[发明专利]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

摘要

本发明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。

主权项

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)E(x)=Σiθu(xi)+Σi,j,i≠jθp(xi+xj)---(2)]]>任意两个像素间的势计算如下：θp(xi+xj)=μp(xi+xj)Σm=1Kω(m)k(m)(fi,fi)---(3)]]>其中，核函数如下式所示：k(fi,fi)=ω(1)exp(-|pi-pj|22σα2-|Ii-Ij|22σβ2)+ω(2)exp(-|pi-pj|22σγ2)---(4)]]>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：minR(S),R=1m2Σdi,dj∈SI(di;dj)---(5)]]>S与目标类别c间的最大相关定义为：maxD(S,c),D=1mΣdi∈SI(di;c)---(6)]]>则mRMR准则定义为：maxdi∈ΩS{I(di;c)-1mΣdj∈SI(di;dj)}---(7)]]>基于mRMR准则的适应度函数定义为：FitnessmRMR(x)=Accuracy(x)+1-Rank(x)1+Accuracy(x)---(8)]]>其中，Accuracy为使用S所获得的分类准确率，Rank表示所选择特征的mRMR排序值之和；步骤四.分类判决将遗传算法选出的110个特征送入分类器进行IDH1状态预测，分类器采用经典的支持向量机和AdaBoost算法进行分类。