張利文 劉俠 汪俊 董迪 宋江典 臧亞麗 田捷

基于定量影像組學(xué)的肺腫瘤良惡性預(yù)測(cè)方法

張利文1,2劉俠1汪俊1董迪2宋江典3臧亞麗2田捷2

肺癌是世界范圍內(nèi)致死率最高的癌癥之一,肺腫瘤的良惡性診斷對(duì)于治療方式選擇意義重大.本文借助影像組學(xué)(Radiomics)方法利用LIDC(Lung imaging database consortium)肺癌公開(kāi)數(shù)據(jù)庫(kù)中619例病人的肺癌計(jì)算機(jī)斷層(Computed tomography,CT)影像數(shù)據(jù),分割出病變區(qū)域,并結(jié)合腫瘤醫(yī)學(xué)特性和臨床認(rèn)知,提取反映腫瘤形狀大小、強(qiáng)度和紋理特性的60個(gè)定量影像特征,然后利用支持向量機(jī)(Support vector machine,SVM)構(gòu)建診斷肺腫瘤良惡性的預(yù)測(cè)模型,篩選出對(duì)診斷肺腫瘤良惡性有價(jià)值的20個(gè)影像組學(xué)特征.為肺腫瘤良惡性預(yù)測(cè)提供了一種非入侵的檢測(cè)手段.隨著CT影像在肺癌臨床診斷中的廣泛使用,應(yīng)用樣本量的不斷增加,本文方法有望成為一種輔助診斷工具,有效提高臨床肺腫瘤良惡性診斷準(zhǔn)確率.

影像組學(xué),肺癌,圖像分割,特征提取,支持向量機(jī)

目前,醫(yī)學(xué)影像已經(jīng)成為腫瘤診斷和指導(dǎo)治療的主要手段之一,活體檢查是診斷腫瘤良惡性的金標(biāo)準(zhǔn),它經(jīng)侵入式手術(shù)取出小部分腫瘤組織進(jìn)行分析[1].但是由于腫瘤在空間和時(shí)間上的基因異質(zhì)性,活檢并不能全面評(píng)估腫瘤的信息,而且病人很難承受連續(xù)多次的活檢[2].醫(yī)學(xué)影像可以無(wú)創(chuàng)地提供整個(gè)腫瘤的信息,并且借助圖像分析監(jiān)測(cè)疾病的發(fā)生、發(fā)展及對(duì)治療的反應(yīng)[3],在指導(dǎo)治療方面有巨大的潛力.肺癌是發(fā)病率和死亡率增長(zhǎng)最快、對(duì)人類健康和生命威脅最大的惡性腫瘤之一.根據(jù)世界衛(wèi)生組織的報(bào)告,到2030年全球?qū)⒂?000萬(wàn)人死于肺癌[4].在肺癌診斷中最廣泛使用的成像模態(tài)是X射線計(jì)算機(jī)斷層(Computed tomography,CT)成像.肺癌在CT圖像中呈現(xiàn)很強(qiáng)的對(duì)比度,包括圖像中腫瘤灰度值強(qiáng)度差異、腫瘤內(nèi)紋理差異和腫瘤形狀差異.早期診斷對(duì)肺癌治療方案的選擇和病人生存期的延長(zhǎng)有很大幫助[5].然而,結(jié)合腫瘤的醫(yī)學(xué)特性和臨床認(rèn)知進(jìn)行良惡性判斷上并沒(méi)有一個(gè)量化的標(biāo)準(zhǔn).醫(yī)生通過(guò)腫瘤圖像的毛刺特征、腫瘤大小、是否有分葉、邊緣清晰度等特征往往只能主觀地做出初步判斷,難于給出非常明確的診斷,必須對(duì)照活檢病理信息才能給出最終的檢查報(bào)告.往往不僅沒(méi)有通過(guò)影像檢查得到便捷的檢查結(jié)果,還因?yàn)檫M(jìn)一步的病理活檢而延長(zhǎng)檢查周期.因此目前在臨床實(shí)踐上還缺乏一種具有高精度、高效率和非侵入式的診斷肺腫瘤良惡性的方法.

影像組學(xué)是一個(gè)新興領(lǐng)域[6],其目標(biāo)是從醫(yī)學(xué)圖像(CT掃描、正電子發(fā)射掃描或磁共振成像等方式獲取的醫(yī)學(xué)圖像)中提取和分析大量具有高通量的定量圖像特征,并構(gòu)建描述腫瘤和預(yù)測(cè)臨床表型的模型,建立圖像特征和臨床表型或基因分子標(biāo)志的關(guān)聯(lián),進(jìn)而進(jìn)行腫瘤的診斷和臨床表型預(yù)測(cè)[7].本文采用影像組學(xué)的方法構(gòu)建肺腫瘤良惡性預(yù)測(cè)模型,為臨床醫(yī)生診斷肺癌提供幫助.

1 數(shù)據(jù)和方法

1.1 數(shù)據(jù)的選擇

本文應(yīng)用公開(kāi)數(shù)據(jù)集LIDC(Lung imaging database consortium)[8]的619例肺癌病人的CT影像數(shù)據(jù).其中426例用于構(gòu)建預(yù)測(cè)模型的訓(xùn)練集,193例用于測(cè)試集.根據(jù)LIDC數(shù)據(jù)集提供的結(jié)節(jié)惡性度信息,分為良性和惡性兩類.訓(xùn)練集包括213例惡性腫瘤和213例良性腫瘤.測(cè)試集中惡性腫瘤有122例,良性腫瘤有71例.

1.2 圖像分割

圖像分割是影像組學(xué)的關(guān)鍵步驟,肺結(jié)節(jié)病變區(qū)域的精準(zhǔn)分割對(duì)于隨后的特征提取和模型的構(gòu)建十分重要.目前,放射科醫(yī)生的手動(dòng)分割通常被視為病灶分割的金標(biāo)準(zhǔn).這種手動(dòng)分割有很高的評(píng)估者個(gè)體差異,且非常耗時(shí),效率低,重復(fù)性不強(qiáng),不適合大數(shù)據(jù)集上的影像組學(xué)分析.影像組學(xué)分析需要一種自動(dòng)、重復(fù)性高和精確的圖像分割算法.

本文采用實(shí)驗(yàn)室前期研發(fā)的基于雪橇自動(dòng)生長(zhǎng)分割算法(Toboggan based growing automatic segmentation approach,TBGA)進(jìn)行圖像分割,該算法自動(dòng)初始化種子點(diǎn),不需要任何人工交互,且具有較高的精準(zhǔn)度[9],為后續(xù)的影像組學(xué)過(guò)程提供了重要的數(shù)據(jù)基礎(chǔ),分割的結(jié)果如圖1所示.

1.3 特征提取和特征選擇

從肺結(jié)節(jié)醫(yī)學(xué)特性和臨床認(rèn)知的角度來(lái)講,醫(yī)生主要從以下幾點(diǎn)來(lái)判斷腫瘤的病變程度:1)肺結(jié)節(jié)的大小:小于5.0mm的結(jié)節(jié),良性可能性大:5.0～10.0mm需要密切隨訪;10.0～30.0mm的結(jié)節(jié)中惡性腫瘤占50～80%以上.結(jié)節(jié)越大其為惡性的可能性越高,也就需要手術(shù)治療;2)形態(tài):有淺分葉、短細(xì)毛刺、胸膜凹陷特征的提示為肺癌;邊緣光滑,有粗、長(zhǎng)、稀疏毛刺的提示為良性.但有時(shí)很難判別;3)密度:密度不均勻,結(jié)節(jié)內(nèi)有小泡、小管,或者有小結(jié)節(jié)堆積,有偏心小空腔的結(jié)節(jié)多為惡性；密度均一者多為良性;4)周圍:周圍肺組織呈現(xiàn)炎癥、氣腫、不張、侵潤(rùn)和支氣管、血管束增粗的多為惡性結(jié)節(jié);而有衛(wèi)星灶、“暈環(huán)”的等多提示良性;5)強(qiáng)化:增強(qiáng)CT顯示不均勻強(qiáng)化或是中度強(qiáng)化多為惡性,不強(qiáng)化或高度強(qiáng)化則多見(jiàn)于良性結(jié)節(jié).以上特征只是一種經(jīng)驗(yàn)化的結(jié)果,并沒(méi)有量化成為固定的標(biāo)準(zhǔn)以給出確切的檢查結(jié)果.本文結(jié)合以上腫瘤的醫(yī)學(xué)特性和臨床認(rèn)知,從CT圖像分割出來(lái)的肺部病變區(qū)域中總共提取了60個(gè)定量圖像特征描述腫瘤的表型特征.特征可分為三組:1)形狀大小特征,描述了腫瘤區(qū)域的幾何形狀及體積;2)影像強(qiáng)度特征,采用一階統(tǒng)計(jì)量化的腫瘤強(qiáng)度特性,從所有腫瘤的像素強(qiáng)度直方圖計(jì)算而得;3)紋理特征,可以量化腫瘤內(nèi)異質(zhì)差異.

圖1 肺部病變區(qū)域分割Fig.1 Segmentation result of lung lesion

特征之間的相關(guān)性和冗余性會(huì)降低分類的準(zhǔn)確率,同時(shí)醫(yī)學(xué)圖像通常屬于小樣本學(xué)習(xí),特征過(guò)多將會(huì)提高分類器的復(fù)雜度,造成過(guò)擬合,降低分類器的泛化能力,因此需要對(duì)特征集合進(jìn)行選擇和優(yōu)化[10].

本文采用最小冗余最大相關(guān)(Minimum redundancy maximum correlation,mRMR)方法進(jìn)行特征選擇[11].目的是在特征空間中找到與目標(biāo)類別具有最大相關(guān)性且相互之間冗余度最小的包含m個(gè)特征的特征子空間,最小冗余最大相關(guān)的定義為

其中,S為特征集合,C為分類類別,式(1)選出與分類結(jié)果互信息均值最大的特征子集D(S,C),式(2)選出特征之間互信息均值最小的特征子集R(S).用特征i與分類類別C之間的互信息I(xi;C)度量特征i與分類結(jié)果的相關(guān)度,用集合中的特征i與特征j之間的互信息I(xi,xj)度量特征之間的相關(guān)性.

兩個(gè)隨機(jī)變量x和y的互信息I(x,y),根據(jù)其概率密度函數(shù)p(x),p(y)和聯(lián)合分布概率密度函數(shù)P(x,y)計(jì)算為

可以得到最小冗余最大相關(guān)的特征選擇標(biāo)準(zhǔn)為

式(4)表示應(yīng)該選擇與分類結(jié)果最大相關(guān)而與其他候選特征之間冗余度最小的特征.假定已確定一個(gè)擁有m個(gè)特征的特征集Sm,下一步需要從剩余特征集{S?Sm}中選擇使得式(4)最大化的第m+1個(gè)特征為

特征選擇的具體步驟:

步驟1.從全部候選特征空間中選出最小冗余最大相關(guān)前50個(gè)特征,形成50個(gè)特征子集,子集中的特征個(gè)數(shù)從1依次遞增到50.

步驟2.計(jì)算每個(gè)特征子集在十折交叉驗(yàn)證下預(yù)測(cè)錯(cuò)誤率.

步驟3.選出預(yù)測(cè)錯(cuò)誤率最小時(shí)對(duì)應(yīng)特征子集.

1.4 建立良惡性診斷模型

使用最小冗余最大相關(guān)方法選取特征,將訓(xùn)練集特征空間作為輸入,然后使用遺傳算法對(duì)支持向量機(jī)(Support vector machine,SVM)的參數(shù)進(jìn)行優(yōu)化,最后利用SVM 訓(xùn)練出肺部腫瘤良惡性預(yù)測(cè)模型,并在訓(xùn)練集上對(duì)模型的預(yù)測(cè)能力進(jìn)行驗(yàn)證.要求在具有良好預(yù)測(cè)精確度的同時(shí),模型的復(fù)雜度盡可能低,模型構(gòu)建和驗(yàn)證的具體步驟如圖2所示.

圖2 肺腫瘤良惡性預(yù)測(cè)模型的生成和驗(yàn)證示意圖Fig.2 Diagram of generation and validation of benign and malignant discrimination model of lung tumor

支持向量機(jī)基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理(Structural risk minimization,SRM),為了獲得更好的泛化能力,需要控制經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍值兩個(gè)因素[12].結(jié)構(gòu)風(fēng)險(xiǎn)最小化在訓(xùn)練誤差約束下,使置信范圍最小化.它最終求解的是一個(gè)線性約束條件下的凸二次規(guī)劃問(wèn)題,所以支持向量機(jī)的解是全局最優(yōu)的唯一解[13].

為了獲取更高的預(yù)測(cè)準(zhǔn)確率,本文對(duì)SVM的參數(shù)進(jìn)行了優(yōu)化.在參數(shù)優(yōu)化前,對(duì)訓(xùn)練集和驗(yàn)證集數(shù)據(jù)做歸一化處理.考慮到基本的線性歸一化處理沒(méi)有改變變量在不同樣本間取值的離散程度,同時(shí),因?yàn)檫@是一種對(duì)數(shù)據(jù)的無(wú)量綱化、標(biāo)準(zhǔn)化操作,可以使模型擬合的過(guò)程中在精度不變的情況下參數(shù)更易收斂[14].歸一化公式如下:

SVM的分類性能受到多種因素影響,其中兩個(gè)關(guān)鍵的因素為:1)誤差懲罰參數(shù)C;2)核函數(shù)形式及其參數(shù)g.誤差懲罰參數(shù)通過(guò)調(diào)節(jié)特征子空間中置信范圍和經(jīng)驗(yàn)風(fēng)險(xiǎn)使學(xué)習(xí)機(jī)器的泛化能力達(dá)到最好.在確定的特征子空間中,C取值代表了對(duì)經(jīng)驗(yàn)誤差懲罰程度,C的值小說(shuō)明對(duì)誤差懲罰程度小,也表明預(yù)測(cè)模型的復(fù)雜度小而經(jīng)驗(yàn)風(fēng)險(xiǎn)值較大,出現(xiàn)欠擬合現(xiàn)象;反之則會(huì)出現(xiàn)過(guò)擬合現(xiàn)象.在每個(gè)特征子空間中,都存在使SVM 獲得最好的泛化能力的C值.隨著C的增大,SVM的復(fù)雜度不斷增大直至數(shù)據(jù)子空間允許的最大復(fù)雜度,而經(jīng)驗(yàn)風(fēng)險(xiǎn)和泛化能力幾乎不再變化.不同核函數(shù)對(duì)分類性能有影響[15],相同的核函數(shù)其參數(shù)不同也會(huì)造成分類性能的不同.核函數(shù)及其參數(shù)的選擇直接影響到SVM分類性能的好壞.

SVM常用的核函數(shù)有:1)多項(xiàng)式核函數(shù):

2)徑向基核函數(shù)

3)Sigmoid核函數(shù)(兩層神經(jīng)網(wǎng)絡(luò))

徑向基核函數(shù)具有非線性、參數(shù)少、能夠把原始特征映射到無(wú)限維,本文選擇徑向基核函數(shù)作為支持向量機(jī)的核函數(shù).

本文采用遺傳算法(Genetic algorithm,GA)優(yōu)化誤差懲罰參數(shù)C和核函數(shù)參數(shù)g.GA基于進(jìn)化論的適者生存、優(yōu)勝劣汰理論,使用遺傳學(xué)的基本操作在種群中反復(fù)求解,從而不斷地產(chǎn)生新的種群,根據(jù)個(gè)體適應(yīng)度不斷進(jìn)行優(yōu)勝劣汰,使種群得到進(jìn)化,最終求得最優(yōu)解[16].由于遺傳算法的操作對(duì)象是編碼后的結(jié)構(gòu),解除了求解過(guò)程中要求可求導(dǎo)以及函數(shù)必須連續(xù)性等的限制.如果采用概率化的尋優(yōu)方式,則尋優(yōu)過(guò)程不需要確定的規(guī)則,搜索方向自適應(yīng)調(diào)整,搜索策略能夠?qū)崿F(xiàn)自動(dòng)獲取搜索空間.

在遺傳算法中,每個(gè)個(gè)體將要優(yōu)化問(wèn)題的所有參數(shù)進(jìn)行編碼,形成一個(gè)有限長(zhǎng)度的字符串.每個(gè)個(gè)體是優(yōu)化問(wèn)題的一個(gè)可行解.種群是遺傳算法的搜索空間,由多個(gè)個(gè)體組成.開(kāi)始搜索時(shí)先隨機(jī)選取一定數(shù)量個(gè)體的初始種群.然后從初始種群開(kāi)始運(yùn)用優(yōu)勝劣汰的準(zhǔn)則進(jìn)行個(gè)體的選擇,就像自然界進(jìn)化的過(guò)程.計(jì)算個(gè)體的適應(yīng)度,適應(yīng)度高的個(gè)體得以生存,適應(yīng)度低的個(gè)體將被淘汰,所有幸存的個(gè)體組成新的種群,最后利用交叉、變異等遺傳操作將留下來(lái)的種群特性遺傳給下一代.如此不斷重復(fù)“選擇–交叉–變異–再選擇”的過(guò)程,下一代不斷積累上代遺傳下來(lái)的好的特性,個(gè)體的適應(yīng)度和種群的平均適應(yīng)度不斷增加,直到滿足迭代結(jié)束條件[17].

遺傳算法優(yōu)化支持向量機(jī)參數(shù)的主要流程如圖3所示,將支持向量機(jī)在十折交叉驗(yàn)證下的預(yù)測(cè)準(zhǔn)確率作為目標(biāo)函數(shù)值,即個(gè)體的適應(yīng)度,個(gè)體對(duì)應(yīng)的準(zhǔn)確率越高,則個(gè)體的適應(yīng)度越大,K為進(jìn)化代數(shù).

圖3 遺傳算法流程圖Fig.3 Flow chart of genetic algorithm

2 結(jié)果

本文構(gòu)建了基于定量影像組學(xué)的肺腫瘤良惡性預(yù)測(cè)方法,采用LIDC數(shù)據(jù)集上的619例肺癌病人的CT影像數(shù)據(jù)進(jìn)行分割,對(duì)分割后的每例數(shù)據(jù)分別提取三類,共60個(gè)定量圖像特征、形狀大小、影像強(qiáng)度和紋理特征.使用最小冗余最大相關(guān)選取不同的特征空間,確定一個(gè)具有最高預(yù)測(cè)準(zhǔn)確度的優(yōu)化特征空間,該特征空間包括20個(gè)量化圖像特征.然后采用“最小–最大標(biāo)準(zhǔn)化”對(duì)選擇后的特征數(shù)據(jù)進(jìn)行歸一化處理.在相同數(shù)據(jù)集上分別使用歸一化后的和原始數(shù)據(jù)進(jìn)行預(yù)測(cè),比較兩者差異,發(fā)現(xiàn)歸一化后數(shù)據(jù)求解速度明顯比未歸一化數(shù)據(jù)快很多.為了使SVM分類準(zhǔn)確率更高,在訓(xùn)練之前利用GA算法對(duì)SVM參數(shù)優(yōu)化,得到最優(yōu)C為1.0052,g為2.1480,GA算法的適應(yīng)度曲線見(jiàn)圖4.利用SVM訓(xùn)練出相應(yīng)的肺腫瘤良惡性預(yù)測(cè)模型,對(duì)模型預(yù)測(cè)的靈敏度、特異性、陽(yáng)性預(yù)測(cè)值、陰性預(yù)測(cè)值和總體準(zhǔn)確度進(jìn)行計(jì)算.其中模型在訓(xùn)練集上的總體準(zhǔn)確度為82.4%(351/426),靈敏度為82.2%(175/213),特異性為82.6%(176/213),陽(yáng)性預(yù)測(cè)值為82.5%(175/212),陰性預(yù)測(cè)值82.2%(176/214).在測(cè)試集上的總體準(zhǔn)確度為77.7%(150/193),靈敏度為75.4%(92/122),特異性為81.6%(58/71),陽(yáng)性預(yù)測(cè)值為87.6%(92/105),陰性預(yù)測(cè)值65.9%(58/88),詳細(xì)數(shù)據(jù)均列在表1中.

表1 肺腫瘤良惡性預(yù)測(cè)模型的診斷準(zhǔn)確率Table 1 Diagnostic accuracy of benign and malignant discrimination model of lung tumor

圖4 遺傳算法適應(yīng)度曲線Fig.4 Fitness curve of genetic algorithm

3 總結(jié)

實(shí)驗(yàn)結(jié)果顯示本文方法在訓(xùn)練集上的分類準(zhǔn)確度達(dá)到82.4%,在測(cè)試集上的分類準(zhǔn)確度為77.7%.本文構(gòu)建的肺癌影像組學(xué)預(yù)測(cè)模型應(yīng)用于肺癌良惡性的定量預(yù)判,輔助臨床醫(yī)生進(jìn)行診斷.本文方法有兩個(gè)優(yōu)點(diǎn):1)應(yīng)用非侵入CT肺部圖像從整個(gè)腫瘤層面預(yù)測(cè)肺腫瘤的良惡性;2)肺部的CT圖像容易獲取,利用肺癌影像組學(xué)預(yù)測(cè)模型進(jìn)行良惡性評(píng)估易于臨床應(yīng)用.

本文方法主要針對(duì)肺癌良惡性的預(yù)判,也可應(yīng)用于其他癌癥的病理分型和預(yù)后預(yù)測(cè)[18].在后續(xù)工作中,將更緊密結(jié)合腫瘤醫(yī)學(xué)和臨床等相關(guān)知識(shí),對(duì)初步開(kāi)發(fā)的腫瘤良惡性預(yù)測(cè)軟件進(jìn)一步完善,在各省市周邊醫(yī)院推廣來(lái)輔助當(dāng)?shù)蒯t(yī)生對(duì)患者完成高效、方便和低費(fèi)用的檢查.由于國(guó)內(nèi)現(xiàn)階段病例數(shù)很難收集,訓(xùn)練數(shù)據(jù)限于公共數(shù)據(jù)集的426個(gè),以后需要補(bǔ)充更多的多中心數(shù)據(jù)進(jìn)行模型訓(xùn)練,提高預(yù)測(cè)模型的分類精度.

1 Lambin P,Rios-Velazquez E,Leijenaar R,Carvalho S,van Stiphout R G P M,Granton P,Zegers C M L,Gillies R,Boellard R,Dekker A,Aerts H J W L.Radiomics:extracting more information from medical images using advanced feature analysis.European Journal of Cancer,2012,48(4):441?446

2 Aerts H J W L,Velazquez E R,Leijenaar R T H,Parmar C,Grossmann P,Carvalho S,Bussink J,Monshouwer R,Haibe-Kains B,Rietveld D,Hoebers F,Rietbergen M M,Leemans C R,Dekker A,Quackenbush J,Gillies R J,Lambin P.Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach.Nature Communications,2014,5:Article No.4006

3 Huang Y Q,Liang C H,He L,Tian J,Liang C S,Chen X,Ma Z L,Liu Z Y.Development and validation of a radiomics nomogram for preoperative prediction of lymph node metastasis in colorectal cancer.Journal of Clinical Oncology,2016,34(18):2157?2164

4 World Health Organization.Description of the global burden of NCDs,their risk factors and determinants.Global Status Report on Noncommunicable Diseases 2010.World Health Organization,2011.1?176

5 Parmar C,Leijenaar R,Grossmann P,Velazquez E R,Bussink J,Rietveld D,Rietbergen M M,Haibe-Kains B,Lambin P,Aerts H J W L.Radiomic feature clusters and prognostic signatures speci fi c for lung and head and neck cancer.Scienti fi c Reports,2015,5:Article No.11044

6 Kumar V,Gu Y H,Basu S,Berglund A,Eschrich S A,Schabath M B,Forster K,Aerts H J W L,Dekker A,Fenstermacher D,Goldgof D B,Hall L O,Lambin P,Balagurunathan Y,Gatenby R A,Gillies R J.Radiomics:the process and the challenges.Magnetic Resonance Imaging,2012,30(9):1234?1248

7 Gillies B,Kinahan P E,Hricak H.Radiomics:images are more than pictures,they are data.Radiology,2016,278(2):563?577

8 Armato S G,McLennan G,Bidaut L,McNitt-Gray M F,Meyer C R,Reeves A P,Zhao B S,Aberle D R,Henschke C I,Hoあman E A,Kazerooni E A,MacMahon H,van Beek E J R,Yankelevitz D,Biancardi A M,Bland P H,Brown M S,Engelmann R M,Laderach G E,Max D,Pais R C,Qing D P Y,Roberts R Y,Smith A R,Starkey A,Batra P,Caligiuri P,Farooqi A,Gladish G W,Jude C M,Munden R F,Petkovska I,Quint L E,Schwartz L H,Sundaram B,Dodd L E,Fenimore C,Gur D,Petrick N,Freymann J,Kirby J,Hughes B,Vande C A,Gupte S,Sallam M,Heath M D,Kuhn M H,Dharaiya E,Burns R,Fryd D S,SalganicoあM,Anand V,Shreter U,Vastagh S,Croft B Y,Clarke L P.The lung image database consortium(LIDC)and image database resource initiative(IDRI):a completed reference database of lung nodules on CT scans.Medical Physics,2011,38(2):915?931

9 Song J,Yang C,Fan L,Wang K,Yang F,Liu S,Tian J.Lung lesion extraction using a toboggan based growing automatic segmentation approach.IEEE Transactions on Medical Imaging,2016,35(1):337?353

10 Dougherty E R,Hua J P,Sima C.Performance of feature selection methods.Current Genomics,2009,10(6):365?374

11 Peng H C,Long F H,Ding C.Feature selection based on mutual information criteria of max-dependency,max-relevance,and min-redundancy.IEEE Transactions on Pattern Analysis and Machine Intelligence,2005,27(8):1226?1238

12 Vapnik V.The Nature of Statistical Learning Theory.New York:Springer Science and Business Media,2013.123?167

13 Zhang Xue-Gong.Introduction to statistical learning theory and support vector machines.Acta Automatica Sinica,2000,26(1):32?42(張學(xué)工.關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī).自動(dòng)化學(xué)報(bào),2000,26(1):32?42)

14 Chang C C,Lin C J.LIBSVM:a library for support vector machines.ACM Transactions on Intelligent Systems and Technology(TIST),2011,2(3):Article No.27

15 Zhang Kai-Jun,Liang Xun.An improved domain multiple kernel support vector machine.Acta Automatica Sinica,2014,40(10):2288?2294(張凱軍,梁循.一種改進(jìn)的顯性多核支持向量機(jī).自動(dòng)化學(xué)報(bào),2014,40(10):2288?2294)

16 Whitley D,Starkweather T,Bogart C.Genetic algorithms and neural networks:optimizing connections and connectivity.Parallel Computing,1990,14(3):347?361

17 Deb K,Pratap A,Agarwal S,Meyarivan T.A fast and elitist multiobjective genetic algorithm:NSGA-II.IEEE Transactions on Evolutionary Computation,2002,6(2):182?197

18 Song J D,Liu Z Y,Zhong W Z,Huang Y Q,Ma Z L,Dong D,Liang C H,Tian J.Non-small cell lung cancer:quantitative phenotypic analysis of CT images as a potential marker of prognosis.Scienti fi c Reports,2016,6:Article No.38282

Prediction of Malignant and Benign Lung Tumors Using a Quantitative Radiomic Method

ZHANG Li-Wen1,2LIU Xia1WANG Jun1DONG Di2SONG Jiang-Dian3ZANG Ya-Li2TIAN Jie2

Lung cancer is a leading cause of cancer mortality around the world.Accurate diagnosis of lung cancer is signi fi cant for treatment regimen selection.Radiomics refers to comprehensively quantifying the tumor phenotypes by applying a large number of quantitative image features.Here we analyze a computed tomography(CT)data set of 619 patients with lung cancer on the lung image database consortium(LIDC)by radiomic method.Combining with the medical character and clinical recognition of lung tumor,we present a radiomic analysis of 60 features.Then,we use SVM to build a prediction model and fi nd radiomic features which have predictive value for discrimination of malignant and benign lung tumors.Nowadays,as CT imaging is routinely used in lung cancer clinical diagnosis,there is an increase in data set size.We consider that our radiomic prediction model will be developed a valuable medical software and an auxiliary tool which can provide malignant and benign information of lung tumors eきciently.

Radiomics,lung cancer,image segmentation,feature extraction,support vector machine(SVM)

Zhang Li-Wen,Liu Xia,Wang Jun,Dong Di,Song Jiang-Dian,Zang Ya-Li,Tian Jie.Prediction of malignant and benign lung tumors using a quantitative radiomic method.Acta Automatica Sinica,2017,43(12):2109?2114

2016-03-11 錄用日期2017-01-04

March 11,2016;accepted January 4,2017國(guó)家自然科學(xué)基金(81227901,81527805,61231004,81501616,813 01346,61672197),黑龍江省然科學(xué)基金(F201311,12541105),中國(guó)科學(xué)院科技服務(wù)網(wǎng)絡(luò)計(jì)劃(KFJ-SW-STS-160),中國(guó)科學(xué)院科研設(shè)備項(xiàng)目(YZ201502)資助

Supported by National Natural Science Foundation of China(81227901,81527805,61231004,81501616,81301346,61672197),Natural Science Foundation of Heilongjiang Province(F201311,12541105),Chinese Academy of Science Program of Scienti fi c Service Network(KFJ-SW-STS-160),and Chinese Academy of Science Program of Equipment(YZ201502)

本文責(zé)任編委朱朝喆

Recommended by Associate Editor ZHU Chao-Zhe

1.哈爾濱理工大學(xué)自動(dòng)化學(xué)院哈爾濱150080 2.中國(guó)科學(xué)院自動(dòng)化研究所北京100190 3.東北大學(xué)中荷生物醫(yī)學(xué)與信息工程學(xué)院沈陽(yáng)110819

1.School of Automation,Harbin University of Science and Technology,Harbin 150080 2.Institute of Automation,Chinese Academy of Sciences,Beijing 100190 3.School of Sino-Dutch Biomedical and Information Engineering,Northeastern University,Shengyang 110819

張利文,劉俠,汪俊,董迪,宋江典,臧亞麗,田捷.基于定量影像組學(xué)的肺腫瘤良惡性預(yù)測(cè)方法.自動(dòng)化學(xué)報(bào),2017,43(12):2109?2114

DOI10.16383/j.aas.2017.c160264

張利文 中國(guó)科學(xué)院自動(dòng)化研究所和哈爾濱理工大學(xué)自動(dòng)化學(xué)院聯(lián)合培養(yǎng)碩士研究生.主要研究方向?yàn)獒t(yī)學(xué)圖像處理.E-mail:zhangliwen2015@ia.ac.cn

(ZHANG Li-Wen Master student at the Institute of Automation,Chinese Academy of Sciences,and School of Automation,Harbin University of Science and Technology.His main research interest is medical imaging processing.)

劉 俠 哈爾濱理工大學(xué)自動(dòng)化學(xué)院教授.2006年獲得哈爾濱工程大學(xué)自動(dòng)化學(xué)院博士學(xué)位.主要研究方向?yàn)槟Ｊ阶R(shí)別與智能系統(tǒng).

E-mail:liuxia@hrbust.edu.cn

(LIU Xia Professor at the School of Automation,Harbin University of Science and Technology.He received his Ph.D.degree from Harbin Engineering University in 2006.His research interest covers pattern recognition and intelligent systems.)

汪 俊 哈爾濱理工大學(xué)測(cè)控技術(shù)與通信工程學(xué)院碩士研究生.主要研究方向?yàn)閳D像處理和模式識(shí)別.

E-mail:wangjun.542@163.com

(WANG Jun Master student at the School of Measurement-Control Technology and Communications Engineering,Harbin University of Science and Technology.His research interest covers imaging processing and pattern recognition.)

董 迪 中國(guó)科學(xué)院自動(dòng)化研究所副研究員.2013年獲得中國(guó)科學(xué)院自動(dòng)化研究所博士學(xué)位.主要研究方向?yàn)橛跋窠M學(xué).E-mail:di.dong@ia.ac.cn

(DONG DiAssociate professor at the Institute of Automation,Chinese Academy of Sciences.He received his Ph.D.degree from Chinese Academy of Sciences in 2013.His research interest covers radiomics.)

宋江典 東北大學(xué)中荷生物醫(yī)學(xué)與信息工程學(xué)院博士研究生,IEEE會(huì)員.主要研究方向?yàn)獒t(yī)學(xué)影像處理與分析.

E-mail:dr.j.song@ieee.org

(SONGJiang-Dian Ph.D.candidate at Biomedical Engineering,School of Sino-Dutch Biomedical and Information Engineering,Northeastern University,IEEE member.His research interest covers medical image processing and analysis.)

臧亞麗 中國(guó)科學(xué)院自動(dòng)化研究所副研究員.2013年獲得中國(guó)科學(xué)院自動(dòng)化研究所博士學(xué)位.主要研究方向?yàn)橛跋窠M學(xué).E-mail:yali.zang@ia.ac.cn

(ZANG Ya-LiAssociate professor at the Institute of Automation,Chinese Academy of Sciences.She received her Ph.D.degree from the Institute of Automation,Chinese Academy of Sciences in 2013.Her research interest covers radiomics.)

田 捷 中國(guó)科學(xué)院自動(dòng)化研究所研究員.1992年獲得中國(guó)科學(xué)院自動(dòng)化研究所博士學(xué)位.主要研究方向?yàn)槟Ｊ阶R(shí)別,醫(yī)學(xué)圖像處理和分子影像.本文通信作者.E-mail:tian@ieee.org

(TIAN Jie Professor at the Institute of Automation,Chinese Academy of Sciences.He received his Ph.D.degree from the Institute of Automation,Chinese Academy of Sciences in 1992.His research interest covers pattern recognition,medical image processing,and molecular imaging.Corresponding author of this paper.)