基于影像组学的脑胶质瘤分子标记物无损预测方法和预测
系统
技术领域
[0001] 本
发明涉及
肿瘤预测技术领域,尤其涉及基于影像组学的脑胶质瘤分子标记物无损预测 方法以及一种基于影像组学的脑胶质瘤分子标记物预测系统。
背景技术
[0002] 据世界卫生组织报告,癌症是全球发病和死亡的主要原因;在我国,
恶性肿瘤已经 成为我国居民头号杀手。肿瘤领域是当下研究的一个热点,其中一个重要的挑战是寻找肿 瘤标记物,对于肿瘤早期诊断、
预后以及疗效预测起至关重要作用。
[0003] 现有
肿瘤标记物提取方法主要基于分子技术,该方法需借助专业仪器对病人进行 活检或手术,侵入性地获取出肿瘤局部组织,通过基因测序或
蛋白质分子技术,从癌症的分 子机制去探索发生的根源,寻找致癌基因的突变位点和其分子表达通路。结合病人的临床 分期、生存周期等信息,寻找潜在的肿瘤分子标记物。但肿瘤具有很强的空间异质性,局部 组织并不能代表整个肿瘤的全局特征;这可能会导致分子标记物研究的可变性和不一致 性。另外,现阶段分子技术的不成熟、成本高,制约着其在临床的常规应用。因此,探索无 侵入的可替代标记物是一个重要的研究目标。
[0004] 影像学方法已用于临床的常规诊断。其中,CT作为最常见的成像方式,可无侵入、 重复地描述肿瘤的解剖学特征。在一些肿瘤影像学标记物提取方法中,基于CT的定量特征, 如肿瘤大小、边界等被证明与肿瘤分期,生存周期和疗效相关。而新兴领域——基因影像 学,将影像特征和分子机制相关联,尝试用从基因层次去解释宏观的影像学特征。然而,基 因影像学大部分研究集中在两者的关联,尚未发现其在影像标记物领域的应用。
[0005] 其中,胶质瘤是最常见的脑部恶性肿瘤,其中约30%为低级别胶质瘤(LGG,WHO分级I 和II级)。尽管低级别胶质瘤有相对较好预后,但几乎所有的低级别胶质瘤都会发展为具有 高死亡率的高级别胶质瘤。与胶质母细胞瘤(GBM,WHO IV级)相比,对LGG的基因表达分析和 理解的研究相对欠缺。
[0006] 基于医学影像的技术一直应用于癌症的诊断和分期,由于脑胶质瘤具有持续的血管生成 和组织浸润与转移的特性,正常组织与脑胶质瘤组织边界不清晰、转移
位置不确定等不确定 因素导致脑胶质瘤预后预测成为临床研究中面临的严峻的挑战。现阶段,在脑胶质瘤影像临 床方面,影像科医生主要依照个人知识和经验对检查结果中脑胶质瘤的分级诊断进行主观、 定性的判断,而且判断的结果意见也都是包含简单的量化信息,不能全面的描述出肿瘤信息, 这不利于医生制定
治疗方案和分级预测脑胶质瘤等级。
发明内容
[0007] 本发明的目的是针对
现有技术的不足,从而提供基于影像组学的脑胶质瘤分子标记物无 损预测方法。
[0008] 本发明提供了一种基于影像组学的脑胶质瘤分子标记物无损预测方法,包括以下步骤:
[0009] 步骤1,通过常规
磁共振成像方法采集脑胶质瘤的原始医学图像,并对采集的原始医学 图像进行图像格式、大小的统一化和数据的去隐私化处理,获得脑胶质瘤医学肿瘤影像数据 和历史肿瘤数据;
[0010] 步骤2,建立脑胶质瘤医学肿瘤影像
数据库和历史肿瘤数据库,并通过有限元、神经网 络
算法建立
预测模型,同时自脑胶质瘤医学肿瘤影像数据库选取其中一个脑胶质瘤医学图像 样本,
选定脑胶质瘤医学图像样本中的感兴趣区,并将感兴趣的区域划分为很多的基本单元, 计算基本单元周围相邻区域的特征并提取其中的脑胶质瘤特征,脑胶质瘤特征包括位置特 征、灰度特征、形状特征、和纹理特征;
[0011] 步骤3,针对步骤2提取的脑胶质瘤特征进行分析,选择出有效特征,组成
特征向量, 将其送入分类器进行检测,得出感兴趣区域的属性;
[0012] 步骤4,根据基准单元周围相邻区域属性,计算基本单元计分,得出感兴趣区域的概率 分布图,比对其中脑胶质瘤医学肿瘤影像数据和历史肿瘤数据的感兴趣区域,分别选取x、y 特征点,两个特征点x和y之间的特征距离是三个距离值的加权和
[0013]
[0014] 各分量距离值为各特征描述符之间的欧式距离满足下列公式:
[0015] di(x,y)=Euclidean-distance(Di(x),Di(y))
[0016] 如果满足以下条件,特征点x与y匹配:
[0017] 1、d(x,y)是最小的在d(.,y)中。
[0018] 2、不存在d(z,y)<θ*d(x,y).θ是大于1的参数,被称为匹配
阈值;当匹配阈值大于0.7时,则脑胶质瘤医学肿瘤影像数据和历史肿瘤数据匹配度较高,两者代表的肿瘤病情发 展程度接近;
[0019] 步骤5,重复步骤2至4,从而形成训练集,根据训练集使用步骤2中得到的预测模型 进行预测模型训练,最终生成预测模型,该预测模型可以脑胶质瘤医学肿瘤影像数据结合测 定的分子标记物的含量作为评估受试者患病病
风险评估的特征,对数据进行评分,进行脑胶 质瘤患病预测和评价,当评估
树脂高于检测阈值时,判定受试者脑胶质瘤患病存在高风险。
[0020] 优选的,步骤1中所述的常规磁共振成像方法包括T1加权成像、T2加权成像、液体衰 减反转恢复(FLAIR)成像或增强后的T1加权成像的一种或多种组合。
[0021] 本发明还提供了一种基于影像组学的脑胶质瘤分子标记物无损预测系统,包括四个模
块:
图像采集模块,数据库模块、特征提取模块,训练模块以及脑胶质瘤分子标记物识别预 测模块,分别用于执行预测方法的
图像分割、数据库构建、特征提取、预测模型的训练升级、 患病预测和评价五个步骤的操作运算;其中,特征提取模块分为位置特征提取子模块、灰度 特征提取子模块、形状特征提取子模块、纹理特征提取子模块,分别用于执行置特征提取、 灰度特征提取、形状特征提取、纹理特征提取;脑胶质瘤分子标记物识别预测模块读取受试 者
试剂盒或者分子标记物的
荧光定量PCR检测数据导入。
[0022] 相较于现有技术,本发明的优点在于:
[0023] 1、利用影像组学方法开展了基于影像组学的脑胶质瘤无损预测,采用
深度学习方法建 立预测模型并识别提取图像特征,使得预测模型能够适应图像噪声,相较于传统的方法,正 确率大大提升;
[0024] 2、预测模型通过提取感兴趣区域的图像特征,并利用欧氏距离算法完成匹配,相比于 传统的匹配方法,计算速率大大提升;
[0025] 3、本发明的预测模型以及预测系统能够给予影像组学不断深度学习优化,同时还能够 结合测定的分子标记物的含量作为评估受试者患病病风险评估的特征,对数据进行评分,进 行脑胶质瘤患病预测和评价,甚至可以进行肿瘤病情发展程度的比较预测,这是现有技术所 不能比拟的。
[0026] 4、本发明的预测模型以及预测系统,能够不断自我
迭代、优化,从而使得预测正确率、 计算速率不断提升,也能够有效帮助到临床医师对肿瘤情况进行诊断治疗。
具体实施方式
[0027] 下面通过具体实施方式进一步详细的说明:
[0028] 下面将对本发明的技术方案进行清楚、完整地描述,显然,所描述的
实施例是本发明一 部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做 出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围;摆脱了对医师经 验、判断
力的依赖。
[0029] 实施例:
[0030] 一种基于影像组学的脑胶质瘤分子标记物无损预测方法,包括以下步骤:
[0031] 步骤1,通过常规磁共振成像方法采集脑胶质瘤的原始医学图像,并对采集的原始医学 图像进行图像格式、大小的统一化和数据的去隐私化处理,获得脑胶质瘤医学肿瘤影像数据 和历史肿瘤数据;
[0032] 步骤2,建立脑胶质瘤医学肿瘤影像数据库和历史肿瘤数据库,并通过有限元、神经网 络算法建立预测模型,同时自脑胶质瘤医学肿瘤影像数据库选取其中一个脑胶质瘤医学图像 样本,选定脑胶质瘤医学图像样本中的感兴趣区,并将感兴趣的区域划分为很多的基本单元, 计算基本单元周围相邻区域的特征并提取其中的脑胶质瘤特征,脑胶质瘤特征包括位置特 征、灰度特征、形状特征、和纹理特征;
[0033] 步骤3,针对步骤2提取的脑胶质瘤特征进行分析,选择出有效特征,组成特征向量, 将其送入分类器进行检测,得出感兴趣区域的属性;
[0034] 步骤4,根据基准单元周围相邻区域属性,计算基本单元计分,得出感兴趣区域的概率 分布图,比对其中脑胶质瘤医学肿瘤影像数据和历史肿瘤数据的感兴趣区域,分别选取x、y 特征点,两个特征点x和y之间的特征距离是三个距离值的加权和
[0035]
[0036] 各分量距离值为各特征描述符之间的欧式距离满足下列公式:
[0037] di(x,y)=Euclidean-distance(Di(x),Di(y))
[0038] 如果满足以下条件,特征点x与y匹配:
[0039] 1、d(x,y)是最小的在d(.,y)中。
[0040] 2、不存在d(z,y)<θ*d(x,y).θ是大于1的参数,被称为匹配阈值;当匹配阈值大于0.7时,则脑胶质瘤医学肿瘤影像数据和历史肿瘤数据匹配度较高,两者代表的肿瘤病情发 展程度接近;
[0041] 步骤5,重复步骤2至4,从而形成训练集,根据训练集使用步骤2中得到的预测模型 进行预测模型训练,最终生成预测模型,该预测模型可以脑胶质瘤医学肿瘤影像数据结合测 定的分子标记物的含量作为评估受试者患病病风险评估的特征,对数据进行评分,进行脑胶 质瘤患病预测和评价,当评估树脂高于检测阈值时,判定受试者脑胶质瘤患病存在高风险。
[0042] 在至少一个实施例中,步骤1中所述的常规磁共振成像方法包括T1加权成像、T2加权 成像、液体衰减反转恢复(FLAIR)成像或增强后的T1加权成像的一种或多种组合。
[0043] 本发明还提供了一种基于影像组学的脑胶质瘤分子标记物无损预测系统,包括四个模 块:图像采集模块,数据库模块、特征提取模块,训练模块以及脑胶质瘤分子标记物识别预 测模块,分别用于执行预测方法的图像分割、数据库构建、特征提取、预测模型的训练升级、 患病预测和评价五个步骤的操作运算;其中,特征提取模块分为位置特征提取子模块、灰度 特征提取子模块、形状特征提取子模块、纹理特征提取子模块,分别用于执行置特征提取、 灰度特征提取、形状特征提取、纹理特征提取;脑胶质瘤分子标记物识别预测模块读取受试 者试剂盒或者分子标记物的荧光定量PCR检测数据导入。
[0044] 本发明的优点在于:
[0045] 1、利用影像组学方法开展了基于影像组学的脑胶质瘤无损预测,采用深度学习方法建 立预测模型并识别提取图像特征,使得预测模型能够适应图像噪声,相较于传统的方法,正 确率大大提升;
[0046] 2、预测模型通过提取感兴趣区域的图像特征,并利用欧氏距离算法完成匹配,相比于 传统的匹配方法,计算速率大大提升;
[0047] 3、本发明的预测模型以及预测系统能够给予影像组学不断深度学习优化,同时还能够 结合测定的分子标记物的含量作为评估受试者患病病风险评估的特征,对数据进行评分,进 行脑胶质瘤患病预测和评价,甚至可以进行肿瘤病情发展程度的比较预测,这是现有技术所 不能比拟的。
[0048] 4、本发明的预测模型以及预测系统,能够不断自我迭代、优化,从而使得预测正确率、 计算速率不断提升,也能够有效帮助到临床医师对肿瘤情况进行诊断治疗。
[0049] 以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描 述,所属领域普通技术人员知晓
申请日或者
优先权日之前发明所属技术领域所有的普通技术 知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力, 所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些 典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指 出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干
变形和改 进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和
专利的实用性。 本申请要求的保护范围应当以其
权利要求的内容为准,
说明书中的具体实施方式等记载可以 用于解释权利要求的内容。