一种联合瘤内瘤周特征预测肺结节良恶性的系统

本发明属于医学图像处理，具体涉及一种联合瘤内瘤周特征预测肺结节良恶性的系统。背景技术：1、肺癌在所有癌症中的发病率和死亡率均居于榜首。根据临床分期、病理分型、基因突变位点等的不同，对于肺癌推荐采取手术、放化疗、靶向治疗、免疫治疗等不同的治疗策略，但总体预后和生存率不佳。据统计，早期肺癌经手术治疗后，ia期癌症的5年总生存率约为66％，iia期约为43％，iiia期癌症仅为23％。因此，作为一种疾病负荷重、恶性程度高的恶性肿瘤，早发现、早期干预极为重要。2、现有技术中，对高危人群采用低剂量ct(ldct)筛查，可在早期更高效的检出肺癌(其i期肺癌比例为50-82％)，最终可使肺癌特异死亡率降低20％(p＝0.004)。在ct筛查中可疑病灶表现为肺结节，肺结节为直径≤3cm且不伴有肺不张、淋巴结肿大和胸腔积液的圆形或类圆形密度增高影。3、伴随着ldct的大规模应用，肺结节的检出率明显增加，有研究指出在ldct筛查中，约20％患者发现肺结节，并需要后续随访，但最终仅有1％患者发现肺癌。ldct大规模筛查下的假阳性为患者带来了不必要的心理压力，并随之产生不必要的随访观查。另一方面，肺结节的判读和影像评估很大程度上依靠临床医生的阅片经验。在临床实践中，阅片水平的不同以及繁重工作下的疲劳不可避免的影响了临床医生对肺结节的识别率。有研究发现，在常规ldct筛查中，人工阅片下的筛查，约15％的患者仍可能存在漏诊。假阳性和假阴性的存在对于肺癌的筛查造成了很多困扰。现有技术中，研究者主要基于患者临床信息、肺结节尺寸、部位、肺结节图像特点等因素制定不同的筛查建议。4、随着计算机芯片算力的进步、计算机图像识别技术及机器学习(machinelearning)的发展，人工智能(ai)与医学不断交融。目前，基于瘤内特征来分辨肺结节良恶性的影像组学模型已被广泛关注，据报道该类模型的准确率可达80％,相关的深度学习模型也取得了较好的预测效能。部分研究认为，瘤周区域可以代表肿瘤微环境，而肿瘤微环境又与肿瘤的生物学行为(包括侵袭性、转移潜力和治疗反应)相关。涉及瘤周特征的部分预测模型认为瘤周特征可提高模型对结节良恶性的预测能力(例如文献：radiology,2019,290(3):783-92.；medical physics,2019,46(7):3207-16.)，但部分研究呈现阴性结果(例如文献：academic radiology,2022,29suppl 2:s47-s52.)。这可能与不同研究者收集的结节的各项指标不同，各自模型分类器、调参等的使用等有关。5、因此，为了将瘤周特征应用于肺结节良恶性的预测，本领域仍然有必要对特征的提取、特征的选择和模型算法等因素进行进一步的优化。技术实现思路1、针对现有技术的问题，本发明提供一种联合瘤内瘤周特征预测肺结节良恶性的系统。2、一种联合瘤内瘤周特征预测肺结节良恶性的系统，包括：3、输入模块，用于输入患者的诊断数据；所述诊断数据包括ct检测数据；4、分割模块，用于从所述ct检测数据分割瘤内感兴趣区域和瘤周感兴趣区域；5、特征提取模块，用于从所述诊断数据提取特征，并对特征进行预处理；6、预测模块，用于将预处理后的特征输入预测模型，得到肺结节良恶性的预测结果；7、输出模块，用于输出所述预测结果。8、优选的，所述瘤内感兴趣区域采用nnu-net模型分割得到。9、优选的，所述瘤周感兴趣区域采用如下方法获得；10、根据尺寸或瘤体最大径比例对所述瘤内感兴趣区域进行扩展，将扩展的区域与肺部区域取交集，既得；其中，根据尺寸的扩展范围为3mm-21mm，根据瘤体最大径比例的扩展范围为0.25-1.05倍直径。11、优选的，所述扩展的区域根据尺寸进行扩展得到，扩展范围为3mm。12、优选的，所述区域特征包括一阶特征、形状特征、灰度共生矩阵、灰度区域大小矩阵、灰度游程矩阵、邻近灰度差矩阵或灰度依赖矩阵中的至少一种。13、优选的，所述预处理包括对所述区域特征进行降维处理，降维后的特征包括：14、median_firstorder_rootmeansquared、15、log_firstorder_log-sigma-1-5-mm-3d-interquartilerange、16、mean_glrlm_highgraylevelrunemphasis、17、peritumor_log_firstorder_log-sigma-0-5-mm-3d-minimum、18、wavelet_firstorder_wavelet-llh-variance、19、peritumor_original_shape_sphericity、20、peritumor_log_glcm_log-sigma-0-5-mm-3d-differenceentropy、21、wavelet_glszm_wavelet-lhl-zonepercentage、22、boxsigmaimage_firstorder_rootmeansquared、23、peritumor_wavelet_glrlm_wavelet-hll-shortrunlowgraylevelemphasis、24、peritumor_wavelet_firstorder_wavelet-lhh-kurtosis、25、log_glrlm_log-sigma-0-5-mm-3d-graylevelnonuniformitynormalized、26、additivegaussiannoise_gldm_dependenceentropy、27、original_glcm_correlation、28、log_gldm_log-sigma-1-0-mm-3d-dependencevariance、29、wavelet_firstorder_wavelet-lll-skewness、30、binomialblurimage_glcm_clusterprominence、31、boxsigmaimage_firstorder_skewness、32、wavelet_gldm_wavelet-hhh-dependencevariance、33、log_gldm_log-sigma-1-5-mm-3d-dependencevariance。34、优选的，所述诊断数据还包括临床诊断数据，从所述临床诊断数据中提取的特征包括如下特征中的至少一种：年龄、性别、恶性肿瘤史、结节最大径、结节部位在上叶还是其他部位、质地为实性还是非实性。35、优选的，所述预测模型的算法选自：支持向量机、极限梯度提升、逻辑回归或随机森林。36、优选的，对所述特征进行预处理的方法为quantitle transformer，所述预测模型的算法选自极限梯度提升。37、本发明还提供一种计算机可读存储介质，其上存储有：用于实现上述系统的计算机程序。38、本发明构建了一种用于预测肺结节良恶性的系统，该系统的预测模型结合了瘤内和瘤周的影像学特征(或瘤内、瘤周的影像学特征和临床诊断特征)，从而具有更好的预测性能。在优选方案中，本发明对特征的提取方法、预处理方法和特征的选择进行了优化，并对预测模型的算法进行了优化，进一步提升了模型的预测性能。本发明的预测模型性能优于现有的同类模型，具有很好的应用前景。39、显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。40、以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。