[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

权利要求书

1.基于影像组学的脑胶质瘤分子标记物无损预测方法，其特征在于：包括以下步骤：

步骤1，通过常规磁共振成像方法采集脑胶质瘤的原始医学图像，并对采集的原始医学图像进行图像格式、大小的统一化和数据的去隐私化处理，获得脑胶质瘤医学肿瘤影像数据和历史肿瘤数据；

步骤2，建立脑胶质瘤医学肿瘤影像数据库和历史肿瘤数据库，并通过有限元、神经网络算法建立预测模型，同时自脑胶质瘤医学肿瘤影像数据库选取其中一个脑胶质瘤医学图像样本，选定脑胶质瘤医学图像样本中的感兴趣区，并将感兴趣的区域划分为很多的基本单元，计算基本单元周围相邻区域的特征并提取其中的脑胶质瘤特征，脑胶质瘤特征包括位置特征、灰度特征、形状特征、和纹理特征；

步骤3，针对步骤2提取的脑胶质瘤特征进行分析，选择出有效特征，组成特征向量，将其送入分类器进行检测，得出感兴趣区域的属性；

步骤4，根据基准单元周围相邻区域属性，计算基本单元计分，得出感兴趣区域的概率分布图，比对其中脑胶质瘤医学肿瘤影像数据和历史肿瘤数据的感兴趣区域，分别选取x、y特征点，两个特征点x和y之间的特征距离是三个距离值的加权和：

各分量距离值为各特征描述符之间的欧式距离满足下列公式：

d_i(x,y)＝Euclidean-distance(D_i(x),D_i(y))

如果满足以下条件，特征点x与y匹配：

1、d(x,y)是最小的在d(.,y)中；

2、不存在d(z,y)<θ*d(x,y).θ是大于1的参数，被称为匹配阈值；当匹配阈值大于0.7时，则脑胶质瘤医学肿瘤影像数据和历史肿瘤数据匹配度较高，两者代表的肿瘤病情发展程度接近；

步骤5，重复步骤2至4，从而形成训练集，根据训练集使用步骤2中得到的预测模型进行预测模型训练，最终生成预测模型，该预测模型可以脑胶质瘤医学肿瘤影像数据结合测定的分子标记物的含量作为评估受试者患病病风险评估的特征，对数据进行评分，进行脑胶质瘤患病预测和评价，当评估树脂高于检测阈值时，判定受试者脑胶质瘤患病存在高风险。

2.根据权利要求1所述的基于影像组学的脑胶质瘤分级预测方法，其特征在于：步骤1中所述的常规磁共振成像方法包括T1加权成像、T2加权成像、液体衰减反转恢复(FLAIR)成像或增强后的T1加权成像的一种或多种组合。

3.一种基于权利要求1或2所述的预测方法的脑胶质瘤分子标记物无损预测系统，其特征在于，包括四个模块：图像采集模块，数据库模块、特征提取模块，训练模块以及脑胶质瘤分子标记物识别预测模块，分别用于执行预测方法的图像分割、数据库构建、特征提取、预测模型的训练升级、患病预测和评价五个步骤的操作运算；其中，特征提取模块分为位置特征提取子模块、灰度特征提取子模块、形状特征提取子模块、纹理特征提取子模块，分别用于执行置特征提取、灰度特征提取、形状特征提取、纹理特征提取；脑胶质瘤分子标记物识别预测模块读取受试者试剂盒或者分子标记物的荧光定量PCR检测数据导入。