(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 202210398698.1 (22)申请日 2022.04.15 (71)申请人 郑州大学第一附属医院 地址 450052 河南省郑州市二七区建 设东 路50号 (72)发明人 黄文鹏　高剑波　李莉明　刘晨晨　 周宇涵　 (74)专利代理 机构 郑州翊博专利代理事务所 (普通合伙) 41155 专利代理师 周玉青 (51)Int.Cl. G06V 10/764(2022.01) G06K 9/62(2022.01) G06V 10/25(2022.01) G06V 10/26(2022.01)G06V 10/44(2022.01) G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 17/00(2006.01) (54)发明名称 一种食管胃结合部肿瘤图像分类方法、 系 统、 设备及存 储介质 (57)摘要 本发明涉及计算机视觉及医学影像分析技 术领域， 具体公开了一种食管胃结合部肿瘤图像 分类方法、 系统、 设备及存储介质。 所述 分类方法 的具体步骤为： S1、 对受试者食管胃结合部的肿 瘤医学图像进行处理， 获取肿瘤医学图像病灶的 三维ROI区域图像； S2、 提取所述三维ROI区域图 像中的影像组学特征； S3、 将步骤S2提取的影像 组学特征的值输入评分预测模型， 计算得到所述 三维ROI区域图像的 图像评分； S4、 对步骤S3获得 的图像评分进行定性分析， 预测肿瘤医学图像的 图像类型。 本发 明的分类方法能够在术前预测食 管胃结合部肿瘤属于腺癌还是鳞癌， 预测的AUC 能够达到0.8以上， 具有较高的准确性； 而且， 具 备术前无创性的优点。 权利要求书4页 说明书25页 附图4页 CN 114758175 A 2022.07.15 CN 114758175 A 1.一种食管胃结合部肿瘤图像分类方法， 其特 征在于， 包括以下步骤： S1、 对受试者食管胃结合部的肿瘤医学图像进行处理， 获取肿瘤医学图像病灶的三维 ROI区域图像； S2、 提取所述三维ROI区域图像中的影 像组学特征； S3、 将步骤S2提取的影像组学特征的值输入评分预测模型， 计算得到所述三维ROI区域 图像的图像评分； S4、 对步骤S3获得的图像评分进行定性分析， 预测肿瘤医学图像的图像 类型。 2.根据权利要求1所述的食管胃结合部肿瘤图像分类方法， 其特征在于， 所述三维ROI 区域图像为动脉期三维 ROI区域图像和/或静脉期三维 ROI区域图像。 3.根据权利要求2所述的食管胃结合部肿瘤图像分类方法， 其特征在于， 所述三维ROI 区域图像为动脉期三维 ROI区域图像时， 步骤S2中所述影 像组学特征为： log.sigma.1.0.m m.3D_ngtdm_Busynes s、 log.sigma.3.0.m m.3D_gldm_DependenceVariance、 log.sigma.3.0.m m.3D_ngtdm_Busynes s、 original_firstorder_Median、 wavelet.HLH_glrlm_L ongRunHighGrayLevelEmphasis、 wavelet.HLH_ngtdm_Busynes s、 wavelet.HL L_gldm_DependenceVariance、 wavelet.LH H_firstorder_Skew ness、 wavelet.L LH_glszm_LargeA reaEmphasis、 wavelet.L LL_firstorder_I nterquar tileRange； 所述三维ROI区域图像为静脉期三维 ROI区域图像时， 步骤S2中所述影 像组学特征为： log.sigma.1.0.m m.3D_firstorder_90Percenti le、 original_firstorder_Median、 wavelet.HLH_glcm_ClusterPromi nence、 wavelet.HL L_gldm_DependenceVariance、 wavelet.LH H_ngtdm_Busynes s、 wavelet.L LH_firstorder_Kur tosis、 wavelet.L LH_gldm_DependenceVariance； 所述三维ROI区域图像为动脉期三维ROI区域图像和静脉期三维ROI区域图像时， 步骤 S2中分别提取动脉期三维 ROI区域图像、 静脉期三维 ROI区域图像的影 像组学特征， 其中， 动脉期三维 ROI区域图像提取的影 像组学特征为： log.sigma.1.0.m m.3D_ngtdm_Busynes s、 log.sigma.3.0.m m.3D_gldm_DependenceVariance、 log.sigma.3.0.m m.3D_ngtdm_Busynes s、 original_firstorder_Median、 wavelet.HLH_glrlm_L ongRunHighGrayLevelEmphasis、 wavelet.HLH_ngtdm_Busynes s、 wavelet.HL L_gldm_DependenceVariance、权　利　要　求　书 1/4 页 2 CN 114758175 A 2wavelet.LH H_firstorder_Skew ness、 wavelet.L LH_glszm_LargeA reaEmphasis、 wavelet.L LL_firstorder_I nterquar tileRange； 静脉期三维 ROI区域图像提取的影 像组学特征为： log.sigma.1.0.m m.3D_firstorder_90Percenti le、 original_firstorder_Median、 wavelet.HLH_glcm_ClusterPromi nence、 wavelet.HL L_gldm_DependenceVariance、 wavelet.LH H_ngtdm_Busynes s、 wavelet.L LH_firstorder_Kur tosis、 wavelet.L LH_gldm_DependenceVariance。 4.根据权利要求3所述的食管胃结合部肿瘤图像分类方法， 其特征在于， 所述三维ROI 区域图像为动脉期三维ROI区域图像时， 步骤S3中所述评分预测模型为动脉期评分预测模 型， 动脉期评分预测模型用于计算图像评分的计算公式为： Rad ‑scoreAP＝0.266－0.852 × log.sigma.1.0.mm.3D_ngtdm_Busyness+0.708 ×log.sigma.3.0.mm.3D_gldm_ DependenceVariance+0.360 ×log.sigma.3.0.mm.3D_ngtdm_Busyness－0.830 × o rig ina l_f i rs to rd e r_Med ia n－1 .1 60 ×wa vele t .HLH_g l rlm _ LongRunHighGrayLevelEmphasis－1.122 ×wavelet.HLH_ngtdm_Busyness+0.656 × wavelet.HLL_gldm_DependenceVariance+0.715 ×wavelet.LHH_firstorder_Skewness+ 2.398×wavelet.LLH_glszm_LargeAreaEmphasis+0.777 ×wavelet.LLL_firstorder_ Interquar tileRange； 所述三维ROI区域图像为静脉期三维ROI区域图像时， 步骤S3中所述评分预测模型为静 脉期评分预测模型， 静脉期评分预测模型用于计算图像评分的计算公式为： Rad‑scoreVP＝0.047+0.760 ×log.sigma.1.0.mm.3D_firstorder_90Percentile－ 1.030×original_fir storder_Median+0.395 ×wavelet.HLH_glcm_ClusterProminence+ 1.333×wavelet.HLL_gldm_DependenceVariance+0.746 ×wavelet.LHH_ngtdm_Busyness+ 0.381×wavelet.LLH_firstorder_Kurtosis+0.409 ×wavelet.LLH_gldm_ DependenceVariance； 所述三维ROI区域图像为动脉期三维ROI区域图像和静脉期三维ROI区域图像时， 步骤 S3中所述评 分预测模型为联合评 分预测模型， 联合评 分预测模型用于计算图像评 分的计算 公式为： Rad‑score＝0.0 09+0.671 ×Rad‑scoreAP+0.621×Rad‑scoreVP。 5.根据权利要求4所述的食管胃结合部肿瘤图像分类方法， 其特征在于， 步骤S4中所述 对步骤S3获得的图像评分进行定性分析， 预测肿瘤医学图像的图像 类型， 包括： 将步骤S3获得的图像评分与预设阈值进行 比较， 根据图像评分与预设阈值的大小关 系， 将肿瘤医学图像划分为食管胃结合部 鳞癌或食管胃结合部腺癌。 6.根据权利要求5所述的食管胃结合部