施例提供的多模態(tài)影像組學(xué)的分析方法中步驟S101的具體實現(xiàn)流程。

參閱圖2，所述步驟S101包括：

在步驟S201中，獲取多種模態(tài)影像。

所述多種模態(tài)影像即上述的四種MR解剖成像以及彌散張量成像、彌散加權(quán)成像、動態(tài)對比增強(qiáng)成像，每一種模態(tài)影像包括相同數(shù)目的圖像，優(yōu)選為20至40張。

在步驟S202中，對所述多種模態(tài)影像進(jìn)行圖像配準(zhǔn)、平滑處理和插值處理。

在本發(fā)明實施例中，所述預(yù)處理包括圖像配準(zhǔn)、圖像平滑以及插值處理。在這里，圖像配準(zhǔn)是指對一張圖像求取一種或者一系列的空間變換，使其與另一張圖像上的對應(yīng)像素達(dá)到空間上的一致。其中，圖像配準(zhǔn)的方式包括相對配準(zhǔn)和絕對配準(zhǔn)。相對配準(zhǔn)是指選擇多圖像中的一張圖像作為參考圖像，將其他的相關(guān)圖像與之配準(zhǔn)，其中配準(zhǔn)的坐標(biāo)關(guān)系是任意的；絕對配準(zhǔn)是指預(yù)先定義一個控制網(wǎng)格，將所有的圖像相對于這個網(wǎng)格進(jìn)行配準(zhǔn)，即通過分別對各圖像進(jìn)行幾何校正來使各個圖像的對應(yīng)像素在空間上是一致的。

作為本發(fā)明的一個優(yōu)選示例，可以選取所述四種MR解剖成像中的T1對比增強(qiáng)成像作為基準(zhǔn)圖像模態(tài)；然后通過相似性度量獲取空間坐標(biāo)變換參數(shù)；根據(jù)所述空間坐標(biāo)變換參數(shù)，將所述多種模態(tài)影像中的其余模態(tài)影像分別與所述T1對比增強(qiáng)成像進(jìn)行配準(zhǔn)。具體地，在選取T1對比增強(qiáng)成像作為基準(zhǔn)圖像模態(tài)之后，T1對比增強(qiáng)成像中包括的若干張圖像均作為基準(zhǔn)圖像，將其余六種模態(tài)影像中的每一張圖像與所述T1對比增強(qiáng)成像中的對應(yīng)圖像進(jìn)行統(tǒng)一的坐標(biāo)系轉(zhuǎn)換。

作為本發(fā)明的一個優(yōu)選實例，所述平滑處理包括均值濾波器、中值濾波器等，優(yōu)選采用中值濾波器對每一種模態(tài)影像進(jìn)行圖像平滑處理。本發(fā)明實施例通過平滑處理，將在數(shù)據(jù)獲取、形態(tài)學(xué)處理的過程中人為引入的不平滑的毛刺、鋒利的邊緣等情況進(jìn)行濾除，進(jìn)一步保證預(yù)處理之后的模態(tài)影像的純凈度。

需要說明的是，本發(fā)明實施例所述的圖像配準(zhǔn)、圖像平滑處理和插值處理的先后順序根據(jù)實際的需求安排；可以對所述模態(tài)影像先進(jìn)行圖像配準(zhǔn)、再進(jìn)行平滑處理和插值處理；或者，對所述模態(tài)影像先進(jìn)行平滑處理和插值處理，然后再進(jìn)行圖像配準(zhǔn)。具體的先后順序根據(jù)所提取的特征種類而定。比如，當(dāng)提取灰度特征、形狀特征以及大部分紋理特征時，優(yōu)選先進(jìn)行圖像配準(zhǔn)、再進(jìn)行平滑處理和插值處理；當(dāng)提取少量指定的紋理特征時，優(yōu)選先進(jìn)行平滑處理和插值處理，然后進(jìn)行圖像配準(zhǔn)，以提高特征提取的效果。

在步驟S102中，對預(yù)處理之后的模態(tài)影像進(jìn)行區(qū)域分割，獲取每一種模態(tài)影像對應(yīng)的感興趣區(qū)域。

在這里，經(jīng)過區(qū)域分割，每一種模態(tài)影像對應(yīng)一個或者多個感興趣區(qū)域。示例性地，以腦膠質(zhì)瘤的影響分析為例，對T2流動衰減反轉(zhuǎn)恢復(fù)圖像分割腫瘤水腫區(qū)域，即整個腫瘤區(qū)域；對T1對比增強(qiáng)成像分割腫瘤增強(qiáng)區(qū)、壞死區(qū)；對彌散張量成像、彌散加權(quán)成像以及動態(tài)對比增強(qiáng)成像則分別分割腫瘤增強(qiáng)區(qū)，以提取血流信息和物質(zhì)分布等動態(tài)信息；所述T1加權(quán)成像、T2加權(quán)成像則用于腫瘤分割結(jié)果的對照。

在步驟S103中，對每一種模態(tài)影像的每一個感興趣區(qū)域進(jìn)行高通量特征提取，獲取每一個感興趣區(qū)域?qū)?yīng)的特征。

本發(fā)明實施例通過區(qū)域分割，得到每一種模態(tài)影像對應(yīng)的一個或者多個感興趣區(qū)域，然后采用高通量特征提取對應(yīng)的一組特征。其中，所提取的特征包括形態(tài)特征、灰度特征以及紋理特征。所述形態(tài)特征用于描述腫瘤的三維特征。所述灰度特征用于描述每一個感興趣區(qū)域中的所有像素對應(yīng)的灰度值。所述紋理特征用于量化腫瘤內(nèi)部的異質(zhì)性。示例性地，表1給出了本發(fā)明實施例提供的所提取的每一個感興趣區(qū)域?qū)?yīng)的一組特征的組成示例。在表1中，所述特征集包括28個形態(tài)特征、12個灰度特征以及52個紋理特征。

表1

本發(fā)明實施例對四種MR解剖成像、彌散張量成像、彌散加權(quán)成像、動態(tài)對比增強(qiáng)成像中的每一種模態(tài)影像的每一個感興趣區(qū)域，提取其對應(yīng)的一組形態(tài)特征、灰度特征以及紋理特征，增加了圖像動態(tài)信息和功能變化信息，比如血流流動情況、物質(zhì)分布情況，從而實現(xiàn)了最大限度地挖掘不同模態(tài)影像中的信息，極大地豐富了用于特征聚類的源特征數(shù)量。

在步驟S104中，以所述多種模態(tài)影像的每一個感興趣區(qū)域?qū)?yīng)的特征組成源特征，采用預(yù)設(shè)的聚類算法對所述源特征進(jìn)行特征聚類。

在這里，所述預(yù)設(shè)的聚類算法包括層次化聚類算法、基于密度和網(wǎng)格的聚類算法、K均值聚類算法等。

示例性地，以下以前面所述的腦膠質(zhì)瘤的影響分析為例來對聚類進(jìn)行說明。為了實現(xiàn)特征降維，這里采用劃分式聚類算法中的典型方法K均值算法來進(jìn)行特征聚類。其中，K均值聚類算法的目的是使每一個源特征和聚類中心之間的差的平方和最小化。圖3示出了本發(fā)明實施例提供的通過K均值聚類算法對腦膠質(zhì)瘤進(jìn)行聚類分析的實現(xiàn)流程，包括：

在步驟S301中，隨機(jī)選取k個聚類中心。

在步驟S302中，以所述多種模態(tài)影像的每一個感興趣區(qū)域?qū)?yīng)的特征組成源特征，計算每一個源特征與每一個聚類中心之間的距離值，將所述源特征分配至距離值最小的聚類中心所標(biāo)明的類中。

在步驟S303中，在分配完后，計算偏差值，所述偏差值為每一個源特征與所述k個聚類中心之間的距離平方和。

在步驟S304中，判斷所述偏差值是否收斂。

若是時，執(zhí)行步驟S305；否則，返回執(zhí)行步驟S301，重新選取k個聚類中心，進(jìn)行下一輪特征聚類運(yùn)算。

在步驟S305中，結(jié)束本次聚類運(yùn)算。

在這里，假設(shè)通過步驟S301中所選取的聚類中心為C₁,…,C_k，所述偏差值的計算公式為：

在上式中，x_i表示第i個源特征，d²(x_i,C_r)表示第i個源特征與第r個聚類中心之間的差的平方，即距離的平方，D表示偏差值，用于衡量K均值算法的效果，偏差值D越小效果越好。

經(jīng)實驗得到，通過本發(fā)明實施例得到的用于特征聚類的源特征數(shù)量可達(dá)1564個，聚類后的代表性特征種類可達(dá)10大類，遠(yuǎn)遠(yuǎn)超過了現(xiàn)有的文獻(xiàn)和專利，因此，通過本發(fā)明實施例，可以大大地豐富特征聚類前的源特征數(shù)量以及特征聚類后的代表性特征種類。

在步驟S105中，根據(jù)特征聚類的結(jié)果構(gòu)建影像組學(xué)標(biāo)志物。

在本發(fā)明實施例中，所述構(gòu)建影像組學(xué)標(biāo)志物是采用計算機(jī)自動識別和分類方法對臨床疾病進(jìn)行預(yù)測及分析。具體地，基于已經(jīng)完成特征提取的所有患者的所有特征與患者的臨床病理、生存期等需要預(yù)測和分析的參數(shù)進(jìn)行對比，將不同的模態(tài)影像的特征進(jìn)行“訓(xùn)練數(shù)據(jù)集”和“驗證數(shù)據(jù)集”的分類。對訓(xùn)練數(shù)據(jù)集中不同類別的病變數(shù)據(jù)分別采用計算機(jī)自動識別方法進(jìn)行模型訓(xùn)練，并將一個完備的訓(xùn)練模型用于驗證數(shù)據(jù)集實現(xiàn)未知病類的分析和預(yù)測，得到患者的病理、臨床分期、基因信息和生存期的定性以及定量的分析結(jié)果。

綜上所述，本發(fā)明實施例通過獲取多種模態(tài)影像，并對所述多種模態(tài)影像進(jìn)行預(yù)處理；然后對預(yù)處理之后的模態(tài)影像進(jìn)行區(qū)域分割，獲取每一種模態(tài)影像對應(yīng)的感興趣區(qū)域；對每一種模態(tài)影像的每一個感興趣區(qū)域進(jìn)行高通量特征提取，獲取每一個感興趣區(qū)域?qū)?yīng)的特征；最后以所述多種模態(tài)影像的每一個感興趣區(qū)域?qū)?yīng)的特征組成源特征，采用預(yù)設(shè)的聚類算法對所述源特征進(jìn)行特征聚類，并根據(jù)特征聚類的結(jié)果構(gòu)建影像組學(xué)標(biāo)志物；從而解決了現(xiàn)有技術(shù)在影像組學(xué)研究中無法多方面提取圖像特征的問題，豐富了用于特征聚類的源特征數(shù)量以及特征聚類后的代表性特征種類，實現(xiàn)了最大限度地挖掘醫(yī)學(xué)影像信息。

圖4示出了本發(fā)明實施例提供的多模態(tài)影像組學(xué)的分析裝置的組成結(jié)構(gòu)，為了便于說明，僅示出了與本發(fā)明實施例相關(guān)的部分。

在本發(fā)明實施例中，所述裝置用于實現(xiàn)上述圖1至圖3實施例中所述的多模態(tài)影像組學(xué)的分析方法，可以是內(nèi)置于計算機(jī)、服務(wù)器內(nèi)的軟件單元、硬件單元或者軟硬件結(jié)合的單元。

參閱圖4，所述裝置包括：

預(yù)處理模塊41，用于獲取多種模態(tài)影像，并對所述多種模態(tài)影像進(jìn)行預(yù)處理；

分割模塊42，用于對預(yù)處理之后的模態(tài)影像進(jìn)行區(qū)域分割，獲取每一種模態(tài)影像對應(yīng)的感興趣區(qū)域；

特征提取模塊43，用于對每一種模態(tài)影像的每一個感興趣區(qū)域進(jìn)行高通量特征提取，獲取每一個感興趣區(qū)域?qū)?yīng)的特征；

特征聚類模塊44，用于以所述多種模態(tài)影像的每一個感興趣區(qū)域?qū)?yīng)的特征組成源特征，采用預(yù)設(shè)的聚類算法對所述源特征進(jìn)行特征聚類；

構(gòu)建模塊45，用于根據(jù)特征聚類的結(jié)果構(gòu)建影像組學(xué)標(biāo)志物。

在本發(fā)明實施例中，所述多種模態(tài)影像包括四種MR解剖成像以及彌散張量成像、彌散加權(quán)成像、動態(tài)對比增強(qiáng)成像；所述四種MR解剖成像包括T1加權(quán)成像、T1對比增強(qiáng)成像、T2加權(quán)成像、T2流動衰減反轉(zhuǎn)恢復(fù)序列成像。所述彌散張量成像和彌散加權(quán)成像均為根據(jù)水分子運(yùn)動特征來顯示腦補(bǔ)特征的成像方式。所述動態(tài)對比增強(qiáng)成像則可以反映腫瘤內(nèi)部的血流動態(tài)變化和灌注狀況。每一種模態(tài)影像包括相同數(shù)目的圖像，優(yōu)選為20至40張。

由于圖像獲取的參數(shù)不同，為了保證圖像的一致性，需要對所述四種MR解剖成像以及彌散張量成像、彌散加權(quán)成像、動態(tài)對比增強(qiáng)成像進(jìn)行預(yù)處理。在本發(fā)明實施例中，所述預(yù)處理模塊41包括：

獲取單元411，用于獲取多種模態(tài)影像；

處理單元412，用于對所述多種模態(tài)影像進(jìn)行圖像配準(zhǔn)、平滑處理和插值處理。

在這里，圖像配準(zhǔn)是指對一張圖像求取一種或者一系列的空間變換，使其與另一張圖像上的對應(yīng)像素達(dá)到空間上的一致。其中，圖像配準(zhǔn)的方式包括相對配準(zhǔn)和絕對配準(zhǔn)。相對配準(zhǔn)是指選擇多圖像中的一張圖像作為參考圖像，將其他的相關(guān)圖像與之配準(zhǔn)，其中配準(zhǔn)的坐標(biāo)關(guān)系是任意的；絕對配準(zhǔn)是指預(yù)先定義一個控制網(wǎng)格，將所有的圖像相對于這個網(wǎng)格進(jìn)行配準(zhǔn)，即通過分別對各圖像進(jìn)行幾何校正來使各個圖像的對應(yīng)像素在空間上是一致的。

作為本發(fā)明的一個優(yōu)選示例，可以基于T1對比增強(qiáng)成像來進(jìn)行圖像配準(zhǔn)，此時，所述處理單元412還可以用于：

選取四種MR解剖成像中的T1對比增強(qiáng)成像作為基準(zhǔn)圖像模態(tài)；

通過相似性度量獲取空間坐標(biāo)變換參數(shù)；

根據(jù)所述空間坐標(biāo)變換參數(shù)，將所述多種模態(tài)影像中的其余模態(tài)影像與所述T1對比增強(qiáng)成像進(jìn)行配準(zhǔn)。

具體地，在選取T1對比增強(qiáng)成像作為基準(zhǔn)圖像模態(tài)之后，T1對比增強(qiáng)成像中包括的若干張圖像均作為基準(zhǔn)圖像，所述處理單元412將其余六種模態(tài)影像中的每一張圖像與所述T1對比增強(qiáng)成像中的對應(yīng)圖像進(jìn)行統(tǒng)一的坐標(biāo)系轉(zhuǎn)換。

作為本發(fā)明的一個優(yōu)選實例，所述處理單元412可以采用均值濾波器、中值濾波器進(jìn)行平滑處理，優(yōu)選采用中值濾波器對每一種模態(tài)影像進(jìn)行圖像平滑處理。本發(fā)明實施例通過平滑處理，將在數(shù)據(jù)獲取、形態(tài)學(xué)處理的過程中人為引入的不平滑的毛刺、鋒利的邊緣等情況進(jìn)行濾出，進(jìn)一步保證了預(yù)處理之后的模態(tài)影像的純凈度。

需要說明的是，本發(fā)明實施例所述的圖像配準(zhǔn)、圖像平滑處理和插值處理的先后順序根據(jù)實際的需求安排；所述預(yù)處理單元412可以對所述模態(tài)影像先進(jìn)行圖像配準(zhǔn)、再進(jìn)行平滑處理和插值處理；或者，所述預(yù)處理單元412可以先對所述模態(tài)影像進(jìn)行平滑處理和插值處理，然后再進(jìn)行圖像配準(zhǔn)。具體的先后順序根據(jù)所提取的特征種類而定。比如，當(dāng)提取灰度特征、形狀特征以及大部分紋理特征時，優(yōu)選先進(jìn)行圖像配準(zhǔn)、再進(jìn)行平滑處理和插值處理；當(dāng)提取少量指定的紋理特征時，優(yōu)選先進(jìn)行平滑處理和插值處理，然后進(jìn)行圖像配準(zhǔn)，以提高特征提取的效果。

進(jìn)一步地，本發(fā)明實施例通過所述分割模塊42對每一種模態(tài)影像進(jìn)行區(qū)域分割，得到每一種模態(tài)影像對應(yīng)的一個或者多個感興趣區(qū)域，然后通過特征提取模塊43進(jìn)行高通量特征提取。其中，所提取的特征包括形態(tài)特征、灰度特征以及紋理特征。所述形態(tài)特征用于描述腫瘤的三維特征。所述灰度特征用于描述每一個感興趣區(qū)域中的所有像素對應(yīng)的灰度值。所述紋理特征用于量化腫瘤內(nèi)部的異質(zhì)性。表1給出了本發(fā)明實施例提供的所提取的特征的組成示例。在表1中，所述特征包括28個形態(tài)特征、12個灰度特征以及52個紋理特征。

本發(fā)明實施例通過對四種MR解剖成像、彌散張量成像、彌散加權(quán)成像、動態(tài)對比增強(qiáng)成像中的每一種模態(tài)影像的每一個感興趣區(qū)域，提取其對應(yīng)的一組形態(tài)特征、灰度特征以及紋理特征，相對于現(xiàn)有技術(shù)所提取的特征增加了圖像動態(tài)信息和功能變化信息，比如血流流動情況、物質(zhì)分布情況，從而極大地豐富了用于特征聚類的源特征數(shù)量。

進(jìn)一步地，所述特征聚類模塊44所使用的述預(yù)設(shè)的聚類算法包括層次化聚類算法、基于密度和網(wǎng)格的聚類算法、K均值聚類算法等。

示例性地，以下以腦膠質(zhì)瘤的影響分析為例來對聚類進(jìn)行說明。為了實現(xiàn)特征降維，這里通過所述特征提取模塊43采用劃分式聚類算法中的典型方法K均值算法來進(jìn)行特征聚類。其中，K均值聚類算法的目的是使每一個特征和聚類中心之間的差的平方和最小化。所述特征提取模塊43具體用于。

隨機(jī)選取k個聚類中心；

以所述多種模態(tài)影像的每一個感興趣區(qū)域?qū)?yīng)的特征組成源特征，計算每一個源特征與每一個聚類中心之間的距離值，將所述源特征分配至距離值最小的聚類中心所標(biāo)明的類中；

在分配完后，計算偏差值，所述偏差值為每一個源特征與所述k個聚類中心之間的距離平方和；

判斷所述偏差值是否收斂；

若是時，結(jié)束本次聚類運(yùn)算。否則，重新選取k個聚類中心，進(jìn)行下一輪特征聚類運(yùn)算。

在這里，假設(shè)所選取的聚類中心為C₁,…,C_k，所述偏差值的計算公式為：

在上式中，x_i表示第i個源特征，d²(x_i,C_r)表示第i個源特征與第r個聚類中心之間的差的平方，即距離的平方，D表示偏差值，用于衡量K均值算法的效果，偏差值D越小效果越好。

經(jīng)實驗得到，通過本發(fā)明實施例得到的用于特征聚類的源特征數(shù)量可達(dá)1564個，聚類后的代表性特征種類可達(dá)10大類，遠(yuǎn)遠(yuǎn)超過了現(xiàn)有的文獻(xiàn)和專利，因此，通過本發(fā)明實施例，可以大大地豐富特征聚類前的源特征數(shù)量以及特征聚類后的代表性特征種類。

需要說明的是，本發(fā)明實施例中的裝置可以用于實現(xiàn)上述方法實施例中的全部技術(shù)方案，其各個功能模塊的功能可以根據(jù)上述方法實施例中的方法具體實現(xiàn)，其具體實現(xiàn)過程可參照上述實例中的相關(guān)描述，此處不再贅述。

本發(fā)明還提供了一種終端，所述終端用于實現(xiàn)多模態(tài)影像組學(xué)的分析方法。在本實施例中，終端包括：處理器，其中所述處理器用于執(zhí)行存在存儲器的以下程序模塊：

預(yù)處理模塊，用于獲取多種模態(tài)影像，并對所述多種模態(tài)影像進(jìn)行預(yù)處理；

分割模塊，用于對預(yù)處理之后的模態(tài)影像進(jìn)行區(qū)域分割，獲取每一種模態(tài)影像對應(yīng)的感興趣區(qū)域；

特征提取模塊，用于對每一種模態(tài)影像的每一個感興趣區(qū)域進(jìn)行高通量特征提取，獲取每一個感興趣區(qū)域?qū)?yīng)的特征；

特征聚類模塊，用于以所述多種模態(tài)影像的每一個感興趣區(qū)域?qū)?yīng)的特征組成源特征，采用預(yù)設(shè)的聚類算法對所述源特征進(jìn)行特征聚類；

構(gòu)建模塊，用于根據(jù)特征聚類的結(jié)果構(gòu)建影像組學(xué)標(biāo)志物。

其中，所述多種模態(tài)影像包括四種MR解剖成像以及彌散張量成像、彌散加權(quán)成像、動態(tài)對比增強(qiáng)成像；所述四種MR解剖成像包括T1加權(quán)成像、T1對比增強(qiáng)成像、T2加權(quán)成像、T2流動衰減反轉(zhuǎn)恢復(fù)序列成像。

進(jìn)一步地，所述預(yù)處理模塊包括：

獲取單元，用于獲取多種模態(tài)影像；

處理單元，用于對所述多種模態(tài)影像進(jìn)行圖像配準(zhǔn)、平滑處理和插值處理。

進(jìn)一步地，所述處理單元具體用于：

選取四種MR解剖成像中的T1對比增強(qiáng)成像作為基準(zhǔn)圖像模態(tài)；

通過相似性度量獲取空間坐標(biāo)變換參數(shù)；

根據(jù)所述空間坐標(biāo)變換參數(shù)，將所述多種模態(tài)影像中的其余模態(tài)影像與所述T1對比增強(qiáng)成像進(jìn)行配準(zhǔn)。

其中，所述感興趣區(qū)域?qū)?yīng)的特征中包括形態(tài)特征、灰度特征以及紋理特征。

應(yīng)當(dāng)理解，在本發(fā)明實施例中，所稱處理器可以是中央處理單元(Central Processing Unit，CPU)和/或圖形處理器(Graphic Processing Unit，GPU)，也可以在此基礎(chǔ)上結(jié)合其他通用處理器、數(shù)字信號處理器(Digital Signal Processor，DSP)、專用集成電路(Application Specific Integrated Circuit，ASIC)、現(xiàn)成可編程門陣列(Field-Programmable Gate Array，F(xiàn)PGA)或者其他可編程邏輯器件、分立門或者晶體管邏輯器件、分立硬件組件等。

可選地，所述終端還可以包括一個或多個輸入設(shè)備、一個或多個輸出設(shè)備、。上述處理器、輸入設(shè)備、輸出設(shè)備、存儲器通過總線連接。

所述輸入設(shè)備可以包括觸控板、指紋采傳感器(用于采集用戶的指紋信息和指紋的方向信息)、麥克風(fēng)、通信模塊(比如Wi-Fi模塊、2G/3G/4G網(wǎng)絡(luò)模塊)、物理按鍵等。

輸出設(shè)備可以包括顯示器(LCD等)、揚(yáng)聲器等。其中，顯示器可用于顯示由用戶輸入的信息或提供給用戶的信息等。顯示器可包括顯示面板，可選的，可以采用液晶顯示器(Liquid Crystal Display，LCD)、有機(jī)發(fā)光二極管(Organic Light-Emitting Diode,OLED)等形式來配置顯示面板。進(jìn)一步的，上述觸摸屏可覆蓋在顯示器上，當(dāng)觸摸屏檢測到在其上或附近的觸摸操作后，傳送給處理器以確定觸摸事件的類型，隨后處理器根據(jù)觸摸事件的類型在顯示器上提供相應(yīng)的視覺輸出。

具體實現(xiàn)中，本發(fā)明實施例中所描述的處理器、輸入設(shè)備、輸出設(shè)備、存儲器可執(zhí)行本發(fā)明實施例提供的多模態(tài)影像組學(xué)的分析方法的實施例中所描述的實現(xiàn)方式，在此不再贅述。

綜上所述，本發(fā)明實施例通過獲取多種模態(tài)影像，并對所述多種模態(tài)影像進(jìn)行預(yù)處理；然后對預(yù)處理之后的模態(tài)影像進(jìn)行區(qū)域分割，獲取每一種模態(tài)影像對應(yīng)的感興趣區(qū)域；對每一種模態(tài)影像的每一個感興趣區(qū)域進(jìn)行高通量特征提取，獲取每一個感興趣區(qū)域?qū)?yīng)的特征；最后以所述多種模態(tài)影像的每一個感興趣區(qū)域?qū)?yīng)的特征組成源特征，采用預(yù)設(shè)的聚類算法對所述源特征進(jìn)行特征聚類，并根據(jù)特征聚類的結(jié)果構(gòu)建影像組學(xué)標(biāo)志物；從而解決了現(xiàn)有技術(shù)在影像組學(xué)研究中無法多方面提取圖像特征的問題，豐富了用于特征聚類的源特征數(shù)量以及特征聚類后的代表性特征種類，實現(xiàn)了最大限度地挖掘醫(yī)學(xué)影像信息。

本領(lǐng)域普通技術(shù)人員可以意識到，結(jié)合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬件、或者計算機(jī)軟件和電子硬件的結(jié)合來實現(xiàn)。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計約束條件。專業(yè)技術(shù)人員可以對每個特定的應(yīng)用來使用不同方法來實現(xiàn)所描述的功能，但是這種實現(xiàn)不應(yīng)認(rèn)為超出本發(fā)明的范圍。

所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡潔，上述描述的裝置和單元的具體工作過程，可以參考前述方法實施例中的對應(yīng)過程，在此不再贅述。

在本申請所提供的幾個實施例中，應(yīng)該理解到，所揭露的方法、裝置及終端，可以通過其它的方式實現(xiàn)。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述模塊、單元的劃分，僅僅為一種邏輯功能劃分，實際實現(xiàn)時可以有另外的劃分方式，例如多個單元或組件可以結(jié)合或者可以集成到另一個系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，裝置或單元的間接耦合或通信連接，可以是電性，機(jī)械或其它的形式。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實際的需要選擇其中的部分或者全部單元來實現(xiàn)本實施例方案的目的。

另外，在本發(fā)明各個實施例中的各功能單元、模塊可以集成在一個處理單元中，也可以是各個單元、模塊單獨(dú)物理存在，也可以兩個或兩個以上單元、模塊集成在一個單元中。

所述功能如果以軟件功能單元的形式實現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時，可以存儲在一個計算機(jī)可讀取存儲介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機(jī)軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機(jī)設(shè)備(可以是個人計算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括：U盤、移動硬盤、只讀存儲器(ROM，Read-Only Memory)、隨機(jī)存取存儲器(RAM，Random Access Memory)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。

以上所述，僅為本發(fā)明的具體實施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)所述以權(quán)利要求的保護(hù)范圍為準(zhǔn)。