CN116403076B - 一种基于dti序列对gbm患者进行风险分层的方法及系统 - Google Patents

一种基于dti序列对gbm患者进行风险分层的方法及系统 Download PDF

Info

Publication number
CN116403076B
CN116403076B CN202310662079.3A CN202310662079A CN116403076B CN 116403076 B CN116403076 B CN 116403076B CN 202310662079 A CN202310662079 A CN 202310662079A CN 116403076 B CN116403076 B CN 116403076B
Authority
CN
China
Prior art keywords
image
histology
dti
magnetic resonance
sequence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310662079.3A
Other languages
English (en)
Other versions
CN116403076A (zh
Inventor
张振宇
阎静
王子龙
马泽宇
管芳展
李志成
傅尘颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
First Affiliated Hospital of Zhengzhou University
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
First Affiliated Hospital of Zhengzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS, First Affiliated Hospital of Zhengzhou University filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202310662079.3A priority Critical patent/CN116403076B/zh
Publication of CN116403076A publication Critical patent/CN116403076A/zh
Application granted granted Critical
Publication of CN116403076B publication Critical patent/CN116403076B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请涉及影像分析技术领域，特别涉及一种基于DTI序列对GBM患者进行风险分层的方法及系统，该方法包括以下步骤：获取GBM患者的数据集；对数据集进行图像采集，得到磁共振DTI序列；基于数据集，获取转录组测序数据；磁共振DTI序列为磁共振弥散张量成像序列；基于磁共振DTI序列，构建影像组学模型；并基于影像组学模型和转录组测序数据，得到影像组学分析结果；基于转录组数据分析方法，得到交叉通路；基于影像组学模型以及交叉通路，对影像组学特征背后的生物学基础进行解释。本申请利用磁共振弥散张量成像序列对IDH野生型胶质母细胞瘤患者进行风险分层与预后预测，并挖掘影像组学预后特征背后的生物学通路，为临床精准治疗提供重要指导。

Description

一种基于DTI序列对GBM患者进行风险分层的方法及系统
技术领域
本申请实施例涉及影像分析技术领域，特别涉及一种基于DTI序列对GBM患者进行风险分层的方法及系统。
背景技术
胶质母细胞瘤（Glioblastoma，GBM）是一种异质性高、起源复杂的高度恶性的原发性脑肿瘤。GBM的绝大多数病例的年龄在40岁以上。目前临床公认的GBM治疗方案为手术切除，然后进行放疗和替莫唑胺化疗。其典型临床特征是高度侵袭性和对标准治疗方案的抵抗。2021年世界卫生组织（World Health Organization，WHO）发布了第5版中枢神经系统（Central Nervous System，CNS）肿瘤分类办法，其中GBM的分子病理定义有所更新。异柠檬酸脱氢酶（Tsocitrate Dehydrogenase，IDH）基因野生型且病理检验提示肿瘤组织存在坏死或微血管增生，或具有表皮生长因子受体（Epidermal Growth Factor Receptor，EGFR）基因扩增、7 号染色体扩增/10号染色体缺失（+7/-10）、端粒酶逆转录酶（TelomeraseReverse Transcriptase，TERT）启动子区突变三个分子变异之一的成人弥漫性胶质瘤定义为“胶质母细胞瘤，IDH 野生型”。
与2016年WHO CNS肿瘤分类不同的是，IDH突变型胶质瘤被从GBM中剔除，显著的降低了GBM的分子异质性。然而，在实际的临床工作中还是观察到IDH野生型GBM患者的预后情况和对标准治疗方案的反应存在明显差异。这表明IDH野生型GBM依旧有明显的异质性，其背后可能有潜在的亚型，且不同亚型背后可能有不同的生物学过程发挥作用。因此，能够早期、无创的识别IDH野生型GBM亚型，明确各亚型背后的生物学过程，可以为精准诊疗决策提供明确指导。
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。既往的胶质瘤影像组学研究通常依托于MRI常规序列（T1WI、T2WI和FLAIR等）开展，用于肿瘤的鉴别诊断、预测分级及预后。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。现有技术通常依靠常规MRI序列的影像组学特征对GBM进行风险分层，而忽视了DTI序列的作用及价值，缺乏系统地研究源自DTI序列的高通量影像组学特征的预后价值及生物学含义。
发明内容
本申请实施例提供一种基于DTI序列对GBM患者进行风险分层的方法及系统，利用来自磁共振成像的弥散张量成像序列的影像组学特征对IDH野生型胶质母细胞瘤患者进行风险分层与预后预测，并挖掘影像组学预后特征背后的生物学通路，为临床精准治疗提供重要指导。
为解决上述技术问题，第一方面，本申请实施例提供一种基于DTI序列对GBM患者进行风险分层的方法，包括以下步骤：首先，获取GBM患者的数据集； GBM患者为胶质母细胞瘤患者；数据集包括训练集和测试集；然后，对所述数据集进行图像采集，得到磁共振DTI序列；并基于所述数据集，获取转录组测序数据；所述磁共振DTI序列为磁共振弥散张量成像序列；接下来，基于所述磁共振DTI序列，构建影像组学模型；并基于所述影像组学模型和所述转录组测序数据，得到影像组学分析结果；然后，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，得到用于揭示影像组学特征生物学含义的交叉通路；最后，基于所述影像组学模型以及所述交叉通路，对影像组学特征背后的生物学基础进行解释。
在一些示例性实施例中，基于所述磁共振DTI序列，构建影像组学模型，包括：对所述磁共振DTI序列进行预处理，得到预处理后的磁共振DTI序列；基于所述预处理后的磁共振DTI序列，得到包含弥散指标参数的弥散参数图，并从所述弥散参数图中提取影像组学特征；基于所述影像组学特征，在所述训练集中筛选出最佳影像组学特征，以构成影像组学标签；基于所述影像组学标签，构建影像组学模型。
在一些示例性实施例中，所述弥散参数图中的弥散指标参数包括：平均扩散率、各向异性分数、轴向扩散率以及径向扩散率。
在一些示例性实施例中，基于所述影像组学特征，在所述训练集中筛选出最佳影像组学特征，以构成影像组学标签，包括：计算每个影像组学特征的组内相关系数值；基于所述组内相关系数值，对所述影像组学特征分别进行可重复性筛选、单因素预后筛选、套索算法特征筛选，筛选出最佳影像组学特征，以构成影像组学标签。
在一些示例性实施例中，基于所述组内相关系数值，对所述影像组学特征分别进行可重复性筛选、单因素预后筛选、套索算法特征筛选，筛选出最佳影像组学特征，以构成影像组学标签，包括：基于所述数据集与评估者间测试集之间相同患者的影像组学特征，计算每个影像组学特征的组内相关系数值，并删除组内相关系数值小于阈值的影像组学特征，得到一次筛选特征；采用单因素比例生存分析对所述一次筛选特征再次进行筛选，得到二次筛选特征；采用套索算法与单因素比例风险回归分析对所述二次筛选特征再次进行筛选，得到最佳影像组学特征，以构成影像组学标签。
在一些示例性实施例中，所述评估者间测试集通过从所述数据集中抽取部分患者的rFLAIR配准图像，并重复二维肿瘤感兴趣区的描绘过程所产生；所述rFLAIR配准图像为磁共振成像液体衰减反转恢复序列的配准图像。
在一些示例性实施例中，基于所述影像组学模型和所述转录组测序数据，得到影像组学分析结果，包括：基于所述影像组学模型，对所述测试集中患者进行风险评估，得到每位患者的影像组学风险得分；基于所述训练集，得到最佳截断值；并基于所述最佳截断值，将患者分为高风险组与低风险组，结合所述转录组测序数据进行影像基因组学分析，得到影像组学分析结果。
在一些示例性实施例中，基于所述影像组学模型以及所述交叉通路，对影像组学特征背后的生物学基础进行解释，包括：基于所述影像组学模型以及所述交叉通路，分别从单个影像组学特征的生物学含义、DTI参数的生物学含义两个方面探索影像组学特征的生物学含义，对影像组学特征背后的生物学基础进行解释。
第二方面，本申请实施例还提供了一种基于DTI序列对GBM患者进行风险分层的系统，包括：依次连接的数据集模块、DTI序列获取模块、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；所述GBM患者为胶质母细胞瘤患者；所述数据集包括训练集和测试集；DTI序列获取模块用于对所述数据集进行图像采集，得到磁共振DTI序列；并基于所述数据集，获取转录组测序数据；所述磁共振DTI序列为磁共振弥散张量成像序列；模型构建模块用于根据所述磁共振DTI序列，构建影像组学模型；数据分析模块用于根据所述影像组学模型和所述转录组测序数据，得到影像组学分析结果；并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，得到用于揭示影像组学特征生物学含义的交叉通路；并基于所述影像组学模型以及所述交叉通路，对影像组学特征背后的生物学基础进行解释。
在一些示例性实施例中，模型构建模块包括依次连接的预处理模块、特征提取模块、影像组学标签模块以及影像组学模型模块；预处理模块用于对所述磁共振DTI序列进行预处理，得到预处理后的磁共振DTI序列；特征提取模块用于根据所述预处理后的磁共振DTI序列，得到包含弥散指标参数的弥散参数图，并从所述弥散参数图中提取影像组学特征；影像组学标签模块用于根据所述影像组学特征，在所述训练集中筛选出最佳影像组学特征，以构成影像组学标签；影像组学模型模块根据所述影像组学标签，构建影像组学模型；其中，所述弥散指标参数包括：平均扩散率、各向异性分数、轴向扩散率以及径向扩散率。
本申请实施例提供的技术方案至少具有以下优点：
本申请实施例提供一种基于DTI序列对GBM患者进行风险分层的方法及系统，该方法包括以下步骤：首先，获取GBM患者的数据集； GBM患者为胶质母细胞瘤患者；数据集包括训练集和测试集；然后，对数据集进行图像采集，得到磁共振DTI序列；并基于数据集，获取转录组测序数据；磁共振DTI序列为磁共振弥散张量成像序列；接下来，基于磁共振DTI序列，构建影像组学模型；并基于影像组学模型和转录组测序数据，得到影像组学分析结果；然后，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，得到用于揭示影像组学特征生物学含义的交叉通路；最后，基于影像组学模型以及所述交叉通路，对影像组学特征背后的生物学基础进行解释。
本申请提供的基于DTI序列对GBM患者进行风险分层的方法，通过利用来自MRI弥散张量成像序列（DTI）的影像组学特征对IDH野生型胶质母细胞瘤（GBM）患者进行风险分层与预后预测，采用可靠的影像基因组学分析技术探索影像组学特征的生物学含义，并挖掘影像组学预后特征背后的生物学通路，为临床精准治疗提供重要指导。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，除非有特别申明，附图中的图不构成比例限制。
图1为本申请一实施例提供的一种基于DTI序列对GBM患者进行风险分层的方法的流程示意图；
图2A为本申请一实施例提供的对影像组学特征进行可重复性分析的曲线图；
图2B为本申请一实施例提供的对影像组学特征进行特征单因素分析的曲线图；
图2C为本申请一实施例提供的患者生存时间与生存率的对应关系的曲线图；
图2D为本申请一实施例提供的风险阈值与净收益的对应关系的曲线图；
图2E为本申请一实施例提供的筛选得到的影像组学特征的示意图；
图3A为本申请一实施例提供的采用基因集富集分析（GSEA）方法对影像组学数据进行分析的结果示意图；
图3B为本申请一实施例提供的采用加权基因共表达网络分析（WGCNA）方法对影像组学数据进行分析的结果示意图；
图3C为本申请一实施例提供的GSEA与WGCNA交叉通路的示意图；
图3D为本申请一实施例提供的GSEA与WGCNA交叉通路的热图；
图3E为本申请一实施例提供的与影像组学预后特征相关的生物学通路的示意图；
图4为本申请一实施例提供的一种基于DTI序列对GBM患者进行风险分层的系统的结构示意图。
具体实施方式
由背景技术可知，现有技术通常依靠常规MRI序列的影像组学特征对GBM进行风险分层，而忽视了DTI序列的作用及价值，缺乏系统地研究源自DTI序列的高通量影像组学特征的预后价值及生物学含义。
目前临床公认的胶质母细胞瘤GBM治疗方案为手术切除，然后进行放疗和替莫唑胺化疗。其典型临床特征是高度侵袭性和对标准治疗方案的抵抗。首先，其浸润性生长的状态导致外科手术切除很难完全切除。其次，复杂的基因突变与表观遗传变异使化疗耐药与放疗抵抗几乎不可避免。最后，在治疗其他肿瘤中效果显著的新型的治疗手段：免疫治疗，在GBM的临床试验中却效果不佳。以上原因使GBM成为预后最差的脑胶质瘤，其中位生存期仅12-15个月。此外，有几个常见的临床因素可以影响GBM患者的预后，如患病年龄、手术切除范围、术后放疗及化疗情况等。
磁共振成像MRI是目前临床上应用最广泛的医学影像学工具之一，具有非侵入、无辐射损伤、高分辨率、多参数与软组织对比度高的优点，也是诊断胶质瘤最常用的影像学手段。作为MRI中的结构成像序列，弥散张量成像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。DTI包含四个主要弥散指标：平均扩散率（Mean Diffusion，MD）、各向异性分数（Fractional Anisotropy，FA）、轴向扩散率（AxialDiffusivity，AD） 和径向扩散率（Radial Diffusivity，RD），这些指标先前已被证实能够用于预测胶质瘤分级、判断治疗反应和评估患者预后。然而，这些研究仅利用半定量 DTI指标进行直方图分析来预测患者预后，缺乏系统地研究源自DTI序列的高通量影像组学特征的预后价值及生物学含义。
近年来，随着医学影像技术及大规模高通量测序技术水平的提高，影像基因组学这一新兴的交叉学科正在成为一个快速增长的研究领域。它把医学图像中的高通量数据与疾病相关的基因数据结合起来，进行综合的分析与挖掘，旨在探究医学影像数据与疾病分子特征之间的潜在关系。它在解释影像组学特征的生物学基础方面做出了突出贡献。既往胶质瘤的影像基因组学研究表明，源自磁共振常规序列的影像组学预后特征与特定的生物学途径相关。这些研究通常仅使用单一的差异基因富集分析方法来寻找影像组学特征的生物学含义。
然而，差异基因富集分析更关注差异表达显著的基因，忽视差异表达不显著却有着重要生物学意义的基因。而基因集富集分析（Gene Set Enrichment Analysis，GSEA）则不局限于差异基因，它从基因集的富集方面出发，包含微小但协作性变化的基因对生物学通路的作用。此外，基因数量众多且关系复杂，基因之间的协作关系也是基因组学分析中必须要考虑的一点，而加权基因共表达网络分析（Weighted Gene Co-expression NetworkAnalysis，WGCNA）则满足这一需求，将协作效应明显的基因聚集为一个基因模块以供后续分析。因此，在影像基因组学分析中同时采用GSEA与WGCNA联合分析的方法，可弥补既往研究的不足，增加影像组学特征背后生物学解释的稳健性。
综上，现有技术存在以下缺陷：一方面，现有技术仅依靠常规MRI序列的影像组学特征对GBM进行风险分层，而忽视了DTI序列的作用及价值。另外，现有技术关于DTI的研究通常仅使用半定量 DTI 指标进行直方图分析来预测患者预后，缺乏系统地研究源自DTI序列的高通量影像组学特征的预后价值及生物学含义。加之，现有技术在研究影像组学预后特征的生物学解释时通常仅使用单一的差异基因富集分析方法来寻找影像组学特征的生物学含义。然而，差异基因富集分析更关注差异表达显著的基因，忽视差异表达不显著却有着重要生物学意义的基因。此外，基因数量众多且关系复杂，基因之间的协作关系也是基因组学分析中必须要考虑的一点，而现有研究技术则忽略了这一点。最后，现有技术关于GBM的研究多局限于2016版的WHO胶质瘤分类办法，而未采用2021版的WHO胶质瘤分类办法。
为了解决上述技术问题，本申请实施例提供了一种基于DTI序列对GBM患者进行风险分层的方法及系统，该方法包括：首先，获取GBM患者的数据集； GBM患者为胶质母细胞瘤患者；数据集包括训练集和测试集；接下来，对数据集进行图像采集，得到磁共振DTI序列；并基于数据集，获取转录组测序数据；磁共振DTI序列为磁共振弥散张量成像序列；然后，基于磁共振DTI序列，构建影像组学模型；并基于影像组学模型和所述转录组测序数据，得到影像组学分析结果；接下来，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，得到用于揭示影像组学特征生物学含义的交叉通路；最后，基于所述影像组学模型以及交叉通路，对影像组学特征背后的生物学基础进行解释。本申请通过提供一种基于DTI序列对GBM患者进行风险分层的方法及系统，利用来自磁共振成像的弥散张量成像序列的影像组学特征对IDH野生型胶质母细胞瘤患者进行风险分层与预后预测，并挖掘影像组学预后特征背后的生物学通路，为临床精准治疗提供重要指导。
下面将结合附图对本申请的各实施例进行详细的阐述。然而，本领域的普通技术人员可以理解，在本申请各实施例中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本申请所要求保护的技术方案。
参看图1，本申请实施例提供了一种基于DTI序列对GBM患者进行风险分层的方法，包括以下步骤：
步骤S1、获取GBM患者的数据集； GBM患者为胶质母细胞瘤患者；数据集包括训练集和测试集。
步骤S2、对数据集进行图像采集，得到磁共振DTI序列；并基于数据集，获取转录组测序数据；磁共振DTI序列为磁共振弥散张量成像序列。
步骤S3、基于磁共振DTI序列，构建影像组学模型；并基于影像组学模型和转录组测序数据，得到影像组学分析结果。
步骤S4、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，得到用于揭示影像组学特征生物学含义的交叉通路。
步骤S5、基于影像组学模型以及交叉通路，对影像组学特征背后的生物学基础进行解释。
图2A至图2E示出了在构建影像组学模型中，对提取的影像组学特征进行分析筛选的示意图；图3A至图3E示出了采用GSEA和WGCNA对影像组学数据进行分析，得到GSEA与WGCNA交叉通路，最终得到与影像组学预后特征相关的生物学通路的示意图；具体的，首先获取GBM患者的数据集，然后对数据集进行图像采集，得到磁共振DTI序列，并从磁共振DTI序列中获得四种弥散参数图，并从中提取影像组学特征；然后，基于磁共振DTI序列，构建影像组学模型；并基于影像组学模型和转录组测序数据，得到影像组学分析结果；接下来，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，如图3A和图3B所示；最终得到用于揭示影像组学特征生物学含义的交叉通路，如图3C所示；最后，基于影像组学模型以及交叉通路，对影像组学特征背后的生物学基础进行解释，如图3D和图3E所示。
本申请开发并验证了一个基于套索算法（Least Absolute Shrinkage andSelection Operator，LASSO）的影像组学预后模型来预测IDH野生型GBM患者的预后，并使用GSEA和WGCNA两种方法来探索影像组学特征背后的生物学基础的解释。相比于现有技术，本申请提供的基于DTI序列对GBM患者进行风险分层的方法具有极大的优势。一方面，本申请挖掘来源DTI序列的高通量影像组学特征的预后价值及其生物学含义；另一方面，本申请采用可靠的影像基因组学分析技术探索影像组学特征的生物学含义。此外，本申请是依据最新的2021版的WHO胶质瘤分类办法对IDH野生型GBM的异质性进行的研究。
在步骤S1中，首先，获取GBM患者的数据集； GBM患者为胶质母细胞瘤患者；数据集包括训练集和测试集。具体的，通过设定“患者队列选择标准”来获取GBM患者的数据集。研究的主要队列是在医院神经外科接受脑肿瘤手术切除并根据CNS5诊断为IDH野生型GBM的病例。其中，患者队列选择标准包括病例纳入标准和病例排除标准，病例纳入标准和病例排除标准分别如下所示：
病例纳入标准如下：
（1）成年患者（年龄≥18周岁）。
（2）术前MRI影像资料，包括常规MRI平扫和DTI序列检查。
（4）患者行标准化外科手术切除治疗的时间需在影像学检查后14天内。
（5）明确的IDH野生型状态及组织病理学结果，或存在福尔马林固定蜡块包埋（Formalin-Fixed Paraffin Embedded，FFPE）组织用来后续检测进而明确肿瘤IDH突变状态及血管增生或组织坏死情况。
（6）行MRI检查前未进行任何与胶质瘤相关的治疗（如：化疗、放疗等）。
病例排除标准如下：
（1）MRI图像并非在高场强磁共振扫描仪（Siemens 3.0 T）上采集（如：Philips3.0 T或1.5 T）。
（2）患者伴随其他颅内疾病（如：多发性脑梗塞、脑出血、脑囊肿等）。
（3）术前MRI图像质量差（如：有明显运动伪影等）。
（4）患者基本临床信息缺失（如：失访等）。
（5）非GBM原因导致的患者死亡（如：手术意外、交通事故等）。
基本临床信息内容如下：
确诊年龄、性别、术前卡氏评分（Karnofsky Performance Score，KPS）、肿瘤切除程度、术后放疗情况、术后化疗情况、生存状态、总生存期（Overall Survival，OS）。（注：以手术日期为随访的时间起点，以死亡日期为随访终点，总生存时间以月为单位计算。）
在一些实施例中，在得到GBM患者的数据集之后，进行分子信息与转录组RNA测序操作。其中，分子信息有两个来源，一是部分患者在术后病理检测中检查了IDH基因突变状态，这部分患者的分子信息来自于医院电子档案系统。另外一部分患者未进行此检查，由本团队成员从病理科借调对应患者的FFPE样本，采用Sanger测序法检测IDH基因突变状态。此外，本申请还随机挑选了一些入组患者（N=53）的新鲜冰冻肿瘤标本进行转录组测序（RNASequencing，RNA-Seq），以获取肿瘤标本的转录组测序数据。
在一些实施例中，步骤S2中对数据集进行图像采集，得到磁共振DTI序列；其中，采用磁共振 （Magnetic Resonance，MR）设备进行图像采集。所有入组患者均在医院的磁共振复合手术室内由术中高场强3.0 T MR扫描仪（仪器型号：德国Siemens Healthcare，Magnetom Verio，Erlangen）上完成图像采集，使用与仪器相匹配的12通道线圈。进入检查室前，患者常规去除身上所有金属性制品，避免在机器运作过程中图像上产生金属伪影及造成手术室重大安全事故。图像采集过程中，将患者头部固定于线圈中心处，并嘱患者全程避免头部及上半肢体活动，以减少图像中的运动伪影。磁共振成像方案包括T1WI，T2WI，CE-TIWI，FLAIR和DTI，具体参数如下所示：
T1WI和CE-TIWI参数为: 循环用时（time of cycle，TR）为165ms~280ms；回波用时（time of echo，TE）为2.46ms~4.76ms；扫描野（FOV）为220×172mm2~240×240mm2；截面层厚为5mm；层间距为1mm。
T2WI参数为：TR为3600ms~6300ms；TE为82ms~125ms；FOV为220×162mm2~240×240mm2；截面层厚为5mm；层间距为1mm。
FLAIR参数为：TR为6000ms；TE为94ms；FOV为220×193mm2；截面层厚为5mm；层间距为1mm。
DTI参数为：TR为9900ms~11600ms；TE为90ms~91ms； FOV为250×256mm2；截面层厚为2mm；层间距为0mm。
在一些实施例中，步骤S3中基于磁共振DTI序列，构建影像组学模型，包括：
步骤S301、对所述磁共振DTI序列进行预处理，得到预处理后的磁共振DTI序列。
步骤S302、基于所述预处理后的磁共振DTI序列，得到包含弥散指标参数的弥散参数图，并从所述弥散参数图中提取影像组学特征。
步骤S303、基于所述影像组学特征，在所述训练集中筛选出最佳影像组学特征，以构成影像组学标签。
步骤S304、基于所述影像组学标签，构建影像组学模型。
需要说明的是，弥散参数图中的弥散指标参数包括：平均扩散率（MeanDiffusion，MD）、各向异性分数（Fractional Anisotropy，FA）、轴向扩散率（AxialDiffusivity，AD） 以及径向扩散率（Radial Diffusivity，RD）。
具体的，步骤S301和步骤S302中使用MATLAB软件中的PANDA工具箱对原始DTI图像进行全自动处理，包括三个主要部分：剥离颅骨、校正涡流效应和计算生成轴向扩散率AD、径向扩散率RD、平均扩散率MD、和各向异性分数FA参数图。考虑到不同图像会因为拍摄位置、片层数量等差异造成的混杂影响，需对四个参数图像进行标准化处理。首先，使用N4-ITK程序中的N4偏置场功能校正原始图像的偏置场失真情况。然后再使用三线性插值法，将所有体素各向同性地重采样为1×1×1mm3。随后使用ITK-SNAP软件（版本：3.8.0）将磁共振成像液体衰减反转恢复序列（Fluid Attenuated Inversion Recovery，FLAIR）进行轴向重采样后作为模板，利用交互信息相似性度量生成配准图像，分别记为rAD、rRD、rMD、rFA和rFLAIR。最后，用直方图匹配来使灰度分布归一化。
需要说明的是，rAD、rRD、rMD、rFA和rFLAIR分别为轴向扩散率AD、径向扩散率RD、平均扩散率MD、各向异性分数FA以及磁共振成像液体衰减反转恢复序列FLAIR的配准图像。
接下来，通过有资深工作经验的磁共振科医生，在对患者临床情况、分子病理情况未知状态下，操作ITK-SNAP软件在轴向rFLAIR逐层勾勒二维肿瘤感兴趣区（Region ofInterest，ROI）的轮廓，并分别利用rAD、rRD、rMD、和rFA图像进行检验和校准，通过三维模拟生成肿瘤的三维感兴趣体积（Volume of Interest，VOI）。随后，通过另一位资深神经外科医生从入组患者中随机抽出15% 患者（N=39）的rFLAIR图像以重复 ROI 描绘过程，产生评估者间测试集。面对存在争议的ROIs，由资深的神经外科医师（10年神经外科工作经验）与磁共振科医师的共同协商，最终敲定标准的ROI图像。完成合格的标准化ROIs后，将其与相对的rAD、rRD、rMD和rFA重合检查，进一步确认四个参数图像及其ROI的可靠性。
然后，从弥散参数图中提取影像组学特征。具体的，使用PyCharm软件在Python环境（版本：3.7.0）中使用PyRadiomics工具包（版本：3.0.1）提取影像组学特征。依托于公共数据库，本申请分别从每个VOI中提取高通量影像组学特征，含有纹理组学特征、形状组学特征与强度组学特征。其中的纹理特征共有五种类型：（1）灰度共生矩阵（Gray Level Co-occurrence Matrix，GLCM）；（2）灰度游程矩阵（Gray Level Run Length Matrix，GLRLM）；（3）灰度区域大小矩阵（Gray Level Size Zone Matrix，GLSZM）；（4）灰度相关矩阵（GrayLevel Dependence Matrix，GLDM）；（5）相邻灰度差分矩阵（Neighborhood Gray ToneDifference Matrix，NGTDM）。同时，为了尽可能全面挖掘MRI图像的生物学信息，本申请使用了两类滤波器从原始图像和转换后的图像中获得的纹理组学特征与强度组学特征。主要包括：（1）小波变换；（2）高斯-拉普拉斯算子转换，算子包含四个级别：2.0、3.0、4.0和5.0。本申请中关于MRI图像的采集、处理、勾画及特征提取均遵循了影像生物标志物标准化倡议（Image Biomarker Standardisation Initiative，IBSI）指南。
在一些实施例中，步骤S303中基于所述影像组学特征，在所述训练集中筛选出最佳影像组学特征，以构成影像组学标签，包括：
步骤S3031、计算每个影像组学特征的组内相关系数值。
步骤S3032、基于所述组内相关系数值，对所述影像组学特征分别进行可重复性筛选、单因素预后筛选、套索算法特征筛选，筛选出最佳影像组学特征，以构成影像组学标签。
在一些实施例中，步骤S3032中基于组内相关系数值，对所述影像组学特征分别进行可重复性筛选、单因素预后筛选、套索算法特征筛选，筛选出最佳影像组学特征，以构成影像组学标签，包括：
步骤S3032a、基于所述数据集与评估者间测试集之间相同患者的影像组学特征，计算每个影像组学特征的组内相关系数值，并删除组内相关系数值小于阈值的影像组学特征，得到一次筛选特征。
步骤S3032b、采用单因素比例生存分析对所述一次筛选特征再次进行筛选，得到二次筛选特征。
步骤S3032c、采用套索算法与单因素比例风险回归分析对所述二次筛选特征再次进行筛选，得到最佳影像组学特征，以构成影像组学标签。
在一些实施例中，步骤S3032a中评估者间测试集通过从所述数据集中抽取部分患者的rFLAIR配准图像，并重复二维肿瘤感兴趣区的描绘过程所产生； rFLAIR配准图像为磁共振成像液体衰减反转恢复序列的配准图像。
在一些实施例中，步骤S3032a中筛选出最佳影像组学特征，以构成影像组学标签的过程具体包括：首先，使用R软件（版本：4.2.2）的caret工具包（版本：6.0-93）首先对训练集影像组学特征执行z-score标准化处理，然后使用训练集z-score标准化处理的参数对验证集影像组学特征进行z-score标准化处理，以保证：（1）影像组学特征的可靠性、可重复性及可比性；（2）确保训练集与验证集的影像组学特征处于一致的尺度上，以便于后续的模型验证。需要说明的是，z-score是z分数的意思，也称标准分数，是一种具有相等单位的量数。
建立影像组学模型所使用的最佳影像组学特征的筛选过程均在训练集中进行，具体步骤包含三个部分：（1）可重复性筛选：使用总数据集与评估者间测试集之间相同患者的影像组学特征，计算每个特征的组内相关系数（Intraclass Correlation Coefficient，ICC），并删除ICC＜0.9的可重复性较低的影像组学特征。（2）单变量预后筛选：为了筛选出与IDH野生型GBM患者总生存期OS与生存状态关系密切的影像组学特征，本申请通过单因素Cox生存分析对可重复较高特征再次进行筛选，保留P值＜0.05与一致性指数（Concordanceindex，C-index）≥0.55（与预后正相关）或C-index≤0.45（与预后负相关）的影像组学特征。（3）LASSO特征筛选：使用套索算法与Cox风险回归分析从剩余的特征中筛选出最终的可靠特征。以上三个步骤分别使用R软件（版本：4.2.2）的irr工具包（版本：0.84.1）、survival工具包（版本：3.5-0）和glmnet工具包（版本：4.1-6）实现。
在步骤S3中基于磁共振DTI序列，构建影像组学模型之后，还包括：对影像组学模型进行验证。
具体的，根据筛选的最佳影像组学特征（最优特征），利用基于套索算法的Cox风险回归分析构建DTI影像组学预后模型，计算所有患者的影像组学风险得分（Radscore），并使用R软件（版本：4.2.2）的survminer工具包（版本：0.4.9）在训练集上计算Radscore的最佳截断值，并将最佳截断值应用于验证集中。使用生存分析（Kaplan Meier，K-M）曲线，判断Radscore区分高低风险组的能力，并采用Log rank检验来判断两个K-M曲线的差异。计算模型C-index来衡量各个模型的预测性能。使用赤池信息量准则（Akaike InformationCriterion，AIC）与净重新分类指数（Net Reclassification Index，NRI）分别评估模型过拟合风险及分类改进性能。使用决策曲线分析（Decision Curve Analysis，DCA）评估模型的临床有效性。
基于此，本申请通过计算组内相关系数ICC值评估影像组学特征的可重复性、进行特征单因素分析和LASSO-Cox回归分析，筛选得到最佳影像组学特征，以构成影像组学标签，用来预测少突胶质细胞瘤的生存预后。此外，本申请使用K-M分析曲线评估影像组学标签与患者生存期之间的相关性。对临床危险因素和影像组学标签进行多因素Cox分析，基于独立的危险因素，绘制诺莫图，以预测个性化患者的生存率，如图2A至图2C所示。计算临床危险因素、影像组学标签、临床危险因素结合影像组学标签三者的C指数、AIC值和NRI值，分析各个模型的可靠性及增量预后价值，如图2D所示。各个为了验证诺莫图的临床实用性开发了DCA曲线。最后，进一步进行影像基因组学分析，使用WGCNA和GSEA两种分析方法获取交叉通路，对预后影像组学特征进行生物学解释。
在一些实施例中，步骤S3中基于所述影像组学模型和所述转录组测序数据，得到影像组学分析结果，包括：首先，基于所述影像组学模型，对所述测试集中患者进行风险评估，得到每位患者的影像组学风险得分；然后，基于所述训练集，得到最佳截断值；并基于所述最佳截断值，将患者分为高风险组与低风险组，结合所述转录组测序数据进行影像基因组学分析，得到影像组学分析结果。
具体的，步骤S3首先使用建立的影像组学预后模型对影像基因组学分析集中的患者进行风险评估，得到其中每位患者的影像组学风险得分Radscore；然后，使用训练集中得到的最佳截断值将患者分为高风险组与低风险组；最后，进行后续的影像基因组学分析，得到影像组学分析结果。
在一些实施例中，步骤S4中基于所述影像组学模型以及所述交叉通路，对影像组学特征背后的生物学基础进行解释，包括：
基于所述影像组学模型以及所述交叉通路，分别从单个影像组学特征的生物学含义、DTI参数的生物学含义两个方面探索影像组学特征的生物学含义，对影像组学特征背后的生物学基础进行解释。
在步骤S4中，本申请使用加权基因共表达网络分析WGCNA以及基因集富集分析GSEA 两种分析方法获取交叉通路，以实现对影像基因组学的进一步分析。WGCNA是分析放射基因组学数据的强大方法，鉴定与影像组学特征共表达的基因模块，提供了一种识别成像表型潜在分子机制的方法。GSEA是一种广泛使用的生物信息学工具，用于在预定义的基因集或途径的背景下分析基因表达数据。
由于两种方法对基因富集的侧重点和分析思路不同，本申请结合WGCNA和GSEA，提高了影像基因组学分析中生物学途径识别的可重复性和可靠性。
在一些实施例中，在进行WGCNA分析之前，需要先对样本数据进行聚类分析，以识别并删除离群样本。其次，计算软阈值并构建基因共表达网络，得到基因模块。将基因模块的第一主成分与Radscore进行皮尔逊相关性分析，保留FDR小于0.05的基因模块。对保留的基因模块内的基因进行富集分析，并筛选出FDR小于0.05的通路。本步骤使用 R软件（版本：4.2.2）的WGCNA工具包（版本：1.72-1）执行WGCNA分析。使用 R软件（版本：4.2.2）的clusterProfiler工具包（版本：4.6.0）执行基因富集分析。采用的注释基因集数据同GSEA分析部分。
在一些实施例中，在影像基因组学分析集中，对高低风险组患者的RNA-Seq数据进行差异基因表达分析，得到每个样本基因表达量差异倍数的log2变换值（Log2 FoldChange）。将所有基因按照Log2 Fold Change值排序后进行GSEA分析，筛选出错误发现率（False Discovery Rate，FDR）小于0.05的生物学通路。最后，将这些通路的基因集变异分析（Gene Set Variation Analysis，GSVA）得分与Radscore进行皮尔逊相关分析，保留FDR小于0.05的通路。使用 R软件（版本：4.2.2）的DESeq2工具包（版本：1.38.3）进行差异基因表达分析。GSEA 则是使用 R软件（版本：4.2.2）的clusterProfiler工具包（版本：4.6.0）执行的。使用的注释基因集数据库如下：KEEG、Hallmark、Reactome、BioCarta、PathwayInteraction Database和WikiPathways。
在步骤S4中，基于影像组学模型以及交叉通路，分别从单个影像组学特征的生物学含义、DTI参数的生物学含义两个方面探索影像组学特征的生物学含义，对影像组学特征背后的生物学基础进行解释。具体的，取GSEA分析与WGCNA分析得到的交叉通路作为揭示影像组学特征生物学含义的可靠通路。其次，本申请从两个方面探索影像组学特征背后的生物学含义：（1）单个影像组学特征的生物学含义：使用交叉通路的GSVA得分与筛选出的影像组学特征之间进行皮尔逊相关分析，选择 FDR小于0.05 的生物学通路作为单个影像组学特征的生物学解释。（2）DTI参数的生物学含义：首先，挑选出与每个影像组学特征最相关的前五条生物学通路作为重点生物学通路。其次，根据这些影像组学特征的DTI参数图来源，分别将其归类为各自所属的DTI参数。最后，将这些DTI参数与挑选出的重点生物学通路进行曼特尔检验（Mantel Test），选择 P小于0.05 的生物学通路类型作为单个DTI参数的生物学解释。使用 R软件（版本：4.2.2）的vegan工具包（版本：2.6-4）执行Mantel检验。
与现有技术相比，本申请提供的基于DTI序列对GBM患者进行风险分层的方法的优势在于：首先，本申请根据CNS5提出的综合诊断重新分类，更加重视分子标记物在神经系统肿瘤分类中的作用，确定IDH野生型GBM，删除了在2016年WHO分类中的IDH野生型GBM。随后建立了一个基于机器学习的影像组学模型，并验证了IDH野生型GBM的风险分层。其次，本申请在影像基因组学分析使用WGCNA和GSEA两种方法，从不同角度分析疾病相关的生物学途径，并对分析结果进行交叉验证。此外，本申请通过取两者的交叉通路来揭示了预后影像组学特征背后的生物学基础，增强了富集通路的可靠性和准确性。另外，影像基因组学分析从两个方面来探索影像组学特征的生物学含义。一方面，本申请详细的阐述了与单个影像组学特征相关的生物学通路的数量、类型及分布情况。另一方面，本申请还研究了不同DTI参数的生物学解释。加之，本申请以既往研究中极少涉及的DTI序列的影像组学特征为基础，构建预后模型并对影像组学预后特征进行生物学解释，初次揭示DTI序列的影像组学特征的预后价值及生物学含义。
参看图4，本申请实施例还提供了一种基于DTI序列对GBM患者进行风险分层的系统，包括：依次连接的数据集模块101、DTI序列获取模块102、模型构建模块103以及数据分析模块104；数据集模块101用于获取GBM患者的数据集；所述GBM患者为胶质母细胞瘤患者；所述数据集包括训练集和测试集；DTI序列获取模块102用于对所述数据集进行图像采集，得到磁共振DTI序列；并基于所述数据集，获取转录组测序数据；所述磁共振DTI序列为磁共振弥散张量成像序列；模型构建模块103用于根据所述磁共振DTI序列，构建影像组学模型；数据分析模块104用于根据所述影像组学模型和所述转录组测序数据，得到影像组学分析结果；并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，得到用于揭示影像组学特征生物学含义的交叉通路；并基于所述影像组学模型以及所述交叉通路，对影像组学特征背后的生物学基础进行解释。
在一些实施例中，请继续参看图4，模型构建模块103包括依次连接的预处理模块1031、特征提取模块1032、影像组学标签模块1033以及影像组学模型模块1034；预处理模块1031用于对所述磁共振DTI序列进行预处理，得到预处理后的磁共振DTI序列；特征提取模块1032用于根据所述预处理后的磁共振DTI序列，得到包含弥散指标参数的弥散参数图，并从所述弥散参数图中提取影像组学特征；影像组学标签模块1033用于根据所述影像组学特征，在所述训练集中筛选出最佳影像组学特征，以构成影像组学标签；影像组学模型模块1034用于根据所述影像组学标签，构建影像组学模型；其中，所述弥散指标参数包括：平均扩散率、各向异性分数、轴向扩散率以及径向扩散率。
基于此，本申请提供的基于DTI序列对GBM患者进行风险分层的方法及系统，首先，本申请使用了WHO于2021年新发布的胶质瘤分类办法来筛选入组的GBM患者，全新的GBM分类与定义对患者的风险分层更加准确。其次，本申请以既往研究中极少涉及的DTI序列的影像组学特征为基础，构建预后模型并对影像组学预后特征进行生物学解释，初步揭示DTI序列的影像组学特征的预后价值及生物学含义。此外，我们使用了两种转录组数据分析方法（GSEA与WGCNA）来探索影像组学特征的生物学含义，这增加了影像组学特征生物学解释的稳健性。最后，本申请从两个方面来探索影像组学特征的生物学含义。一方面，本申请详细的阐述了与单个影像组学特征相关的生物学通路的数量、类型及分布情况。另一方面，本申请还研究了不同DTI参数的生物学解释。
由以上技术方案，本申请实施例提供一种基于DTI序列对GBM患者进行风险分层的方法及系统，该方法包括以下步骤：首先，获取GBM患者的数据集； GBM患者为胶质母细胞瘤患者；数据集包括训练集和测试集；然后，对数据集进行图像采集，得到磁共振DTI序列；并基于数据集，获取转录组测序数据；磁共振DTI序列为磁共振弥散张量成像序列；接下来，基于磁共振DTI序列，构建影像组学模型；并基于影像组学模型和转录组测序数据，得到影像组学分析结果；然后，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，得到用于揭示影像组学特征生物学含义的交叉通路；最后，基于影像组学模型以及所述交叉通路，对影像组学特征背后的生物学基础进行解释。
本申请提供的基于DTI序列对GBM患者进行风险分层的方法，通过利用来自MRI的DTI的影像组学特征对IDH野生型GBM患者进行风险分层与预后预测，采用可靠的影像基因组学分析技术探索影像组学特征的生物学含义，并挖掘影像组学预后特征背后的生物学通路，为临床精准治疗提供重要指导。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备（可以是单片机，芯片等）或处理器（processor）执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解，上述各实施方式是实现本申请的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。任何本领域技术人员，在不脱离本申请的精神和范围内，均可作各自更动与修改，因此本申请的保护范围应当以权利要求限定的范围为准。

Claims (8)

1.一种基于DTI序列对GBM患者进行风险分层的方法，其特征在于，包括：
获取GBM患者的数据集；所述GBM患者为胶质母细胞瘤患者；所述数据集包括训练集和测试集；
对所述数据集进行图像采集，得到磁共振DTI序列；并基于所述数据集，获取转录组测序数据；所述磁共振DTI序列为磁共振弥散张量成像序列；
基于所述磁共振DTI序列，构建影像组学模型；并基于所述影像组学模型和所述转录组测序数据，得到影像组学分析结果；
基于所述磁共振DTI序列，构建影像组学模型，包括：
对所述磁共振DTI序列进行全自动处理；所述全自动处理包括三个部分：剥离颅骨、校正涡流效应和计算生成轴向扩散率、径向扩散率、平均扩散率和各向异性分数参数图，并对四个参数图像进行标准化处理；所述标准化处理包括：校正原始图像的偏置场失真情况；使用三线性插值法，将所有体素各向同性地重采样为1×1×1mm3；将磁共振成像液体衰减反转恢复序列进行轴向重采样后作为模板，利用交互信息相似性度量分别生成轴向扩散率、径向扩散率、平均扩散、各向异性分数以及磁共振成像液体衰减反转恢复序列的配准图像，分别记为rAD、rRD、rMD、rFA和rFLAIR；采用直方图匹配使灰度分布归一化；
在对所述磁共振DTI序列进行全自动处理之后，生成标准化二维肿瘤感兴趣区图像，并将其与相对的rAD、rRD、rMD和rFA进行重合检查，确认四个参数图像及其二维肿瘤感兴趣区图像的可靠性；
所述生成标准化二维肿瘤感兴趣区图像，包括：在轴向rFLAIR逐层勾勒二维肿瘤感兴趣区的轮廓，并分别利用rAD、rRD、rMD、和rFA图像进行检验和校准，通过三维模拟生成肿瘤的三维感兴趣体积，得到校准结果；从所述数据集中随机抽出部分患者的rFLAIR图像以重复二维肿瘤感兴趣区描绘过程，产生评估者间测试集；基于所述评估者间测试集以及所述校准结果，得到标准化二维肿瘤感兴趣区图像；
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，得到用于揭示影像组学特征生物学含义的交叉通路；
基于所述影像组学模型以及所述交叉通路，对影像组学特征背后的生物学基础进行解释；其中，
基于所述影像组学模型以及所述交叉通路，对影像组学特征背后的生物学基础进行解释，包括：
基于所述影像组学模型以及所述交叉通路，分别从单个影像组学特征的生物学含义、DTI参数的生物学含义两个方面探索影像组学特征的生物学含义，对影像组学特征背后的生物学基础进行解释。
2.根据权利要求1所述的基于DTI序列对GBM患者进行风险分层的方法，其特征在于，基于所述磁共振DTI序列，构建影像组学模型，包括：
对所述磁共振DTI序列进行预处理，得到预处理后的磁共振DTI序列；
基于所述预处理后的磁共振DTI序列，得到包含弥散指标参数的弥散参数图，并从所述弥散参数图中提取影像组学特征；
基于所述影像组学特征，在所述训练集中筛选出最佳影像组学特征，以构成影像组学标签；
基于所述影像组学标签，构建影像组学模型。
3.根据权利要求2所述的基于DTI序列对GBM患者进行风险分层的方法，其特征在于，所述弥散参数图中的弥散指标参数包括：平均扩散率、各向异性分数、轴向扩散率以及径向扩散率。
4.根据权利要求2所述的基于DTI序列对GBM患者进行风险分层的方法，其特征在于，基于所述影像组学特征，在所述训练集中筛选出最佳影像组学特征，以构成影像组学标签，包括：
计算每个影像组学特征的组内相关系数值；
基于所述组内相关系数值，对所述影像组学特征分别进行可重复性筛选、单因素预后筛选、套索算法特征筛选，筛选出最佳影像组学特征，以构成影像组学标签。
5.根据权利要求4所述的基于DTI序列对GBM患者进行风险分层的方法，其特征在于，基于所述组内相关系数值，对所述影像组学特征分别进行可重复性筛选、单因素预后筛选、套索算法特征筛选，筛选出最佳影像组学特征，以构成影像组学标签，包括：
基于所述数据集与评估者间测试集之间相同患者的影像组学特征，计算每个影像组学特征的组内相关系数值，并删除组内相关系数值小于阈值的影像组学特征，得到一次筛选特征；
采用单因素比例生存分析对所述一次筛选特征再次进行筛选，得到二次筛选特征；
采用套索算法与单因素比例风险回归分析对所述二次筛选特征再次进行筛选，得到最佳影像组学特征，以构成影像组学标签。
6.根据权利要求1所述的基于DTI序列对GBM患者进行风险分层的方法，其特征在于，
基于所述影像组学模型和所述转录组测序数据，得到影像组学分析结果，包括：
基于所述影像组学模型，对所述测试集中患者进行风险评估，得到每位患者的影像组学风险得分；
基于所述训练集，得到最佳截断值；并基于所述最佳截断值，将患者分为高风险组与低风险组，结合所述转录组测序数据进行影像基因组学分析，得到影像组学分析结果。
7.一种基于DTI序列对GBM患者进行风险分层的系统，其特征在于，包括：依次连接的数据集模块、DTI序列获取模块、模型构建模块以及数据分析模块；
所述数据集模块用于获取GBM患者的数据集；所述GBM患者为胶质母细胞瘤患者；
所述数据集包括训练集和测试集；
所述DTI序列获取模块用于对所述数据集进行图像采集，得到磁共振DTI序列；并基于所述数据集，获取转录组测序数据；所述磁共振DTI序列为磁共振弥散张量成像序列；
所述模型构建模块用于根据所述磁共振DTI序列，构建影像组学模型；基于所述磁共振DTI序列，构建影像组学模型，包括：对所述磁共振DTI序列进行全自动处理；所述全自动处理包括三个部分：剥离颅骨、校正涡流效应和计算生成轴向扩散率、径向扩散率、平均扩散率和各向异性分数参数图，并对四个参数图像进行标准化处理；所述标准化处理包括：校正原始图像的偏置场失真情况；使用三线性插值法，将所有体素各向同性地重采样为1×1×1mm3；将磁共振成像液体衰减反转恢复序列进行轴向重采样后作为模板，利用交互信息相似性度量分别生成轴向扩散率、径向扩散率、平均扩散、各向异性分数以及磁共振成像液体衰减反转恢复序列的配准图像，分别记为rAD、rRD、rMD、rFA和rFLAIR；采用直方图匹配使灰度分布归一化；在对所述磁共振DTI序列进行全自动处理之后，生成标准化二维肿瘤感兴趣区图像，并将其与相对的rAD、rRD、rMD和rFA进行重合检查，确认四个参数图像及其二维肿瘤感兴趣区图像的可靠性；所述生成标准化二维肿瘤感兴趣区图像，包括：在轴向rFLAIR逐层勾勒二维肿瘤感兴趣区的轮廓，并分别利用rAD、rRD、rMD、和rFA图像进行检验和校准，通过三维模拟生成肿瘤的三维感兴趣体积，得到校准结果；从所述数据集中随机抽出部分患者的rFLAIR图像以重复二维肿瘤感兴趣区描绘过程，产生评估者间测试集；基于所述评估者间测试集以及所述校准结果，得到标准化二维肿瘤感兴趣区图像；
所述数据分析模块用于根据所述影像组学模型和所述转录组测序数据，得到影像组学分析结果；并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，得到用于揭示影像组学特征生物学含义的交叉通路；并基于所述影像组学模型以及所述交叉通路，对影像组学特征背后的生物学基础进行解释；其中，
基于所述影像组学模型以及所述交叉通路，对影像组学特征背后的生物学基础进行解释，包括：
基于所述影像组学模型以及所述交叉通路，分别从单个影像组学特征的生物学含义、DTI参数的生物学含义两个方面探索影像组学特征的生物学含义，对影像组学特征背后的生物学基础进行解释。
8.根据权利要求7所述的基于DTI序列对GBM患者进行风险分层的系统，其特征在于，所述模型构建模块包括依次连接的预处理模块、特征提取模块、影像组学标签模块以及影像组学模型模块；
所述预处理模块用于对所述磁共振DTI序列进行预处理，得到预处理后的磁共振DTI序列；
所述特征提取模块用于根据所述预处理后的磁共振DTI序列，得到包含弥散指标参数的弥散参数图，并从所述弥散参数图中提取影像组学特征；
所述影像组学标签模块用于根据所述影像组学特征，在所述训练集中筛选出最佳影像组学特征，以构成影像组学标签；
所述影像组学模型模块用于根据所述影像组学标签，构建影像组学模型；
其中，所述弥散指标参数包括：平均扩散率、各向异性分数、轴向扩散率以及径向扩散率。
CN202310662079.3A 2023-06-06 2023-06-06 一种基于dti序列对gbm患者进行风险分层的方法及系统 Active CN116403076B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310662079.3A CN116403076B (zh) 2023-06-06 2023-06-06 一种基于dti序列对gbm患者进行风险分层的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310662079.3A CN116403076B (zh) 2023-06-06 2023-06-06 一种基于dti序列对gbm患者进行风险分层的方法及系统

Publications (2)

Publication Number Publication Date
CN116403076A CN116403076A (zh) 2023-07-07
CN116403076B true CN116403076B (zh) 2023-08-22

Family

ID=87009027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310662079.3A Active CN116403076B (zh) 2023-06-06 2023-06-06 一种基于dti序列对gbm患者进行风险分层的方法及系统

Country Status (1)

Country Link
CN (1) CN116403076B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907555A (zh) * 2021-03-11 2021-06-04 中国科学院深圳先进技术研究院 一种基于影像基因组学的生存预测方法和系统
CN113096757A (zh) * 2021-04-29 2021-07-09 中国科学院深圳先进技术研究院 一种基于双区域影像组学的食管鳞癌生存预测方法和系统
CN115375640A (zh) * 2022-08-11 2022-11-22 哈尔滨医科大学 一种肿瘤异质性识别方法、装置、电子设备、存储介质
WO2023040102A1 (zh) * 2021-09-16 2023-03-23 浙江大学 判断肝细胞肝癌患者预后的基因模型、构建方法和应用
CN115862857A (zh) * 2022-11-25 2023-03-28 中国科学院深圳先进技术研究院 肿瘤免疫亚型预测方法、系统及计算机设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6163471B2 (ja) * 2014-09-17 2017-07-12 株式会社日立製作所 磁気共鳴イメージング装置
EP3758601A4 (en) * 2018-02-26 2021-11-17 Mayo Foundation for Medical Education and Research SYSTEMS AND METHODS FOR QUANTIFICATION OF MULTI-SCALE COMPETITIVE LANDSCAPES OF CLONAL DIVERSITY IN GLIOBLASTOMA

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907555A (zh) * 2021-03-11 2021-06-04 中国科学院深圳先进技术研究院 一种基于影像基因组学的生存预测方法和系统
CN113096757A (zh) * 2021-04-29 2021-07-09 中国科学院深圳先进技术研究院 一种基于双区域影像组学的食管鳞癌生存预测方法和系统
WO2023040102A1 (zh) * 2021-09-16 2023-03-23 浙江大学 判断肝细胞肝癌患者预后的基因模型、构建方法和应用
CN115375640A (zh) * 2022-08-11 2022-11-22 哈尔滨医科大学 一种肿瘤异质性识别方法、装置、电子设备、存储介质
CN115862857A (zh) * 2022-11-25 2023-03-28 中国科学院深圳先进技术研究院 肿瘤免疫亚型预测方法、系统及计算机设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MRI影像组学在脑胶质瘤临床评估中的研究应用;刘书涵等;中国CT和MRI杂志;第第21卷卷(第第3期期);第178摘要-180页第5节 *

Also Published As

Publication number Publication date
CN116403076A (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
Sala et al. Unravelling tumour heterogeneity using next-generation imaging: radiomics, radiogenomics, and habitat imaging
Siddiqui et al. Magnetic resonance imaging/ultrasound–fusion biopsy significantly upgrades prostate cancer versus systematic 12-core transrectal ultrasound biopsy
EP1244047A2 (en) Method for providing clinical diagnostic services
WO2010045318A2 (en) Gene and gene expressed protein targets depicting biomarker patterns and signature sets by tumor type
Singanamalli et al. Identifying in vivo DCE MRI markers associated with microvessel architecture and gleason grades of prostate cancer
CN109124660B (zh) 基于深度学习的胃肠间质瘤术后风险检测方法和系统
US7315784B2 (en) Network for evaluating data obtained in a biochip measurement device
JP2021505977A (ja) 体細胞突然変異のクローン性を決定するための方法及びシステム
CN116705296A (zh) 一种基于常规mri序列对gbm患者进行风险分层的方法及系统
CN108021788B (zh) 基于细胞游离dna的深度测序数据提取生物标记物的方法和装置
US20190018930A1 (en) Method for building a database
CN113744801B (zh) 肿瘤类别的确定方法、装置、系统、电子设备及存储介质
CN115274118A (zh) 一种构建睾丸肿瘤诊断和术后复发风险预测模型的方法
CN116385441B (zh) 一种基于mri对少突胶质细胞瘤进行风险分层的方法及系统
Wang et al. Value of radiomics model based on multi-parametric magnetic resonance imaging in predicting epidermal growth factor receptor mutation status in patients with lung adenocarcinoma
CN113450877B (zh) 一种基于多重免疫组化技术的生物标志物分析方法及其应用
CN111027548A (zh) 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
CN113611404A (zh) 一种基于集成学习的血浆样本癌症早筛方法
CN116403076B (zh) 一种基于dti序列对gbm患者进行风险分层的方法及系统
Maffei et al. Diagnostic performance of microUltrasound at MRI‐guided confirmatory biopsy in patients under active surveillance for low‐risk prostate cancer
CN110607370B (zh) 一种用于人体肿瘤分子分型的基因组合及其应用
KR20220086458A (ko) 유전자 데이터 공유를 위한 차세대 염기 서열 분석 방법, 차세대 염기 서열 분석 장치 및 차세데 염기 서열 분석 프로그램
EP4052167A1 (en) Method for generating models to automatically classify medical or veterinary images derived from original images into at least one class of interest
CN114078567A (zh) 一种基于cfDNA的肿瘤负荷检测装置及检测方法
Singanamalli et al. Identifying in vivo DCE MRI parameters correlated with ex vivo quantitative microvessel architecture: A radiohistomorphometric approach

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant