鼻咽癌预后特征确定方法、系统、装置及存储介质

本发明涉及图像处理，尤其是鼻咽癌预后特征确定方法、系统、装置及存储介质。

背景技术：

1、鼻咽癌(nasopharyngeal carcinoma,npc)是起源于鼻咽上皮细胞的恶性肿瘤。虽然近年来鼻咽癌的疗效有所提升，鼻咽癌局部控制率得以明显提高，但仍有10％～15％的患者出现肿瘤复发。另外，对于局部晚期鼻咽癌患者，治疗后仍有30％出现远处转移。局部复发和远处转移是鼻咽癌治疗失败和死亡的主要原因。如何筛选出鼻咽癌疾病进展的高危风险人群，从而进行早期干预，实施个体化治疗，是目前临床迫切需要解决的难题。

2、病理作为临床诊断的“金标准”，表征着肿瘤细胞及其周围微环境的微观形态。病理学在癌症诊断中起着非常重要的作用，肿瘤组织病理切片是医师评价肿瘤疾病进展、临床分期、分类和分型的最主要的方法之一。根据组织病理特点，who病理分型显示，鼻咽癌的病理亚型有三种：1.角化性鳞状细胞癌；2.非角化性鳞状细胞癌，分为分化型非角化性癌和未分化型非角化性癌；3.基底细胞样鳞状细胞癌。其中，角化性鳞状细胞癌在非流行区域比较常见，约占20％的病例,而在我国华南地区等全球高发区域，超过95％的鼻咽癌患者为非角化性鳞状细胞癌。然而，研究显示非角化性鳞状细胞癌与现有的who病理分型无法进一步对高发区域的患者进行危险分层。尽管病理学家观察到鼻咽癌的肿瘤细胞有明显的形态学上的异质性，但是判读标准难以统一及标准化，迄今为止所提出的病理分型仍未能指导临床的预后预测及指导鼻咽癌患者的个体化治疗。随着全切片数字化图像(whole-sl ideimaging,wsi)的数字病理学(digital pathology,dp)的快速发展，使得人工智能在计算机辅助诊断方面取得了诸多进展，利用病理图像中的海量特征，并通过人工智能构建大数据模型对图像特征信息进行处理、分析和预测，有助于临床医师评估肿瘤诊断分期、治疗及预后，成为现代医学又一有力的辅助手段。

3、现阶段临床上多采用患者的临床参数如肿瘤的tnm分期、性别、年龄、ebvdna拷贝数、血液学指标构建模型进行预后的预测，但预测模型并未纳入鼻咽癌的病理图像的特征信息，难以全面和客观地反映鼻咽癌演进阶段的生物学表征和恶性本质。在病理图像构建预后预测模型方面，只有少数研究构建了病理预后指标。liu等通过开放性软件qupath从病理全切片图像提取了429个量化的病理特征，获得病理标签，预测5年无进展生存，但是由于缺乏简洁特定的病理特征，临床应用较为困难。shao等根据鼻咽癌组织学特点将其分为上皮样癌、肉瘤样癌、肉瘤-上皮样癌，鳞状细胞癌，并根据四种病理分型分别建立预后模型，然而，由于鼻咽癌的病理分型比较单一，实际的临床应用十分有限。以上结果均说明亟需借助更丰富的信息和先进的数据分析手段，挖掘鼻咽癌病理图片信息，构建预后预测模型，为不同风险分层的鼻咽癌患者的诊疗提供辅助评估手段，有助于推动鼻咽癌的个体化精准诊疗。

技术实现思路

1、有鉴于此，本发明实施例提供了一种鼻咽癌预后特征确定方法、系统、装置及存储介质，能够筛选出病理图像的关键图像特征。

2、第一方面，本发明实施例提供了一种鼻咽癌预后特征确定方法，包括：

3、病理图像预处理，通过基于染色分离的颜色归一化方法对病理图像进行染色标准化处理；

4、通过分割网络对预处理后的病理图像的病灶区域进行自动分割，得到分割影像；其中，所述分割网络包括深度神经网络和神经条件随机场，所述深度神经网络用于病灶区域的分割，所述神经条件随机场用于建模相邻图像块之间的空间相关性；

5、对所述分割影像进行裁剪处理，得到目标图像块；

6、通过主成分分析对所述目标图像块进行特征降维，得到降维数据；

7、根据所述降维数据，通过聚类算法进行无监督自主学习得到病理图像特征；

8、通过特征检验对所述病理图像特征进行筛选，确定预后病理特征集合。

9、可选地，所述方法还包括：

10、根据所述病理图像特征，通过深度q网络进行预后预测，确定患者关键病理影像特征；

11、其中，所述深度q网络包括行为网络和目标网络；所述行为网络用于收集训练经验，通过所述训练经验更新网络参数；所述目标网络用于根据行为概率进行决策操作。

12、可选地，所述通过基于染色分离的颜色归一化方法对病理图像进行染色标准化处理，包括：

13、通过矩阵分解获得各染剂的图像通道；

14、对所述图像通道进行均值-方差归一化处理，合并得到rgb通道的病理图像。

15、可选地，所述对所述分割影像进行裁剪处理，得到目标图像块，包括：

16、根据预设规格，对所述分割影像进行裁剪处理，得到肿瘤组织和间质组织的图像小块。

17、可选地，所述通过主成分分析对所述目标图像块进行特征降维，得到降维数据，包括：

18、获取数据协方差矩阵的目标特征向量集合；

19、根据所述目标向量集合组成变换矩阵；

20、通过所述变换矩阵对所述目标图像块进行特征降维，得到降维数据。

21、可选地，所述根据所述降维数据，通过聚类算法进行无监督自主学习得到病理图像特征，包括：

22、根据预设超参数，通过k-means聚类算法将所有数据聚成c类；所述c为预设超参数；

23、采用各个类的聚簇的中心点表征作为该类的代表；

24、通过所述中心点表征确定病理图像特征。

25、可选地，所述k-means聚类算法的最小化的优化函数的表达式为：

26、

27、其中，je表示优化函数，x表示特征降维后的样本，di表示各个簇的样本集合，mi表示第i类簇的中心点。

28、第二方面，本发明实施例提供了一种鼻咽癌预后特征确定系统，包括：

29、第一模块，用于病理图像预处理，通过基于染色分离的颜色归一化方法对病理图像进行染色标准化处理；

30、第二模块，用于通过分割网络对预处理后的病理图像的病灶区域进行自动分割，得到分割影像；其中，所述分割网络包括深度神经网络和神经条件随机场，所述深度神经网络用于病灶区域的分割，所述神经条件随机场用于建模相邻图像块之间的空间相关性；

31、第三模块，用于对所述分割影像进行裁剪处理，得到目标图像块；

32、第四模块，用于通过主成分分析对所述目标图像块进行特征降维，得到降维数据；

33、第五模块，用于根据所述降维数据，通过聚类算法进行无监督自主学习得到病理图像特征；

34、第六模块，用于通过特征检验对所述病理图像特征进行筛选，确定预后病理特征集合。

35、第三方面，本发明实施例提供了一种鼻咽癌预后特征确定装置，包括处理器以及存储器；

36、所述存储器用于存储程序；

37、所述处理器执行所述程序实现如前面所述的方法。

38、第四方面，本发明实施例提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。

39、本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。

40、本发明的实施例首先对病理图像预处理，通过基于染色分离的颜色归一化方法对病理图像进行染色标准化处理；通过分割网络对预处理后的病理图像的病灶区域进行自动分割，得到分割影像；其中，所述分割网络包括深度神经网络和神经条件随机场，所述深度神经网络用于病灶区域的分割，所述神经条件随机场用于建模相邻图像块之间的空间相关性；对所述分割影像进行裁剪处理，得到目标图像块；通过主成分分析对所述目标图像块进行特征降维，得到降维数据；根据所述降维数据，通过聚类算法进行无监督自主学习得到病理图像特征；最终通过特征检验对所述病理图像特征进行筛选，确定预后病理特征集合。本发明能够从病理图像中获取和筛选出与鼻咽癌局部区域复发和远处转移密切相关的病理图像的关键图像特征，以辅助鼻咽癌的预后预测。