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方案

本发明专利技术属于计算机辅助诊断技术领域，具体为一种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。本发明专利技术首先采用基于卷积神经网络的三维磁共振图像自动分割方法；对分割得到的肿瘤配准到标准脑图集，获取肿瘤分布的116个位置特征；通过计算得到分割肿瘤的21个灰度特征，15个形状特征，39个纹理特征；并对灰度特征和纹理特征进行三维小波分解得到8个子带的480个小波特征；最终从每个病例的三维T2‑Flair磁共振图像中获取671个高通量特征；采用p值筛选、遗传算法结合的特征筛选策略获得与IDH1高度相关的110个特征；采用支持向量机和AdaBoost分类器得到对IDH1预测精度为80%的分类。本发明专利技术作为影像组学新方法，为胶质瘤的临床诊断提供重要分子标记物的无损预测方案。

Noninvasive prediction method and prediction system of brain glioma molecular marker based on image set

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癌、乳腺癌、前列腺癌、头颈癌的分子分型、肿瘤异质性、肿瘤检测等的研究中，并取得了初步的成功。本专利技术的目的是设计一套从常规磁共振图像中提取高通量图像特征，进而得到以IDH1为例的分子标记物状态的标准化无损预测方法。
技术实现思路
本专利技术的目的是提出一种自动化、规范化的基于影像组学的脑胶质瘤分子标记物IDH1无损预测方法。本专利技术构造的影像组学方法，框架如图1所示，包含了图像分割、配准、特征提取、特征筛选、分类决策等环节。本专利技术提出的基于影像组学的胶质瘤分子标记物IDH1无损预测方法，其步骤如下：步骤一.图像分割图像分割是影像组学中的关键和瓶颈问题，随着深度学习在图像处理领域的广泛应用，基于深度学习的医学影像自动分割显示出比传统方法更好的分割精度和鲁棒性。本专利技术中，我们采用了基于卷积神经网络的磁共振影像分割方法，在文献[3]报道方法的基础上进行了网络结果的调整，将磁共振图像的三维信息引入到传统二维CNN图像分割中，将全连接的条件随机场(CRF)被作为后处理环节加入到分割方法中，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。本专利技术设计的CNN胶质瘤磁共振影像分割方法，具有如图2(a)所示的结构。CNN网络中包括4层卷积层，2层池化层，2层全连接层。文献[3]中的CNN的输入为二维图像，即为二维CNN。由于低级别胶质瘤较高级别胶质瘤具有更小的尺寸、更低的图像对比度，直接用[3]的方法分割结果欠理想，因此针对低级别胶质瘤的分割，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，见图2(b)，即将相邻层的信息引入到当前层的训练中，实现了输入信息的三维化，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。通过前后两个环节的改进，使分割效果的Dice相似系数从原始CNN的0.76提高到0.85。我们使用卷积神经网络和条件随机场结合来改进脑胶质瘤的图像分割。首先将包含肿瘤区域的脑部磁共振图像划分为若干个小块，以中心点的类别作为目标输入到卷积神经网络进行训练，使用随机梯度下降法使网络的权值反向传递，获得稳定的网络。在测试的阶段，我们将整幅图像输入到网络之中，将最后一个全连接层之后的特征图进行上采样至输入的大小，以作为条件随机场的单元势函数。条件随机场利用单元势函数的信息进行若干次循环，获得最后准确的肿瘤区域。条件随机场(CRF)后处理环节的具体实现为，先计算如下每个像素点的单元势函数：θu(xi)＝-logP(xi)(1)其中，P(xi)是最后一个全连接层的特征图经过上采样，θu(xi)是获得能单元势函数：其中，E(x)是条件随机场的能量函数，θp(xi+xj)是任意两个像素点i和j之间的势函数，通过以下计算获得：其中，μp(xi+xj)是判断两个点是不是同一个点，不是得话则是1。之后为定义的势函数的核，可以由以下计算所得式中，pi和Ii代表像素i在CNN网络中的位置和灰度。可以看出，前一项为两个像素点位置和灰度值之间差别的权值，后一项为对于位置的模糊项。ω为两项的权值，σ为两项的方差，这5个参数和条件随机场的循环次数会影响分割的准确性，需要从训练集训练获得。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(MontrealNeurologicalInstitute(MNI))，配准方法采用MNI提供的SPM12软件；采用AnatomicalAutomaticLabeling(AAL)方法将标准脑图集划分为116个感兴趣区域AVOI(anatomicalvolumesofinterest)；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。因此对每个病例可得到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(Independent-samplesTtestandMann-WhitneyUtest)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(Radiomics)分析。除了116个位置特征外，还提取了灰度特征21个，形状特征15个，纹理特征39个(这些特征的提取方法详见附录1)对灰度和纹理等60个特征进行三维小波分解，得到480个小波特征；共计671个特征。特征列表见表1。其中，各个特征的计算方法可参见[2]，[4]-[6]。上述高通量特征，共计671个，具体列表如下：位置特征，共11个，统计肿瘤出现在AAL共116个分区的出现情况；灰度特征，共21个，具体为：1)能量，2)直方图的熵，3)峰值，4)最大值，5)平均绝对误差，6)平均，7)中值，8)最小值，9)灰度范围，10)均方根，11)歪斜度，12)标准差，13)直方图均匀度，14)方差，15)高斯拟合的参数a，16)高斯拟合的参数b，17)高斯拟合的参数c，18)直方图均值，19)直方图方差，20)直方图歪斜度，21)直方图峰值。形状特征，共15个，具体为：1)紧密度1，2)紧密度，3)最长距离，4)不对称度，5)类球度，6)表面积，7)表面积体积比，8)体积，9)面积边界框比，10)最长的椭圆长轴，11)最短的椭本文档来自技高网...

【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