(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210102966.0 (22)申请日 2022.01.27 (71)申请人 大连医科 大学附属第一医院 地址 116000 辽宁省大连市西岗区中山路 222号 (72)发明人 刘爱连　田士峰　张钦和　赵莹　 王楠　马长军　宋清伟　吴艇帆　 李昕　郭妍　 (74)专利代理 机构 北京知呱 呱知识产权代理有 限公司 1 1577 专利代理师 胡乐 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/25(2022.01) G06V 10/44(2022.01)G06V 10/766(2022.01) G06V 10/764(2022.01) G06K 9/62(2022.01) (54)发明名称 一种基于扩散峰度成像MK图的图像特征处 理方法及系统 (57)摘要 本申请公开了一种基于扩散峰度成像MK图 的图像特征处理方法及系统， 本方法首先获取目 标患者的DKI序列MK样本 图像， 勾画各个样本图 像的感兴趣区域得到感兴趣区域集； 通过 pyradiomics工具包对感兴趣区域集进行特征提 取， 得到感兴趣区域所对应的若干类影像组学特 征集合； 对于每一类影像组学特征集合， 通过L1 正则化Logistic回归算法进行整合得到该类影 像组学特征集合的代表性特征； 将获得的若干类 代表性特征进行集成， 通过L2正则化Logi stic回 归模型， 得到每一类代表性特征的权重， 根据各 个代表性特征的权重得到目标患者的特征处理 结果。 可以看出， 本发明为宫颈癌病理分型提供 一种基于影像组学特征的非侵袭性的、 精准定量 的可视化方法。 权利要求书2页 说明书8页 附图2页 CN 114445374 A 2022.05.06 CN 114445374 A 1.一种基于扩散峰度成像MK图的图像特 征处理方法， 其特 征在于， 所述方法包括： 获取目标患者的DKI序列MK样本图像， 勾画各个样本图像的感兴趣区域得到感兴趣区 域集； 通过pyradiomics工具包对所述感兴趣区域集进行特征提取， 得到感兴趣区域所对应 的若干类 影像组学特征集合； 对于每一类影像组学特征集合， 通过L1正则化Lo gistic回归算法进行整合得到该类影 像组学特征集合的代表性特征； 将获得的若干类代表性特征进行集成， 通过L2正则化Logistic回归模型， 得到每一类 代表性特征的权重， 根据各个代 表性特征的权重得到目标患者的特 征处理结果。 2.根据权利要求1所述的方法， 其特征在于， 影像组学特征至少包括： 一阶统计特征、 形 状特征、 灰度共生矩阵特征、 灰度游程长度矩阵特征、 灰度尺寸区域矩阵特征、 领域灰度差 矩阵特征和灰度相关矩阵特 征。 3.根据权利要求1所述的方法， 其特征在于， 通过L1正则化Lo gistic回归算法进行整合 得到该类影像组学特征集合的代表性特征， 其中， L1正则化Logistic回归算法的公式具体 包括： 其中， n为样本图像的个数， β 为组学特征的权重， ||β ||1为其L1范数， 即||β ||1＝|β1|+| β2|+...+|βn|,ln l为对数似然函数， x(i)为第i个病例的特征组， y(i)为第i个病例的类别， λ 为联系惩罚项与损失数的权 重参数。 4.根据权利要求1所述的方法， 其特征在于， 所述通过L2正则化Logistic回归模型， 得 到每一类代 表性特征的权重， 包括： 将临床恶性肿瘤概 率公式做对数变换 得到影像组学评分； 根据所述影 像组学评分得到每一类代 表性特征的权重。 5.根据权利要求4所述的方法， 其特征在于， 所述根据所述影像组学评分得到每一类代 表性特征的权重， 包括： 根据公式： 确定影像组学评分与每一类代表性特征的权重的对应关系， 其中， Radiomicsscore表 示影像组学评分， 表示临床恶性肿瘤概 率公式， β·x表示代表性特征的权重β 和特征组 x内积。 6.根据权利要求1所述的方法， 其特征在于， 所述根据各个代表性特征的权重得到目标 患者的特 征处理结果， 包括： 通过公式权　利　要　求　书 1/2 页 2 CN 114445374 A 2得到目标患者的特征处理结果， 其中， Ct表示特征处理结果， βt表示第t个代表性特征的 权重。 7.一种基于扩散峰度成像MK图的图像特 征处理系统， 其特 征在于， 所述系统包括： 勾画模块， 用于获取目标患者的DKI序列MK样本图像， 勾画各个样本图像的感兴趣区域 得到感兴趣区域 集； 提取模块， 用于通过pyradiomics工具包对所述感兴趣区域集进行特征提取， 得到感兴 趣区域所对应的若干类 影像组学特征集合； 整合模块， 用于对于每一类影像组学特征集合， 通过L1正则化Logistic回归算法进行 整合得到该类 影像组学特征集合的代表性特征； 分析模块， 用于将获得的若干类代表性特征进行集成， 通过L2正则化Logistic回归模 型， 得到每一类代表性特征 的权重， 根据各个代表性特征 的权重得到目标患者的特征处理 结果。 8.根据权利要求7所述的系统， 其特征在于， 通过L1正则化Lo gistic回归算法进行整合 得到该类影像组学特征集合的代表性特征， 其中， L1正则化Logistic回归算法的公式具体 包括： 其中， n为样本图像的个数， β 为组学特征的权重， ||β ||1为其L1范数， 即||β ||1＝|β1|+| β2|+...+|βn|,ln l为对数似然函数， x(i)为第i个病例的特征组， y(i)为第i个病例的类别， λ 为联系惩罚项与损失数的权 重参数。权　利　要　求　书 2/2 页 3 CN 114445374 A 3