用于预测肝细胞肝癌组织学等级的基于钆塞酸二钠增强mri的影像组学特征采集方法
技术领域
1.本发明涉及肝癌的组织学等级预测用特征提取方法，用于预测肝细胞肝癌组织学等级的基于钆塞酸二钠增强mri的影像组学特征采集方法。
背景技术：2.hcc是全球诊断最频繁的癌症之一，也是与癌症相关性死亡的主要原因[1]。对于hcc患者，手术切除和肝移植是潜在的治愈性治疗方法[2]，但术后复发仍然很常见。组织学等级是hcc患者术后复发和预后的最重要预测指标之一[3-6]。与中分化和高分化的hcc相比，低分化的hcc通常预示着较差的生存[7]。oishi等不建议分化差且直径＞3cm的hcc患者进行肝移植[8]。okusaka等指出，分化较差的hcc患者需要扩大切除范围以获得更大的安全切缘，同时他们需要更频繁的治疗后随访[9]。活检是获取肿瘤组织病理学信息的唯一术前方法，它具有侵入性并且存在采样误差。因此，基于术前影像学准确地评估hcc的组织学等级对于治疗规划、预后和术后管理都至关重要。
[0003]
影像组学是一个新兴的研究领域，致力于高通量地提取基于医学图像中的大量的和基于统计学的复杂、隐藏的信息[10]。影像组学已用于各种类型肿瘤的多种生物学行为评估，包括肿瘤复发、预后和组织学等级[11-13]。ct的纹理特征、非造影增强mri的影像组学标签，以及基于钆喷酸葡胺增强mri的影像组学已经被尝试用于术前预测hcc组织学等级[14-16]。
[0004]
gd-eob-dtpa是肝细胞特异性造影剂。一些回顾性研究证实gd-eob dtpa增强mri在预测hcc组织学等级中起到了重要作用[17-19]。最近，kim等报道术前使用gd-eob-dtpa增强mri可以有效地区分单发hcc患者根治性切除后的早期复发(≤2年)和晚期复发(＞2年)[20]。但是至今没有人尝试使用gd-eob-dtpa增强mri影像组学特征来评估hcc的组织学等级。
[0005]
人工神经网络(artificialneuralnetwork，ann)是一种常用的机器学习方法，由一组高度互连的处理单元(神经元)组成，这些处理单元通过权重连接在一起[21]。网络由输入层、输出层和一个或多个隐藏层组成。隐藏单元使ann能够编码输入层和输出层之间的非线性关系[22]。与临床决策相关的许多因素之间的相互作用是复杂且非线性的[23，24]。传统的线性判别分析很难区分类别。对于多维度的影像组学特征，ann可以以任意精度拟合任意关系的非线性映射，成为预测临床终点事件的潜在应用工具[25，26]。
[0006]
因此，本发明的目的是设计一种特征的提取方法，用于建立基于gd-eob-dtpa增强mri影像组学特征的术前预测hcc组织学等级的模型，以弥补提取特征的方法不够健全的问题。
[0007]
参考文献：
[0008]
[1]torrela，brayf，siegelrl，etal.globalcancerstatistics，2012[j].cacancerjclin，2015，65(2):87-108.
[0009]
[2]kanwalf,befelera,charirs,etal.potentiallycurativetreatmentinpatientswithhepatocellularcancer
‑‑
resultsfromthelivercancerresearchnetwork[j].alimentpharmacolther,2012,36(3):257-265.
[0010]
[3]lauwersgy,terrisb,balisuj,etal.prognostichistologicindicatorsofcurativelyresectedhepatocellularcarcinomas:amulti-institutionalanalysisof425patientswithdefinitionofahistologicprognosticindex[j].amjsurgpathol,2002,26(1):25-34.
[0011]
[4]jonass,bechsteinwo,steinmullert,etal.vascularinvasionandhistopathologicgradingdetermineoutcomeafterlivertransplantationforhepatocellularcarcinomaincirrhosis[j].hepatology,2001,33(5):1080-1086.
[0012]
[5]zhoul,ruija,wangsb,etal.factorspredictiveforlong-termsurvivalofmalepatientswithhepatocellularcarcinomaaftercurativeresection[j].jsurgoncol,2007,95(4):298-303.
[0013]
[6]zhoul,ruija,yedx,etal.edmondson-steinergradingincreasesthepredictiveefficiencyoftnmstagingforlong-termsurvivalofpatientswithhepatocellularcarcinomaaftercurativeresection[j].worldjsurg,2008,32(8):1748-1756.
[0014]
[7]courtcm,harlander-lockemp,markovicd,etal.determinationofhepatocellularcarcinomagradebyneedlebiopsyisunreliableforlivertransplantcandidateselection[j].livertranspl,2017,23(9):1123-1132.
[0015]
[8]oishik,itamotot,amanoh,etal.clinicopathologicfeaturesofpoorlydifferentiatedhepatocellularcarcinoma[j].jsurgoncol,2007,95(4):311-316.
[0016]
[9]okusakat,okadas,uenoh,etal.satellitelesionsinpatientswithsmallhepatocellularcarcinomawithreferencetoclinicopathologicfeatures[j].cancer,2002,95(9):1931-1937.
[0017]
[10]lambinp,rios-velazqueze,leijenaarr,etal.radiomics:extractingmoreinformationfrommedicalimagesusingadvancedfeatureanalysis[j].eurjcancer,2012,48(4):441-446.
[0018]
[11]jiangy,chenc,xiej,etal.radiomicssignatureofcomputedtomographyimagingforpredictionofsurvivalandchemotherapeuticbenefitsingastriccancer[j].ebiomedicine,2018,36:171-182.
[0019]
[12]thawanir,mclanem,beign,etal.radiomicsandradiogenomicsinlungcancer:areviewfortheclinician[j].lungcancer,2018,115:34-41.
[0020]
[13]huangx,chengz,huangy,etal.ct-basedradiomicssignaturetodiscriminatehigh-gradefromlow-gradecolorectaladenocarcinoma[j].acadradiol,2018,25(10):1285-1297.
[0021]
[14]ohj,leejm,parkj,etal.hepatocellularcarcinoma:textureanalysisofpreoperativecomputedtomographyimagescanprovidemarkersoftumorgradeanddisease-freesurvival[j].koreanjradiol,2019,20(4):569-579.
[0022]
[15]wum,tanh,gaof,etal.predictingthegradeofhepatocellularcarcinomaba
sedonnon-contrast-enhancedmriradiomicssignature[j].eurradiol,2019,29(6):2802-2811.
[0023]
[16]zhouw,zhangl,wangk,etal.malignancycharacterizationofhepatocellularcarcinomasbasedontextureanalysisofcontrast-enhancedmrimages[j].jmagnresonimaging,2017,45(5):1476-1484.
[0024]
[17]kimhy,choijy,kimcw,etal.gadoliniumethoxybenzyldiethylenetriaminepentaaceticacid-enhancedmagneticresonanceimagingpredictsthehistologicalgradeofhepatocellularcarcinomaonlyinpatientswithchild-pughclassacirrhosis[j].livertranspl,2012,18(7):850-857.
[0025]
[18]anc,parkms,jeonhm,etal.predictionofthehistopathologicalgradeofhepatocellularcarcinomausingqualitativediffusion-weighted,dynamic,andhepatobiliaryphasemri[j].eurradiol,2012,22(8):1701-1708.
[0026]
[19]kogitas,imaiy,okadam,etal.gd-eob-dtpa-enhancedmagneticresonanceimagesofhepatocellularcarcinoma:correlationwithhistologicalgradingandportalbloodflow[j].eurradiol,2010,20(10):2405-2413.
[0027]
[20]kims,shinj,kimdy,etal.radiomicsongadoxeticacid-enhancedmagneticresonanceimagingforpredictionofpostoperativeearlyandlaterecurrenceofsinglehepatocellularcarcinoma[j].clincancerres,2019,25(13):3847-3855.
[0028]
[21]crossss,harrisonrf,kennedyrl.introductiontoneuralnetworks[j].lancet,1995,346(8982):1075-1079.
[0029]
[22]kempra,macaulayc,palcicb.openingtheblackbox:therelationshipbetweenneuralnetworksandlineardiscriminantfunctions[j].analcellpathol,1997,14(1):19-30.
[0030]
[23]pawliktm,delmanka,vautheyjn,etal.tumorsizepredictsvascularinvasionandhistologicgrade:implicationsforselectionofsurgicaltreatmentforhepatocellularcarcinoma[j].livertranspl,2005,11(9):1086-1092.
[0031]
[25]pennyw,frostd.neuralnetworksinclinicalmedicine[j].meddecismaking,1996,16(4):386-398.
[0032]
[26]cucchettia,vivarellim,heatonnd,etal.artificialneuralnetworkissuperiortomeldinpredictingmortalityofpatientswithend-stageliverdisease[j].gut,2007,56(2):253-258.
[0033]
[29]guany,liw,jiangz,etal.whole-lesionapparentdiffusioncoefficient-basedentropy-relatedparametersforcharacterizingcervicalcancers:initialfindings[j].acadradiol,2016,23(12):1559-1567.
[0034]
[30]aminmb.ajcccancerstagingmanual[m].eightedition/editor-in-chief,mahulb.amin,md,fcap；editors,stephenb.edge,md,facs[and16others]；donnam.gress,rhit,ctr-technicaleditor；laurar.meyer,capm-managingeditor.2017.
[0035]
[32]torlayl,perrone-bertolottim,thomase,etal.machinelearning-xgboostanalysisoflanguagenetworkstoclassifypatientswithepilepsy[j].braininform,2017,
4(3):159-169.
[0036]
[33]delonger,delongdm,clarke-pearsondl.comparingtheareasundertwoormorecorrelatedreceiveroperatingcharacteristiccurves:anonparametricapproach[j].biometrics,1988,44(3):837-845。
技术实现要素：[0037]
本发明的目的是为了解决现有的缺少一种用于基于钆塞酸二钠增强的mri影像组学预测肝细胞肝癌的组织学等级的特征提取方法问题，而提出用于预测肝细胞肝癌组织学等级的基于钆塞酸二钠增强mri的影像组学特征采集方法。
[0038]
用于预测肝细胞肝癌组织学等级的基于钆塞酸二钠增强mri的影像组学特征采集方法，所述方法通过以下步骤实现：
[0039]
步骤一、针对mri的hcc病理信息的患者设置纳入标准和排除标准，并统计能够纳入影像组学特征采集的患者总数量，
[0040]
所述纳入标准为：
[0041]
(1)有来自于术后病理证实的edmondson-steiner等级；edmondson-steiner等级为国际上常用的肝癌病理分级；
[0042]
(2)有手术前3周内完整的钆塞酸二钠增强增强mri图像；
[0043]
所述排除标准为：
[0044]
(1)术前接受任何全身的或局部的抗肿瘤治疗，例如射频或微波消融、tace或分子靶向治疗；
[0045]
(2)没有完整的术前临床数据；
[0046]
(3)由于伪影导致的mri图像质量较差；其中，图像质量差是指通过psnr、结构相似度ssim或多尺度结构相似度方法评估出低分的图像；
[0047]
步骤二、经步骤一纳入标准的患者接受常规gd-eob-dtpa增强mri检查；具体为：
[0048]
每位患者在检查前禁食6个小时并接受呼吸训练；
[0049]
使用带有32通道的dstream体线圈的全身3.0t扫描仪进行mri检查；
[0050]
扫描范围从右侧膈肌到肾门水平；
[0051]
使用t1加权3d涡轮场回波(tfe)序列和多回波dixon脂肪-水分离技术；
[0052]
在注入d-eob-dtpa注射液和生理盐水，获得动脉期，门脉期，平衡期和肝胆期的图像；
[0053]
mri参数包括重复时间：3.7ms，回声时间：1.32ms，2.4ms，矩阵大小：268
×
236，层厚：5mm，重建层厚：2.5mm，视野：400mm
×
352mm，翻转角：10度，激励次数：1；
[0054]
步骤三、将获得的钆塞酸二钠增强mri的按照统计的总数量分为两部分，一部分作为训练组，用于构建预测肝细胞肝癌的组织学等级模型，另一部分作为验证组，用于验证预测肝细胞肝癌的组织学等级的预测效果；
[0055]
步骤四、进行影像组学特征提取。
[0056]
优选地，步骤一所述的病理信息从电子病理系统内获取，病理信息包括：性别、年龄、血清afp水平、血清癌胚抗原水平、血清糖类抗原19-9水平、alt、ast、tnm分期、e-s等级。
[0057]
优选地，步骤四所述的进行影像组学特征提取的过程为：
[0058]
步骤四一、获取钆塞酸二钠增强的mri影像组学特征；
[0059]
获取钆塞酸二钠增强增强的mri图像，分别在动脉期和肝胆期mri图像上沿着肿瘤边缘逐层勾画roi，roi包括肿瘤内的坏死或囊性区域，并且避开肿瘤周围的肝实质组织、血管以及临近的腹腔内脂肪组织；
[0060]
每一期的多个roi经重建后获得肿瘤的voi；从每个voi中可提取123个影像组学特征，包括灰度直方图特征19个：mean，standarddeviation，skewness，kurtosis，entropy，maxfrequency，minimum，maximum，histogramwidth，percentile5％，percentile10％，percentile25％，percentile50％，percentile75％，percentile90％，mode，auclow，s-sdlowest，s-sdavdistributionwitdh；形状特征8个：volume，surfacearea，sphericity，sphericaldisproportion，surfacevolumeratio，compactness1，compactness2，volumediameter；纹理特征24
×
4个，每个纹理特征源自0
°
、45
°
、90
°
和135
°
四个方向，其中16
×
4个纹理特征来自灰度共生矩阵；8
×
4个纹理特征来自灰度游程长度矩阵；选取每个纹理特征四个方向上的平均值作为该纹理特征的最终值，因此每期获得24个纹理特征，两期共获得影像组学特征2
×
(19+8+24)＝102个；
[0061]
步骤四二、使用icc评估提取的各组mri影像组学特征的观察者之间的一致性；将icc值低于0.75的影像组学特征认为稳定性较差，并将其剔除；之后将获得的各一致性的平均值用作最终结果；即：
[0062]
通过观察者之间的可重复性计算去除在动脉期mri影像组学数据集中去除稳定性较差的特征，剩余47个动脉期mri影像组学特征，且剩余的特征的icc值的范围是0.840-1.000；其中，去除的特征包括：icc值为0.638的auclow、icc值为0.290的sphericity、icc值为0.513的compactness2和icc值为0.655的clustershade；
[0063]
同时，通过观察者之间的可重复性计算在肝胆期mri影像组学数据集中去除稳定性较差的特征，剩余50个肝胆期mri影像组学特征，且所述的特征的icc值的范围是0.757-1.000；其中，去除的特征包括：icc值为0.428的sphericity。
[0064]
本发明的有益效果为：
[0065]
本发明是用于构建区分高级别hcc和低级别hcc模型，具体是为区分高级别hcc和低级别hcc构建提供数据基础，弥补构建模型所用的特征选择的技术缺陷，具体通过临床参数和gd-eob-dtpa增强的mri影像组学特征组成的综合模型。
[0066]
本发明建立了由mri影像组学特征(基于动脉期、肝胆期、动脉期和肝胆期)和临床参数，用于组成术前预测hcc组织学的模型。
[0067]
本发明方法是用观察者之间和观察者之间的可重复性选择影像组学特征的，建立了可重复性测试，包括观察者内部和观察者之间的icc计算，可以显著改善影像学特征的功能聚类可再现性，能筛选出与区分高级别的hcc和低级别的hcc相关的重要的特征，具有特征选择准确的优点，从而为构建预测模型提供基础。
附图说明
[0068]
图1为本发明的方法流程图。
具体实施方式
[0069]
具体实施方式一：
[0070]
本实施方式的用于预测肝细胞肝癌组织学等级的基于钆塞酸二钠增强mri的影像组学特征采集方法，如图1所示，所述方法通过以下步骤实现：
[0071]
步骤一、针对mri的hcc病理信息的患者设置纳入标准和排除标准，并统计能够纳入影像组学特征采集的患者总数量，
[0072]
所述纳入标准为：
[0073]
(1)有来自于术后病理证实的edmondson-steiner(e-s)等级；edmondson-steiner等级为国际上常用的肝癌病理分级；
[0074]
(2)有手术前3周内完整的钆塞酸二钠增强gd-eob-dtpa增强mri图像；
[0075]
所述排除标准为：
[0076]
(1)术前接受任何全身的或局部的抗肿瘤治疗，例如射频或微波消融、tace或分子靶向治疗(n＝63)；
[0077]
(2)没有完整的术前临床数据(n＝21)；
[0078]
(3)由于伪影导致的mri图像质量较差(n＝9)；其中，图像质量差是指通过psnr、结构相似度ssim或多尺度结构相似度方法评估出低分的图像；
[0079]
最终，共纳入了122例hcc患者，其中男性105例，女性17例，平均年龄58岁(范围：35-84岁)。患者按照7:3的比例被随机分配到训练组(n＝85，70％)和测试组(n＝37，30％)。
[0080]
步骤二、经步骤一纳入标准的患者接受常规gd-eob-dtpa增强mri检查；具体为：
[0081]
每位患者在检查前禁食6个小时并接受呼吸训练；
[0082]
使用带有32通道的dstream体线圈的全身3.0t扫描仪(ingenia3.0t，philipshealthcare，best，thenetherlands)进行mri检查；
[0083]
扫描范围从右侧膈肌到肾门水平；
[0084]
使用t1加权3d涡轮场回波(tfe)序列和多回波dixon脂肪-水分离技术；
[0085]
在注入d-eob-dtpa注射液和生理盐水，其中，以1ml/s的速度经外周静脉快速推注0.025mmol/kg体重(0.1ml/kg)的gd-eob-dtpa注射液(primovist，拜耳先灵医药股份公司，德国柏林)，然后使用自动动力注射器(medradspectrissolarisepmrinjectorsystem；onemedraddriveindianola，pa，us)以1ml/s的速度推注10ml生理盐水；在注射对比剂前获得平扫图像，注射对比剂后获得动脉期(共3期：具有固定的18s延迟扫描，每期持续8s)，门脉期(60s)，平衡期(180s)和肝胆期(15min)的图像；
[0086]
mri参数包括重复时间(repetitiontime，tr)：3.7ms，回声时间(echotime，te)：1.32ms，2.4ms，矩阵大小：268
×
236，层厚：5mm，重建层厚：2.5mm，视野(fieldofview，fov)：400mm
×
352mm，翻转角：10度，激励次数：1；
[0087]
步骤三、将获得的钆塞酸二钠增强mri的按照统计的总数量分为两部分，一部分作为训练组，用于构建预测肝细胞肝癌的组织学等级模型，另一部分作为验证组，用于验证预测肝细胞肝癌的组织学等级的预测效果；
[0088]
步骤四、进行影像组学特征提取。
[0089]
具体实施方式二：
[0090]
与具体实施方式一不同的是，本实施方式的用于预测肝细胞肝癌组织学等级的基
于钆塞酸二钠增强mri的影像组学特征采集方法，
[0091]
步骤一所述的病理信息从电子病理系统内获取，病理信息包括：性别、年龄、血清afp水平(＞10ng/ml或≤10ng/ml)、血清癌胚抗原(carcinoembryonicantigen，cea)水平(＞5ng/ml或≤5ng/ml)、血清糖类抗原19-9(carbohydrateantigen19-9，ca19-9)水平(＞39u/ml或≤39u/ml)、alt(u/l)、ast(u/l)、tnm分期、e-s等级。
[0092]
具体实施方式三：
[0093]
与具体实施方式二不同的是，本实施方式的用于预测肝细胞肝癌组织学等级的基于钆塞酸二钠增强mri的影像组学特征采集方法，
[0094]
步骤四所述的进行影像组学特征提取的过程为：
[0095]
步骤四一、获取钆塞酸二钠增强的mri影像组学特征；
[0096]
获取钆塞酸二钠增强gd-eob-dtpa增强的mri图像。从影像存档和通信系统(pacs)获得了所有hcc患者的2.5mm层厚的的动脉期(第2期)和肝胆期图像，均符合数字医学影像及传输协议(digitalimagingandimagingandcomminicationsinmedicine，dicom)。
[0097]
分别在动脉期和肝胆期mri图像上沿着肿瘤边缘逐层手动勾画roi，包括肿瘤内的坏死或囊性区域，避开肿瘤周围的肝实质组织、血管以及临近的腹腔内脂肪组织。每一期的多个roi经重建后获得肿瘤的voi，从每个voi中可提取123个影像组学特征，包括灰度直方图特征19个：mean，standarddeviation，skewness，kurtosis，entropy，maxfrequency，minimum，maximum，histogramwidth，percentile5％，percentile10％，percentile25％，percentile50％，percentile75％，percentile90％，mode，auclow，s-sdlowest，s-sdavdistributionwitdh；形状特征8个：volume，surfacearea，sphericity，sphericaldisproportion，surfacevolumeratio，compactness1，compactness2，volumediameter；纹理特征24
×
4个(每个纹理特征源自0
°
、45
°
、90
°
和135
°
四个方向)，其中16
×
4个纹理特征来自灰度共生矩阵(correlation，entropy(h)，idmn，idn，dissimilarity，energy，homogeneity1，homogeneity2，contrast，variance，inversevariance，maxprobability，autocorrelation，clusterprominence，clustershade，clustertendency)；8
×
4个纹理特征来自灰度游程长度矩阵(gln，hglre，lrhgle，lrlgle，lglre，rln，srhgle，srlgle)，选取每个纹理特征四个方向上的平均值作为该纹理特征的最终值[29]，因此每期可获得24个纹理特征。两期共获得影像组学特征2
×
(19+8+24)＝102个。
[0098]
shapiro-wilk检验和levene检验分别用于正态性检验和方差齐性检验。使用置换检验比较低级别和高级别肿瘤的gd-eobdtpa增强的mri影像组学特征和术前临床参数，决策树用于进一步的参数选择[32]。筛选出的参数用于构建预测hcc组织学等级的ann和逻辑回归模型。通过逻辑回归模型的公式获得感兴趣事件的概率：p＝1/(1+e-logit(p))，logit(p)＝b0+b1x1+b2x2+b3x3+b4x4+...bkxk。ann是一个三层前馈神经网络，具有输入节点(临床参数和影像组学特征)，含23个神经元的隐藏层和一个输出神经元(高级别hcc或低级别hcc)。用roc曲线评估不同模型的预测效能，记录模型的auc、敏感性和特异性。delong检验[33]用于比较预测模型之间auc的差异。决策曲线分析用于评估不同预测模型的净收益。python3.7(amsterdam，netherlands)用于构建建ann和逻辑回归模型。r软件(rfoundationforstatisticalcomputing，version3.4.1；https://www.r-project.org/)。用于其他统
计分析。双尾p＜0.05被认为具有统计学意义。
[0099]
表1展示了122个hcc患者的临床病理信息。122个hccs被分成79个低级别肿瘤(14个e-si级的肿瘤和65个e-sii级的肿瘤)和43个高级别肿瘤(41个e-siii级的肿瘤和2个e-siv级的肿瘤)；
[0100]
表1.hcc患者的临床病理信息
[0101]
[0102][0103]
步骤四二、使用icc评估提取的各组mri影像组学特征的观察者之间的一致性；将icc值低于0.75的影像组学特征认为稳定性较差，并将其剔除；之后将获得的各一致性的平均值用作最终结果；即：
[0104]
通过观察者之间的可重复性计算去除在动脉期mri影像组学数据集中去除稳定性较差的特征，剩余47个动脉期mri影像组学特征，且剩余的特征的icc值的范围是0.840-1.000；其中，去除的特征包括：icc值为0.638的auclow、icc值为0.290的sphericity、icc值为0.513的compactness2和icc值为0.655的clustershade；
[0105]
同时，通过观察者之间的可重复性计算在肝胆期mri影像组学数据集中去除稳定性较差的特征，剩余50个肝胆期mri影像组学特征，且所述的特征的icc值的范围是0.757-1.000；其中，去除的特征包括：icc值为0.428的sphericity，所有影像组学特征的icc值如表2所示；
[0106]
表2.动脉期和肝胆期gd-eob-dtpa增强mri影像组学特征的icc值
[0107]
[0108]
[0109][0110][0111]
注：gd-eob-dtpa，钆塞酸二钠；icc，组内相关系数；*，icc＜0.750。
技术特征：1.一种用于预测肝细胞肝癌的组织学等级的基于钆塞酸二钠增强mri的影像组学特征采集方法，其特征在于：所述方法通过以下步骤实现：步骤一、针对mri的hcc病理信息的患者设置纳入标准和排除标准，并统计能够纳入影像组学特征采集的患者总数量，所述纳入标准为：（1）有来自于术后病理证实的edmondson-steiner等级；edmondson-steiner等级为国际上常用的肝癌病理分级；（2）有手术前3周内完整的钆塞酸二钠增强增强mri图像；所述排除标准为：（1）术前接受任何全身的或局部的抗肿瘤治疗，例如射频或微波消融、tace或分子靶向治疗；（2）没有完整的术前临床数据；（3）由于伪影导致的mri图像质量较差；其中，图像质量差是指通过psnr、结构相似度ssim或多尺度结构相似度方法评估出低分的图像；步骤二、将步骤一纳入标准的患者接受常规钆塞酸二钠增强mri检查；具体为：每位患者在检查前禁食6个小时并接受呼吸训练；使用带有32通道的dstream体线圈的全身3.0t扫描仪进行mri检查；扫描范围从右侧膈肌到肾门水平；使用t1加权3d涡轮场回波序列和多回波dixon脂肪-水分离技术；在注入d-eob-dtpa注射液和生理盐水，获得动脉期，门脉期，平衡期和肝胆期的图像；mri参数包括重复时间：3.7ms，回声时间：1.32ms，2.4ms，矩阵大小：268
×
236，层厚：5mm，重建层厚：2.5mm，视野：400mm
×
352mm，翻转角：10度，激励次数：1；步骤三、将获得的钆塞酸二钠增强mri的按照统计的总数量分为两部分，一部分作为训练组，用于构建预测肝细胞肝癌的组织学等级模型，另一部分作为验证组，用于验证预测肝细胞肝癌的组织学等级的预测效果；步骤四、进行影像组学特征提取。2.根据权利要求1所述的一种用于预测肝细胞肝癌的组织学等级的基于钆塞酸二钠增强mri的影像组学特征采集方法，其特征在于：步骤一所述的病理信息从电子病理系统内获取，病理信息包括：性别、年龄、血清afp水平、血清癌胚抗原水平、血清糖类抗原19-9水平、alt、ast、tnm分期、e-s等级。3.根据权利要求2所述的一种用于预测肝细胞肝癌的组织学等级的基于钆塞酸二钠增强mri的影像组学特征采集方法，其特征在于：步骤四所述的进行影像组学特征提取的过程为：步骤四一、获取钆塞酸二钠增强的mri影像组学特征；获取钆塞酸二钠增强增强的mri图像，分别在动脉期和肝胆期mri图像上沿着肿瘤边缘逐层勾画roi，roi包括肿瘤内的坏死或囊性区域，并且避开肿瘤周围的肝实质组织、血管以及临近的腹腔内脂肪组织；每一期的多个roi经重建后获得肿瘤的voi；从每个voi中可提取123个影像组学特征，包括灰度直方图特征19个：mean，standarddeviation，skewness，kurtosis，entropy，
maxfrequency，minimum，maximum，histogramwidth，percentile5%，percentile10%，percentile25%，percentile50%，percentile75%，percentile90%，mode，auclow，s-sdlowest，s-sdavdistributionwitdh；形状特征8个：volume，surfacearea，sphericity，sphericaldisproportion，surfacevolumeratio，compactness1，compactness2，volumediameter；纹理特征24
×
4个，每个纹理特征源自0
°
、45
°
、90
°
和135
°
四个方向，其中16
×
4个纹理特征来自灰度共生矩阵；8
×
4个纹理特征来自灰度游程长度矩阵；选取每个纹理特征四个方向上的平均值作为该纹理特征的最终值，因此每期获得24个纹理特征，两期共获得影像组学特征2
×
（19+8+24）=102个；步骤四二、使用icc评估提取的各组mri影像组学特征的观察者之间的一致性；将icc值低于0.75的影像组学特征认为稳定性较差，并将其剔除；之后将获得的各一致性的平均值用作最终结果；即：通过观察者之间的可重复性计算去除在动脉期mri影像组学数据集中去除稳定性较差的特征，剩余47个动脉期mri影像组学特征，且剩余的特征的icc值的范围是0.840-1.000；其中，去除的特征包括：icc值为0.638的auclow、icc值为0.290的sphericity、icc值为0.513的compactness2和icc值为0.655的clustershade；同时，通过观察者之间的可重复性计算在肝胆期mri影像组学数据集中去除稳定性较差的特征，剩余50个肝胆期mri影像组学特征，且所述的特征的icc值的范围是0.757-1.000；其中，去除的特征包括：icc值为0.428的sphericity。
技术总结一种用于预测肝细胞肝癌的组织学等级的基于钆塞酸二钠增强MRI的影像组学特征采集方法。现有的缺少一种基于钆塞酸二钠增强的MRI影像组学特征提取方法。一种用于预测肝细胞肝癌的组织学等级的基于钆塞酸二钠增强MRI的影像组学特征采集方法，针对MRI的HCC病理信息的患者设置纳入标准和排除标准，并统计能够纳入影像组学特征采集的患者总数量，纳入标准的患者接受常规Gd-EOB-DTPA增强MRI检查；将获得的钆塞酸二钠增强MRI的部分进行影像组学特征提取。本发明作为预测肝细胞肝癌的组织学等级的数据基础，具有特征提取准确的优点。具有特征提取准确的优点。具有特征提取准确的优点。
技术研发人员：尹胤 刘巧玉 刘洋 徐晓亮 周喆聿 王锦程 王琨 张文杰
受保护的技术使用者：南京亨达生物科技有限公司
技术研发日：2022.03.18
技术公布日：2022/7/5
