[发明专利]一种ki67指数确定方法及系统

说明书

本发明公开了一种ki67指数确定方法及系统，包括如下步骤：步骤一、建立神经胶质瘤患者数据集；步骤二、将数据集输送到KiNet级联神经网络；步骤三、得到训练好的KiNet级联神经网络；步骤四、向训练好的KiNet级联神经网络输入患者的性别、年龄、MRI图像的T1C模态图像和T2Flair模态图像得到Ki67指数。本发明可以更准确的根据患者信息预测ki67指数，从而便于为胶质瘤患者制定更及时、有效的治疗方案。

技术领域

本发明属于图片处理技术领域，尤其涉及一种ki67指数确定方法及系统。

背景技术

胶质瘤是最致命的中枢神经系统肿瘤,世界卫生组织(WHO)对胶质瘤的基因组分析已经确定了几个重要的分子标记物(如异柠檬酸脱氢酶突变状态和1p/19q共缺失状态等)，除可用于组织病理学分类外，还可用于亚型鉴定以指导临床决策。其中Ki67指数(theKi67 index)在临床上可用于衡量肿瘤的增殖程度、预测病人生存期和复发情况。一般来说，高的Ki67指数对应着更短的生存期和更高的复发率，因此，不同的Ki67指数往往对应着不同的治疗方案,若能在手术前得到Ki67指数将具有很大的指导意义。Ki67指数的确定需要通过对肿瘤组织取样，使用Ki67抗体对其进行染色，并计算被染色细胞的比例。然而，获取富含肿瘤的组织样本以计算Ki67指数可能是一项挑战。癌症基因组图谱(TCGA)的一份报告表明，只有35％的活检样本含有足够的肿瘤成分，可以进行准确的分子特征鉴定。开发一个非侵入式的Ki67指数鉴定方法将对患者的护理更加有利。

最主流的非侵入式胶质瘤诊断方法是多参数核磁共振成像(MRI)，图1展示了具有不同Ki67指数的患者的多模态MRI图像，专业医师肉眼对比T1C和T2 Flair两个模态的MRI图像可以方便的确定肿瘤大小、位置等，但是难以分辨不同Ki67指数的肿瘤在MRI图像上的差异。

近年来，基于非侵入式机器学习方法确定分子标记物的发展非常迅速。2014年斯坦福大学Gevaert等人从MRI图像中提取了高通量的图像特征，描述了胶质母细胞瘤(GBM)病变的影像学表型信息，并建立了影像基因组学图谱，将这些特征与各种分子数据联系起来。其中，3个特征与存活期显著相关，7个图像特征与分子分型相关(P0.05)，这证明了影像组学有可能无创地预测肿瘤的临床表现和分子标记物。Chang K等人使用深度学习非侵入性地基于常规MRI图像预测了胶质瘤的IDH突变状态，准确率达到94％。Chandan等人设计了一个三维U-Net用于对胶质瘤的1p/19q co-deletion status进行分类，准确率达到93.46％。Matsui等人证明同时使用MRI和病人年龄性别等多模态异构信息预测IDH突变状态能取得更高的准确率。对于多模态融合学习任务，Valentin等人假设每个模态可以由分离的深卷积网络处理，允许独立于每个模态进行决策，各个模态的特征在中心网络逐级融合，通过引入多任务学习提高了多模态融合方法的精度。关于Ki67的预测研究较少，FuyongXing等人基于染色后的病理图像设计了一个弱监督的语义分割网络用于预测肿瘤的Ki67指数，尚未发现利用非侵入式信息预测Ki67指数的研究。

名词解释：

MRI：核磁共振成像。

master branch：主分支。

auxiliary branch：辅助分支。

concatenate：级联神经网络。

block：残差块。

发明内容

为解决上述问题，本发明提供了一种ki67指数确定方法及系统。本发明可以更准确的根据患者信息预测ki67指数，从而便于为胶质瘤患者制定更及时、有效的治疗方案。

为达到上述技术效果，本发明的技术方案是：

一种ki67指数确定方法，包括如下步骤：