基于磁共振-病理图像融合的GBM患者预后评估方法及系统

本技术实施例涉及影像分析，特别涉及一种基于磁共振-病理图像融合的gbm患者预后评估方法及系统。

背景技术：

1、胶质母细胞瘤（glioblastoma，gbm）是中枢神经系统胶质瘤中恶性程度最高、进展速度最快、治疗效果最差的恶性肿瘤。gbm源自神经胶质细胞或其前体细胞，其发病率约占原发性恶性脑肿瘤的一半以上，复发快且生存期短是其最鲜明的特点。目前对gbm的共识治疗是最大范围的手术切除瘤体，随后进行规范的放疗和替莫唑胺（temozolomide， tmz）化疗。尽管经过上述的积极治疗有效延长了生存期，但是gbm患者的中位生存时间仍然低于15个月。研究表明，gbm患者预期寿命的缩短与多种因素有关，其中最重要的是肿瘤内部不同细胞之间的复杂性以及它们所处于的免疫微环境，这种多层面上的高度异质性共同促成了肿瘤的恶性进展和对治疗的抵抗。

2、磁共振成像（magnetic resonance imaging，mri）是目前临床上应用最广泛的医学影像学工具之一，mri可以提供有关肿瘤的位置、大小、范围和邻近脑组织结构的详细信息，还用于监测治疗反应和检测肿瘤复发情况。作为mri中的结构成像序列，弥散张量成像（diffusion tensor imaging，dti）是目前mri中唯一能活体展示脑纤维束结构的高级序列，利用脑组织中水分子扩散运动的各向异性，展示脑白质纤维束的微观结构特点，反映脑白质纤维束被肿瘤破坏与浸润的程度。

3、现有的异柠檬酸脱氢酶（tsocitrate dehydrogenase，idh）野生型gbm医学图像的机器学习研究通常侧重于单一磁共振图像或病理图像的限制，然而，两种图像综合研究对患者预后的预测是否更为准确并不明确。此外，磁共振图像或病理图像和潜在的生物学机制和通路的综合关系有待进一步研究。idh野生型gbm的影像基因组学分析需要大型数据集来训练和验证影像-病理融合组学模型，由于idh野生型gbm的罕见性，导致大型数据集的获取难度较高。

技术实现思路

1、本技术实施例提供一种基于磁共振-病理图像融合的gbm患者预后评估方法及系统，利用磁共振、病理图像分别提取影像组学特征、病理组学特征并构建融合模型，评估idh野生型gbm患者的影像-病理融合组学标签相对于传统临床病理因素的预后增量预测价值。

2、为解决上述技术问题，第一方面，本技术实施例提供一种基于磁共振-病理图像融合的gbm患者预后评估方法，包括以下步骤：首先，获取gbm患者的数据集；gbm患者包括idh野生型胶质母细胞瘤患者；然后，对数据集进行图像采集，得到mri图像和病理wsi；并基于数据集，获取转录组测序数据；病理wsi为全视野数字病理切片图像；接下来，基于mri图像和病理wsi，得到影像-病理融合特征；然后，基于影像-病理融合特征，构建影像-病理组学模型；并基于影像-病理组学模型和转录组测序数据，得到影像-病理组学分析结果；接下来，分别采用加权基因共表达网络分析以及基因集富集分析方法，对转录组测序数据进行分析，得到用于揭示影像-病理组学特征生物学含义的交叉生物学通路；最后，将影像-病理组学模型以及交叉生物学通路，确定影像-病理组学特征背后的关键生物学通路。

3、在一些示例性实施例中，对数据集进行图像采集，得到mri图像和病理wsi，包括：分别对数据集进行磁共振成像采集、病理图像采集，分别得到mri图像和病理wsi；基于mri图像和病理wsi，得到影像-病理融合特征，包括：首先，分别对mri图像和病理wsi进行标准化处理，并分别从标准化处理后的mri图像和病理wsi中提取影像组学特征、病理组学特征，得到影像组学特征数据集和病理组学特征数据集；然后，将影像组学特征数据集和病理组学特征数据集进行融合，得到影像-病理融合特征数据集；最后，对影像-病理融合特征数据集中的特征进行特征筛选，得到影像-病理融合特征。

4、在一些示例性实施例中，对mri图像进行标准化处理，包括：首先，采用n4偏置场对mri图像进行校正，以去除颅骨影响；然后，用三线插值法将所有体素等向重采样为1×1×1mm3的体素；接下来，以流体衰减反转恢复成像为模板，并采用基于互信息的相似度度量方法对mri图像进行刚性配准，生成配准图像；具体的，从标准化处理后的mri图像中提取影像组学特征，包括：首先，从经过标准化处理后影像图像中提取定量影像组学特征，定量影像组学特征包括形状、强度和纹理特征；然后，使用滤波器在原始mri图像上进行转换或派生得到小波特征和高斯-拉普拉斯特征。

5、在一些示例性实施例中，对病理wsi进行标准化处理，包括：首先，将病理wsi中的组织区域和非组织区域进行准确分离，并剔除空白的非组织区域；然后，将组织区域分割为1024×1024大小的组织斑块；接下来，采用k-means聚类算法根据图像中的主要特征和模式对组织斑块进行聚类，得到若干个斑块簇，并从每个斑块簇中挑选出最优斑块；具体的，从标准化处理后的病理wsi中提取病理组学特征，包括：对每个斑块簇中挑选出的最优斑块进行全面的特征提取，得到病理组学特征。

6、在一些示例性实施例中，对每个斑块簇中挑选出的最优斑块进行全面的特征提取，得到病理组学特征，包括：首先，利用解混颜色模块，解混代表性图像；然后，通过具有自适应阈值的三个模块，自动识别细胞核、细胞体和细胞质；三个模块分别为识别主要模块、识别次要模块、识别第三级模块；接下来，采用一系列功能模块对图像进行深入分析，测量得到图像中物体特征；物体特征包括物体的大小、形状、纹理、密度、分布和强度特征；最后，对测量得到的物体特征进行统计分析，得到了不同的统计指标，以全面、客观地描述图像中物体的特征和属性；统计指标包括平均值、中位数和标准差。

7、在一些示例性实施例中，将影像组学特征数据集和病理组学特征数据集进行融合，得到影像-病理融合特征数据集；对影像-病理融合特征数据集中的特征进行特征筛选，得到影像-病理融合特征，包括：首先，对影像组学特征数据集中得影像组学特征进行筛选，得到一致性较高的影像组学特征的数据集；一致性较高的判定标准为： icc值大于或等于0.8；然后，将一致性较高的影像组学特征的数据集与病理特征数据集进行原始融合，形成一个涵盖影像特征和病理特征的融合特征集；接下来，采用了单变量cox回归模型对融合特征集的特征进行分析，得到分析结果，并计算一致性指数以衡量分析结果准确性；最后，采用lasso-cox算法对融合特征集的特征进行二次筛选，最终筛选出最佳特征作为影像-病理融合特征，以形成最终的影像-病理融合特征数据集。

8、在一些示例性实施例中，基于影像-病理融合特征，构建影像-病理组学模型，包括：采用套索算法和cox风险回归分析相结合的机器学习方法，基于影像-病理融合特征，构建影像-病理组学模型，并对影像-病理组学模型进行验证；其中，验证过程包括：计算每个患者的多组学风险得分，并确定最佳截断值，并在内部验证集上应用影像-病理组学模型；内部验证集从数据集划分得到；在外部验证集上应用影像-病理组学模型，验证影像-病理组学模型的有效性和稳定性；外部验证集为用于评价模型质量的gbm患者的数据集合；外部验证集与内部验证集为不同的数据集；分别通过生存曲线、一致性指数、决策曲线对影像-病理组学模型的预测效果进行评估。

9、在一些示例性实施例中，分别采用加权基因共表达网络分析和基因集富集分析方法，对转录组测序数据进行分析，包括：采用聚类分析识别并剔除可能存在的离群样本；构建基因模块，并计算每个基因模块的gsva值，然后与多组学风险得分进行皮尔逊相关性分析，筛选错误发现率小于0.05的基因模块，以确保保留的基因模块具有显著的生物学意义和可靠性；对于保留下来的基因模块，进行基因模块的wgcna分析，以分析基因之间的相互关系；并进行不同基因表达分析以确保对基因集的富集分析得到了准确和可靠的结果。

10、在一些示例性实施例中，将影像-病理组学模型以及交叉生物学通路，确定影像-病理组学特征背后的关键生物学通路，包括：首先，采用加权基因共表达网络分析和基因集富集分析两种分析方法，获得各自的富集通路结果；然后，采用加权基因共表达网络分析和基因集富集分析两种分析方法的交叉生物学通路，计算每个通路对应的gsva评分，与影像-病理融合特征进行皮尔逊相关性分析，研究多组学风险得分中各个特征值与交叉生物学通路之间的关系，从而比较高风险和低风险患者群体在关键生物学通路上的表达差异，以深入了解不同风险组别在影像-病理基因组学上的差异。

11、第二方面，本技术实施例还提供了一种基于磁共振-病理图像融合的gbm患者预后评估系统，包括：依次连接的数据集模块、图像和转录组测序数据获取模块、融合特征提取模块、融合模型构建模块以及数据分析模块；数据集模块用于获取gbm患者的数据集； gbm患者包括idh野生型胶质母细胞瘤患者；图像和转录组测序数据获取模块用于对数据集进行图像采集，得到mri图像和病理wsi；并基于数据集，获取转录组测序数据；病理wsi为全视野数字病理切片图像；融合特征提取模块用于根据mri图像和病理wsi，得到影像-病理融合特征；融合模型构建模块用于根据影像-病理融合特征，构建影像-病理组学模型；并基于影像-病理组学模型和转录组测序数据，得到影像-病理组学分析结果；数据分析模块用于分别采用加权基因共表达网络分析以及基因集富集分析方法，对转录组测序数据进行分析，得到用于揭示影像-病理组学特征生物学含义的交叉生物学通路；并将影像-病理组学模型以及交叉生物学通路，确定影像-病理组学特征背后的关键生物学通路。

12、本技术实施例提供的技术方案至少具有以下优点：

13、本技术实施例提供一种基于磁共振-病理图像融合的gbm患者预后评估方法及系统，该方法包括以下步骤：首先，获取gbm患者的数据集；gbm患者包括idh野生型胶质母细胞瘤患者；然后，对数据集进行图像采集，得到mri图像和病理wsi；并基于数据集，获取转录组测序数据；病理wsi为全视野数字病理切片图像；接下来，基于mri图像和病理wsi，得到影像-病理融合特征；然后，基于影像-病理融合特征，构建影像-病理组学模型；并基于影像-病理组学模型和转录组测序数据，得到影像-病理组学分析结果；接下来，分别采用加权基因共表达网络分析以及基因集富集分析方法，对转录组测序数据进行分析，得到用于揭示影像-病理组学特征生物学含义的交叉生物学通路；最后，将影像-病理组学模型以及交叉生物学通路，确定影像-病理组学特征背后的关键生物学通路。

14、本技术提供的基于磁共振-病理图像融合的gbm患者预后评估方法，通过收集gbm患者mri图像和病理wsi数据，对其进行配准后进行影像-病理融合特征提取，选择最佳的预后影像-病理融合组学特征，用来构建影像-病理组学模型。其次，使用加权基因共表达网络分析以及基因集富集分析方法两种方法对转录组测序数据进行的分析，识别两者的交叉生物学通路。最后，将影像-病理融合特征与生物通路进行了关联，并确定了融合组学特征背后的关键生物学通路。本技术通过整合影像、病理组学和基因表达数据，可以深入了解生物学机制和通路，并为患者的治疗和预后评估提供更具体的指导和预测。