用于检测疾病复发的系统和方法

1.本文所公开的主题的实施方案涉及医学成像，并且更具体地涉及使用医学成像进行乳腺癌检测。


背景技术：

2.乳腺癌是全球女性最常见的癌症，每年影响全球约150万名女性。乳腺癌也是造成女性癌症相关死亡的主要原因。早期检测到乳腺癌可降低死亡率和所需的治疗强度。在乳腺癌亚型中，三阴性乳腺癌(tnbc)是最具侵袭性和异质性的乳腺癌亚型，并且占新增确诊的早期乳腺癌的10％至20％。缺乏激素受体和人表皮生长因子受体2(her2)会导致无法使用针对这些靶标的疗法来治疗tnbc。约25％的患者会发生tnbc复发，并且在确诊之后的最初几年内观察到复发。根据常规采集的乳房造影，早期检测到复发可允许进行早期干预和更好的治疗规程。
3.在许多情况下，通过乳房造影术等医学成像规程检测乳房中的癌症肿瘤。在数字乳房造影术中，可以拍摄患者的定位或预拍图像以确定x射线技术(例如，x射线管电流和电压、曝光时间)以采集具有足够亮度的患者的图像。在确定x射线技术时，可以采集患者的一个或多个x射线图像。在一些示例中，可以不同视角和/或不同能级来采集多个x射线图像。
4.尽管可使用乳房造影术技术检测现有的癌症肿瘤，但是难以根据常规采集的临床数据(包括活检标本、临床信息和乳房造影)预测tnbc的复发。因此，需要一种得到改善的系统和方法来确定三阴性乳腺癌患者的复发。


技术实现要素：

5.根据本发明技术的实施方案，提出了一种用于确定患者的疾病的复发的方法。该方法包括生成患者的器官的医学图像以及提取医学图像中的围绕感兴趣区域的侵袭边缘。该方法还包括从侵袭边缘获取多个放射组学特征。最后，该方法包括基于多个放射组学特征确定疾病复发。
6.根据本发明技术的另一个实施方案，提出了一种包括存储机器学习模型的存储器的系统。该系统还包括显示设备和处理器，该处理器可通信地联接到存储器并且被配置为接收患者的器官的医学图像。处理器被进一步配置为基于医学图像中的围绕感兴趣区域的侵袭边缘的放射组学特征，使用机器学习模型网络将医学图像分类为疾病复发图像或疾病非复发图像，并且经由显示设备显示疾病复发图像。
7.应当理解，提供上面的简要描述来以简化的形式介绍在具体实施方式中进一步描述的精选概念。这并不意味着识别所要求保护的主题的关键或必要特征，该主题的范围由具体实施方式后的权利要求书唯一地限定。此外，所要求保护的主题不限于解决上文或本公开的任何部分中提到的任何缺点的实施方式。
附图说明
8.通过参考附图阅读以下对非限制性实施方案的描述将更好地理解本公开，其中以下：
9.图1是根据本发明技术的实施方案的示例性x射线系统的示意图；
10.图2是示出根据本发明技术的实施方案的用于根据医学图像检测疾病复发的方法的流程图；
11.图3a和图3b是示出根据本发明技术的实施方案的提取医学图像中的围绕感兴趣区域的侵袭边缘的绘画视图；
12.图3c是根据本发明技术的实施方案的从医学图像中提取到的侵袭边缘的图像的绘画视图；
13.图4是示出根据一个示例性实施方案的用于使用深度神经网络检测疾病复发的图像处理系统的示意图；并且
14.图5a和图5b是示出根据本发明技术的实施方案的针对瘤周区和瘤内区的实验研究的验证结果的绘画视图。
具体实施方式
15.下文描述了本公开的一个或多个具体实施方案。这些描述的实施方案仅为用于局部增强医学图像的系统和方法的示例。本领域技术人员将理解，在不脱离本公开的实质的情况下，可以在实施时修改实施方案中描述的具体细节。
16.如本文所用，以单数形式列举并且以单词“一个”或“一种”开头的元件或步骤应当被理解为不排除多个所述元件或步骤，除非明确说明此类排除。此外，术语“第一”、“第二”和“第三”等仅用作标记，而不旨在对其对象施加数字要求或特定位置次序。此外，除非明确地相反说明，否则“包含”、“包括”或“具有”具有特定特性的元件或多个元件的实施方案可包括不具有该特性的附加此类元件。术语“包括”和“在...中”用作相应的术语“包含”和“其中”的简明语言等同形式。如本文使用术语“连接到”、“联接到”等，一个对象(即，材料、元件、结构、构件等)可以连接到或联接到另一个对象，而无论该一个对象是否直接连接或联接到另一个对象，还是在该一个对象和另一个对象之间是否存在一个或多个介入对象。此外，应当理解，对本公开的“一个实施方案”或“实施方案”的引用不旨在被解释为排除也包含所引用特征的附加实施方案的存在。
17.此外，虽然相对于用于对乳腺组织进行2维成像的乳房造影术装置对本文所公开的实施方案进行说明，但是应当理解，本发明的实施方案可适用于用于2维(2d)成像和3维(3d)成像两者的其它类型的成像设备，包括例如数字乳腺断层融合(dbt)和光谱乳房造影术(单能量或多能量)、x射线成像、自动乳腺超声(abus)成像、磁共振成像(mri)、计算机断层摄影术(ct)以及用于除乳腺组织之外的组织的成像规程。又此外，本发明的实施方案通常可用于分析组织，并且不限于分析人体组织。
18.乳腺癌的恶性肿瘤尚不清楚，并且未发现主要原因；然而，早期检测和治疗可能为患者形成良好的预后。当前，x射线乳房造影术是早期检测的重要因素，并且可极大地减少因乳腺癌导致的死亡人数。
19.参考图1，示出了示例性x射线系统的图像。x射线系统10包括x射线装置12。x射线
装置12可以是断层融合装置，诸如图1中示出的数字乳腺断层融合(“dbt”)装置。虽然本文参考了乳腺活检和dbt，但是应当理解，本文所述的系统和方法可应用到x射线成像和断层摄影术领域中的其它类似用途，并且不限于dbt或乳腺活检领域。
20.x射线装置12包括支撑结构14，x射线源16和x射线检测器18可附接到该支撑结构。x射线源16朝向待x射线照射的体积或对象22，并且被配置为在所需时间发射x射线束并且采集一个或多个x射线图像42。一旦发射了x射线，x射线束就会穿过对象22以及被检测器18取走或击中该检测器。检测器18可以是本领域通常已知的或将来变成可用的各种不同检测器中的任何一种检测器，诸如x射线检测器、数字放射摄影检测器或平板检测器。
21.x射线装置12还可包括对象支撑件20，对象22放置在该对象支撑件上。对象22可以是患者的一部分，诸如乳房。x射线装置12还可包括压迫装置，诸如压迫桨24，其压迫对象22。压迫桨24将乳房保持静止并且保持在适当的位置，同时任选地设置孔以允许插入活检工具、针、芯针或真空辅助芯针。压迫桨24还用于压迫对象或乳房，以使x射线横穿的厚度最小化，并且有助于减少由于患者移动而引起的对象22的移动。任选地，x射线装置12还可包括患者屏蔽罩26，以保护患者的部分免于暴露在x射线源的辐射下和/或保护患者以免看到规程和活检组织标本。
22.除x射线装置12之外，x射线系统10可包括工作站28，该工作站包括计算机或控制器29。工作站28和/或控制器29通过可以是有线或无线的连接件30至少与x射线装置12连接或通信。控制器29还可连接到包括界面34的显示器32，该界面允许用户与控制器29交互以获取x射线图像、位置以及操作x射线装置12的零件、限定或建议感兴趣区域或视场，以及显示图像42。可以是处理器、计算机等的控制器29可包括存储器或执行所存储的程序逻辑的存储和处理电路，并且可以是可用于x射线系统10中所使用的各种类型的装备和设备并且与之兼容的不同的计算机、处理器、控制器或它们的组合中的任一者。
23.通过其处理器和控制器，控制器29控制x射线源16和检测器18的操作和功能。控制器29能够控制x射线源16何时发射x射线，在x射线击中检测器18之后检测器18如何读取和输送信息或信号，以及x射线源16和检测器18如何相对于彼此和相对于对象22移动。控制器29还控制如何处理、显示、存储和操纵信息，包括在操作期间采集的图像42和数据。由控制器29执行的不同处理步骤由软件决定和控制，该软件被设计成允许控制器29执行各种操作，这些操作是采集x射线的基础，其中一些操作在本文中进行了论述。信息也可存储在控制器29的一个或多个存储器中以供稍后检索和使用。
24.工作站28通常包括具有界面34的显示器32、选择装置36、输入装置38和辐射屏蔽罩40中的一者或多者。工作站28可由x射线技术人员、医师或其它受过训练的专业人员使用，以作为用户与x射线装置12进行交互。输入装置38可以是鼠标、键盘、触控板或其它输入设备。显示器32可以在相同时间、不同时间、按顺序或乱序显示在x射线规程期间采集的一个或多个图像42，或从控制器29追踪与x射线系统10相关的数据。联接到工作站28的显示器可用于观察图像42并且对照定位图像采集结果、另外的图像采集结果，该另外的图像采集结果可用于例如活检标本的成像。需要说明的是，可在检查站50处进一步分析由系统10生成的图像，该检查站可被定位于远程地点或者可在云端上。检查站50可包括有助于管理大量的数据，快速探究精确、详细的医学图像以及有助于进行快速且准确的诊断的一套工具。例如，在一个实施方案中，检查站可预测疾病复发，如将在下文更详细地解释。此类检查站
的一个示例是通用电气(ge)医疗公司的senoiris
tm
检查站。
25.如前面所解释的，在乳腺癌亚型中，三阴性乳腺癌(tnbc)是最具侵袭性和异质性的乳腺癌亚型。根据本发明技术的一个实施方案，从如在系统10的常规乳房造影中观察到的乳腺肿瘤的侵袭边缘(或传播前缘)提取到的放射组学特征用于预测tnbc患者的复发。通常，侵袭边缘包括具有运动特征的侵袭细胞簇，表明基质和肿瘤细胞之间的动态交互作用，并且表示侵袭和转移过程的开始。例如，通过放射组学方法，可以检测到周围正常组织出现不规则浸润，其强度分布具有更大的不均匀性。在一个实施方案中，还提取瘤区中的区域以及围绕瘤区的侵袭边缘，并且基于侵袭边缘和瘤区区域两者中的放射组学特征来确定疾病复发。
26.图2示出表示用于根据医学图像检测疾病(诸如tnbc)复发的方法100的流程图。在一个实施方案中，方法可由检查站100与成像系统(诸如x射线系统10)协作实现。在步骤102处，方法100包括在步骤102处生成患者的器官的医学图像。医学图像可以是由系统(诸如图1的x射线系统10)生成的x射线图像。然而，在其它实施方案中，医学图像可以是例如计算机断层摄影术(ct)图像或磁共振图像(mri)。
27.在步骤104处，方法包括提取医学图像中的围绕感兴趣区域的侵袭边缘。例如，感兴趣区域可以是可手动或自动从医学图像分割出来的瘤区。然后，可通过从感兴趣区域提取瘤周区来确定侵袭边缘。提取到的侵袭边缘可能是具有一定宽度的厚边缘。例如，宽度尺寸取决于正在预测的特定疾病的性质和图像分辨率。宽度尺寸可在0.5mm至1cm的范围内。例如，在一个实施方案中，侵袭边缘可以是围绕宽度为1mm的瘤区的区域(不包括瘤区本身)。在一个实施方案中，可通过使用深度学习网络来自动提取侵袭边缘。可基于多名患者的以往图像数据(例如，乳房造影)来训练深度学习网络。以往图像数据可能是在以往的多年(例如，5年)内收集到的图像数据。在另一个实施方案中，可手动从医学图像提取侵袭边缘。
28.图3a和图3b示出根据本发明技术的实施方案的提取医学图像中的围绕感兴趣区域的侵袭边缘。具体地，图3a示出具有肿瘤204的乳房的第一医学图像202。例如，医学图像可以是使用x射线系统10获取的常规乳房造影。图3b是示出围绕肿瘤204的侵袭边缘208的第二医学图像206。侵袭边缘的宽度为1mm。
29.图3c示出从医学图像202提取到的侵袭边缘212的图像210。侵袭边缘212包括多个放射组学特征，诸如描绘肿瘤异质性214的梯度和纹理特征。根据本发明技术的实施方案，基于肿瘤异质性214，预测tnbc复发。
30.重新参照图2，在步骤106处，方法100包括从所提取到的围绕感兴趣区域的侵袭边缘获取多个放射组学特征。例如，放射组学特征可包括形状、纹理、强度和梯度大小或它们的组合。放射组学特征还可包括形状、纹理、强度和梯度的平均值、中值、偏度、峰度、标准偏差。此外，放射组学特征可包括梯度的sobel特征和canny特征以及纹理的haralick特征。最后，在步骤108处，基于多个放射组学特征确定患者的疾病的复发。疾病可以是如前面描述的三阴性乳腺癌，也可以是其它乳腺癌类型，诸如受体阳性和her-2阳性或其它癌症，包括前列腺癌、肺结肠癌、肝癌和成胶质细胞瘤癌。
31.应当指出的是，在侵袭边缘中可能存在数千个放射组学特征，并且分析所有特征可能不是确定疾病的复发的有效方法。因此，在一个实施方案中，确定疾病的复发的步骤包
括使用机器学习模型减少放射组学特征的数量。换言之，仅选择多个放射组学特征中的对确定疾病的复发有意义的少量放射组学特征。在一个实施方案中，可使用机器学习模型自动确定有意义的放射组学特征的数量，该机器学习模型可包括非线性随机森林分类器。有意义的放射组学特征的示例可以是图像像素的梯度大小的统计值(平均值、中值、模式、标准偏差、偏度和峰度)。梯度的大小可能是用于预测疾病的复发的良好特征。
32.预测复发的步骤108还包括使用机器学习模型预测疾病的复发，该机器学习模型针对已经被选择出来的有意义的放射组学特征进行了训练。机器学习模型可以是随机森林分类器或深度神经网络。例如，在一个实施方案中，随机森林分类器确定有意义的放射组学特征以及根据放射组学特征预测复发。在一个实施方案中，可使用不同患者的侵袭边缘的多个放射组学特征的训练数据集对随机森林分类器进行训练。训练数据集可包括患病患者以及未患病患者的侵袭边缘的放射组学特征。一旦随机森林分类器得到训练和验证，然后就将其用于基于被馈送到分类器的输入放射组学特征来确定当前患者的疾病的复发。在另一个实施方案中，随机森林分类器确定有意义的放射组学特征，并且然后深度神经网络根据放射组学特征预测复发。在此类实施方案中，使用不同患者的侵袭边缘的多个放射组学特征的训练数据集对深度神经网络进行训练。在又另一个实施方案中，可针对侵袭边缘图像本身直接对机器学习模型进行训练(不提取放射组学特征)以预测疾病的复发。
33.参考图4，示出了根据示例性实施方案的医学图像处理系统400。在一些实施方案中，医学图像处理系统100设置在图1的检查站50处，该检查站可从医学成像系统或者从存储由医学成像系统生成的图像的存储设备接收图像。在一些实施方案中，医学图像处理系统400设置在经由有线连接和/或无线连接可通信地联接到检查站的设备(例如，边缘设备、服务器等)处。医学图像处理系统400可包括图像处理系统401、用户输入设备402和显示设备403。
34.图像处理系统401包括处理器404，该处理器被配置为执行存储在非暂态存储器406中的机器可读指令。处理器404可以是单核或多核处理器，并且在其上执行的程序可被配置用于并行处理或分布式处理。在一些实施方案中，处理器404可任选地包括遍布于两个或更多个设备中的单独部件，这些单独部件可远程定位和/或被配置用于协同处理。在一些实施方案中，处理器404的一个或多个方面可被虚拟化并且由在云计算配置中配置的可远程访问的联网计算设备来执行。
35.非暂态存储器406可存储机器学习模块408、放射组学特征确定模块416、训练模块412和医疗图像数据414。机器学习模块408可包括一个或多个分类器和/或深度神经网络，包括多个参数(包括权重、偏置、激活函数)，以及用于实现一个或多个分类器和/或深度神经网络以接收放射组学特征并且将放射组学特征映射到输出的指令，其中，可从输出产生对应于放射组学特征的疾病的复发或非复发的分类。例如，机器学习模块408可存储用于实现随机森林分类器或神经网络(诸如卷积神经网络(cnn))的指令。然而，也可使用其他架构，诸如完全连接网络和cnn或生成对抗网络及其变型的组合。
36.机器学习模块408可包括受过训练和/或未受过训练的分类器/神经网络，并且还可包括与存储在其中的一个或多个神经网络有关的各种数据或标签。在一些实施方案中，深度神经网络标签可包括用于训练深度神经网络的训练数据的指示、用以训练深度神经网络的训练方法、深度神经网络的准确性/验证得分、以及可应用深度神经网络的解剖结构/
成像协议的类型。
37.非暂态存储器406还存储放射组学特征确定模块416。放射组学特征确定模块416可包括指令，该指令在由处理器404执行时使图像处理系统401进行在上文相对于图2论述的方法100的步骤中的一个或多个步骤。在一些实施方案中，放射组学特征确定模块416包括指令，该指令用于提取医学图像414中的围绕感兴趣区域的侵袭边缘，从侵袭边缘获取多个放射组学特征，以及最终对最能预测复发疾病的有意义的放射组学特征进行排序，以及选择那些有意义的放射组学特征作为输入馈送到机器学习模块408。在一个实施方案中，放射组学特征确定模块416本身可包括用于提取围绕感兴趣区域的侵袭边缘的另一深度神经网络。
38.非暂态存储器406还可存储训练模块412，该训练模块包括用于训练存储在机器学习模块408中的一个或多个机器学习模型的指令。训练模块412可包括指令，该指令在由处理器404执行时使图像处理系统401进行在上文相对于图2论述的方法100的步骤中的一个或多个步骤。在一些实施方案中，训练模块412包括用于实现一个或多个梯度下降算法、应用一个或多个损失函数和/或训练例程以用于调整机器学习模块408的一个或多个深度神经网络的指令。在一些实施方案中，训练模块412包括用于从医学图像数据414生成训练数据对的指令。在一些实施方案中，训练数据对包括放射组学特征集和患者的对应疾病状态的对应对。在一些实施方案中，训练模块412不设置在图像处理系统401处，而是定位在远程位置处。机器学习模块408包括受过训练和验证的网络。
39.非暂态存储器406还存储医学图像数据414。医学图像数据114包括例如使用x射线或ct系统采集的x射线图像、使用mri系统采集的mr图像、由超声系统采集的超声图像等。例如，医学图像数据114可存储噪声和/或原始医学图像。在一些实施方案中，医学图像数据114可包括多个训练数据对，该多个训练数据对包括噪声和原始医学图像对。
40.在一些实施方案中，非暂态存储器406可包括设置在两个或更多个设备上的部件，这些部件可被远程定位和/或配置用于协调处理。在一些实施方案中，非暂态存储器406的一个或多个方面可包括在云计算配置中配置的可远程访问的联网存储设备。
41.图像处理系统400还可包括用户输入设备402。用户输入设备402可包括触摸屏、键盘、鼠标、触控板、运动感测相机或被配置为使得用户能够与图像处理系统401内的数据交互并操纵该数据的其他设备中的一者或多者。例如，用户输入设备402能够使用户能够将医学图像分类为训练数据、验证数据或需要针对疾病的复发进行分析的实时数据。
42.显示设备403可包括利用几乎任何类型的技术的一个或多个显示设备。在一些实施方案中，显示设备403可包括计算机监视器，并且可显示未处理的和已处理的医学图像和/或参数标测图。显示设备403可与处理器404、非暂态存储器406和/或用户输入设备402组合在共享壳体中，或者可以是外围显示设备，并且可包括监视器、触摸屏、投影仪或本领域已知的其他显示设备，其可使用户能够查看医学图像，和/或与存储在非暂态存储器406中的各种数据交互。
43.应当理解，图4中示出的图像处理系统400是出于说明而非限制的目的。另一种合适的图像处理系统可以包括更多、更少或不同的部件。
44.为了验证本发明技术的结果，进行了训练和构建机器学习模型的实验研究，诸如用于分析侵袭边缘放射组学特征的机器学习模块408。然后将研究与为分析瘤区中的放射
组学特征而构建的类似机器学习模型进行比较。在具有5年结果的29名患者的群组中，使用手动分割出来的乳房造影中的乳房病变来自动确定乳腺肿瘤的侵袭边缘。使用1mm宽度的瘤内(即，侵袭边缘)和瘤周区(即，在肿瘤区域内)两者来自动识别侵袭边缘。图5a和图5b分别示出针对瘤周区和瘤内区的该项实验研究的验证结果。从肿瘤的侵袭边缘和中心区提取超过2000个放射组学特征用于该项研究，并且然后对它们进行排序以仅分析用于确定疾病的复发的多个有意义的放射组学特征。具体地，图5a示出第一曲线图502，该第一曲线图描绘了机器学习模块408能够基于瘤周区中的放射组学特征来正确地确定疾病的复发。相似地，图5b示出第二曲线图504，该第二曲线图描绘了机器学习模块408能够基于瘤内区中的放射组学特征来正确地确定疾病的复发。
45.在图5a和图5b两者中，水平轴线506表示假阳性率，并且垂直轴线508表示真阳性率。在曲线图502中，示出了第一接受者操作特征(roc)曲线512，该第一roc曲线表示基于侵袭边缘中的放射组学特征来预测疾病的复发的结果。相似地，在曲线图504中，示出了第二roc曲线514，该第二roc曲线表示基于瘤区中的放射组学特征来预测疾病的复发的结果。两种有意义的放射组学特征，即连续梯度大小的偏度和峰度，用于实现此目的。通过改变所选择的放射组学特征的阈值来分别绘制瘤周区和瘤内区的roc曲线512和roc曲线514，高于该阈值，图像将被分类为疾病复发图像，并且低于该阈值，图像将被分类为疾病非复发图像。例如，如果roc曲线上的点的坐标是(0,1)，即假阳性率为0并且真阳性率为1，则它意味着所有标本均被正确地分类为阳性病例(即疾病复发图像)。相反，如果roc曲线上的点的坐标是(1,0)，即假阳性率为1并且真阳性率为0，则它意味着所有标本均被错误地分类为阴性病例(即疾病非复发图像)。
46.两个坐标(0,1)和(1,0)之间的虚线是随机分类器线510。随机分类器线510上方的坐标表示良好的分类结果(优于随机)；线下方的点表示不良结果(劣于随机)。如可从曲线图502和曲线图504看出，瘤周区的放射组学特征的roc曲线512具有在随机分类器线510上方的所有坐标，而瘤内区的放射组学特征的roc曲线514具有在随机分类器线510下方的所有坐标。因此，可看出，当与roc曲线514相比时，roc曲线512的性能要好得多。
47.本发明技术的优点之一在于，与从整个肿瘤提取到的异质性特征相比，从侵袭边缘提取到的异质性特征的预测准确性更好。此外，该技术可用于对其它癌症(包括前列腺癌、结肠癌、肺癌、肝癌和成胶质细胞瘤癌)进行癌症风险分级。此外，该技术可易于导出成3d和其它成像模态，包括ct、mri和超声。此外，该技术处理常规采集的成像数据(如乳房造影)的效果很好。
48.应当理解，以上描述旨在是例示性的而非限制性的。例如，上述实施方案(和/或其方面)可以彼此组合使用。此外，在不脱离本主题的范围的情况下，可进行许多修改以使特定情况或材料适应于本文示出的主题的教导内容。虽然本文所述的材料的尺寸和类型旨在限定所公开的主题的参数，但它们决不是限制性的而是示例性实施方案。在回顾以上描述后，许多其他实施方案对于本领域技术人员将是显而易见的。因此，本文所述的主题的范围应当参考所附权利要求书以及此类权利要求书所赋予的等同物的全部范围来确定。在所附权利要求书中，术语“包括”和“其中”用作相应术语“包含”和“其中”的普通英语等同物。此外，以下权利要求书的限制不是用装置加功能格式书写的，也不旨在基于35u.s.c.
§
112(f)来解释，除非并且直到这些权利要求书限制明确地使用短语“用于
……
的装置”，然后是没
有其他结构的功能陈述。
49.该书面描述使用示例来公开本发明，包括最佳模式，并且还使相关领域中的普通技术人员能够实践本发明，包括制造和使用任何设备或系统以及执行任何包含的方法。本发明可取得专利权的范围由权利要求书限定，并且可包括本领域普通技术人员想到的其他示例。如果此类其他示例具有与权利要求书的字面语言没有区别的结构元素，或者如果它们包括与权利要求书的字面语言具有微小差别的等效结构元素，则此类其他示例旨在落入权利要求书的范围内。

技术特征：
1.一种用于确定患者的疾病的复发的方法，所述方法包括：生成所述患者的器官的医学图像；提取所述医学图像中的围绕感兴趣区域的侵袭边缘；从所述侵袭边缘获取多个放射组学特征；以及基于所述多个放射组学特征确定所述疾病的复发。2.根据权利要求1所述的方法，其中，所述医学图像包括x射线图像、计算机断层摄影术(ct)图像、磁共振图像(mri)或超声图像。3.根据权利要求1所述的方法，其中，所述感兴趣区域包括瘤区。4.根据权利要求1所述的方法，其中，提取所述侵袭边缘包括从所述医学图像分割所述感兴趣区域。5.根据权利要求4所述的方法，其中，所述侵袭边缘包括围绕具有一定宽度的所述感兴趣区域的边缘。6.根据权利要求5所述的方法，其中，所述侵袭边缘的宽度取决于疾病的性质和所述医学图像的分辨率。7.根据权利要求5所述的方法，其中，所述侵袭边缘的宽度在0.5mm至1cm的范围内。8.根据权利要求1所述的方法，其中，所述多个放射组学特征包括所述侵袭边缘的形状、纹理、强度和梯度大小。9.根据权利要求1所述的方法，其中，确定所述疾病的复发包括基于随机森林分类器能够预测所述疾病的复发，使用所述随机森林分类器对所述多个放射组学特征进行排序。10.根据权利要求9所述的方法，其中，确定所述疾病的复发包括向用于将所述医学图像分类为疾病复发医学图像或疾病非复发医学图像的机器学习模型提供排序高的放射组学特征。11.根据权利要求9所述的方法，其中，所述机器学习模型包括分类器或深度神经网络。12.根据权利要求1所述的方法，其中，所述疾病包括三阴性乳腺癌、受体阳性乳腺癌、her-2阳性乳腺癌、前列腺癌、肺结肠癌、肝癌或成胶质细胞瘤癌。13.根据权利要求1所述的方法，所述方法还包括提取所述瘤区中的区域以及围绕所述瘤区的所述侵袭边缘，并且基于所述侵袭边缘和所述瘤区区域两者中的所述放射组学特征来确定所述疾病的复发。14.一种系统，所述系统包括：存储器，所述存储器存储机器学习模型；显示设备；和处理器，所述处理器能够通信地联接到所述存储器并且被配置为：接收所述患者的器官的医学图像；基于所述医学图像中的围绕感兴趣区域的侵袭边缘的所述放射组学特征，使用机器学习模型网络将所述医学图像分类为疾病复发图像或疾病非复发图像；以及经由所述显示设备显示所述疾病复发图像。15.根据权利要求14所述的系统，其中，所述处理器被进一步配置为通过从所述医学图像分割所述感兴趣区域来提取所述侵袭边缘。

技术总结
本发明题为“用于检测疾病复发的系统和方法”。本发明公开了一种用于确定患者的疾病的复发的方法，该方法包括生成患者的器官的医学图像，并且然后提取医学图像中的围绕感兴趣区域的侵袭边缘。从该侵袭边缘获取多个放射组学特征并且基于该多个放射组学特征确定疾病的复发。复发。复发。


技术研发人员：索米娅
受保护的技术使用者：印第安纳大学董事会
技术研发日：2023.03.14
技术公布日：2023/9/25