The invention belongs to the technical field of computer aided diagnosis, in particular to a lossless prediction method and a prediction system of brain glioma molecular markers based on image set. The invention firstly uses the method of automatic segmentation of 3D magnetic resonance images based on convolutional neural network; on the segmented tumor registration to standard brain atlas, obtaining 116 position distribution characteristics of tumor; 21 gray feature segmentation of tumor through calculation, 15 shape features, 39 texture features and gray features and texture; the characteristics of 3D wavelet decomposition 480 wavelet features 8 sub bands; finally obtain 671 throughput features from 3D T2 Flair magnetic resonance images of each case; with the p value feature selection, genetic algorithm combined with the screening strategy to obtain 110 features highly correlated with IDH1 and AdaBoost; the support vector machine classifier the IDH1 classification of the prediction accuracy is 80%. As a new imaging method, the present invention provides a lossless prediction scheme for important molecular markers for clinical diagnosis of gliomas.
【技术实现步骤摘要】
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
本专利技术属于计算机辅助诊断
,具体为基于影像组学(Radiomics)的脑胶质瘤分子标记物无损预测方法和预测系统。
技术介绍
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,WHOIV级)相比,对LGG的基因表达分析和理解的研究相对欠缺。IDH1(异柠檬酸脱氢酶1)具有显著的诊断、预后、预测价值,是胶质瘤中最重要的分子标记物[1]。大多数的较低级别胶质瘤(WHOII级和III级)及继发性的GBM都存在IDH1突变,而原发性的GBM中较少观察到IDH1突变;IDH1独立于常规预后指标与较长无进展生存期有关,含有IDH基因突变的高级别胶质瘤有显著较好预后;IDH1突变和1p/19q共缺失的低级别胶质瘤对放化疗敏感;IDH1野生型的低级别胶质瘤在分子及临床表现上与胶质母细胞瘤相似;IDH1突变的病人实施最大化切除可获得生存期的增加,因此IDH1突变可指导最大化肿瘤切除。正因为IDH1的重要临床价值,胶质瘤IDH1状态的评估无疑具有重要意义。现在临床上IDH1状态评估主要是通过获取肿瘤组织后进行基因测序得到。无损IDH1状态的预测将极大的帮助临床进行胶质瘤的早期诊断和治疗方案制定。作为新兴的医学影像处理技术,影像组学通过从医学影像中自动提取高通量的图像特征,挖掘和建立图像特征和基因、蛋白、代谢、生理等指标的关联[2]。近期,影像组学已经应用在肺 ...
【技术保护点】
一种基于影像组学的胶质瘤分子标记物IDH1无损预测方法,其特征在于,具体步骤如下:步骤一.图像分割采用基于卷积神经网络(CNN)的磁共振影像分割方法,CNN网络中包括4层卷积层,2层池化层,2层全连接层,对CNN结构做了如下调整:一是将临近层的磁共振图像信息送入CNN网络中,即将相邻层的信息引入到当前层的训练中,实现输入信息的三维化,使得网络对体积较小的胶质瘤也能得到较好的分割结果;二是将全连接的条件随机场(CRF)被作为后处理环节加入到胶质瘤的图像分割中,使得网络对对比度低的低级别胶质瘤也有很好的分割效果;CRF后处理环节的具体实现为,将CNN的最后一个全链接层的输出作为P(x
【技术特征摘要】
1.一种基于影像组学的胶质瘤分子标记物IDH1无损预测方法,其特征在于,具体步骤如下:步骤一.图像分割采用基于卷积神经网络(CNN)的磁共振影像分割方法,CNN网络中包括4层卷积层,2层池化层,2层全连接层,对CNN结构做了如下调整:一是将临近层的磁共振图像信息送入CNN网络中,即将相邻层的信息引入到当前层的训练中,实现输入信息的三维化,使得网络对体积较小的胶质瘤也能得到较好的分割结果;二是将全连接的条件随机场(CRF)被作为后处理环节加入到胶质瘤的图像分割中,使得网络对对比度低的低级别胶质瘤也有很好的分割效果;CRF后处理环节的具体实现为,将CNN的最后一个全链接层的输出作为P(xi),计算如下能量函数:θu(xi)=-logP(xi)(1)任意两个像素间的势计算如下:其中,核函数如下式所示:式中,up(xi+xj)计算是否两点是否相似,pi和Ii代表像素i在CNN网络中的位置和灰度;在CNN分割结果的基础上,每层中具有最大相似度的区域被标定为肿瘤区域;步骤二.特征提取特征包括位置特征、灰度特征、形状特征、和纹理特征;位置特征提取,首先将分割后的肿瘤配准到标准脑图集,标准脑图集采用MN152,配准方法采用MNI提供的SPM12软件;采用AAL方法将标准脑图集划分为116个感兴趣区域AVOI;对配准到MN152的胶质瘤,统计其落于116个AVOIs的情况,若肿瘤落在某个AVOI的体素量大于10则认为该胶质瘤在此AVOI,记为1,否则记为0;于是对每个病例得到116个0和1相间的字符串表示该胶质瘤在全脑的分布情况;对IDH1突变型和野生型胶质分别统计在全脑发生的情况,通过独立样本T检验和U检验统计两类胶质瘤位置分布的统计差异;将每个病例的位置分布表作为116个位置特征用于后继的影像组学分析;除了提取116个位置特征外,还提取灰度特征21个,形状特征15个,纹理特征39个;,对灰度特征和纹理特征共60个特征进行三维小波分解,得到480个小波特征;步骤三.特征筛选对上述671个高通量特征,采用两步特征筛选法进行特征选择:第一步,基于独立样本t检验,选出p<0.05即有统计差异的特征,此步骤中共选择特征197个;第二步,采用改进的遗传算法对197个特征进行进一步筛选,得到110个特征;其中所述改进的遗传算法,是在原遗传算法中改用一种基于最小冗余-最大相关(mRMR)准则的适应度函数,具体如下:在特征空间Ω内,已选特征子集S内特征间的最小冗余定义为:S与目标类别c间的最大相关定义为:则mRMR准则定义为:
【专利技术属性】
技术研发人员:余锦华,史之峰,李泽榉,汪源源,陈亮,毛颖,
申请(专利权)人:复旦大学,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。