一种胶质瘤术后复发动态监测方法、系统及设备

本发明涉及医学领域图像识别方法，尤其涉及一种胶质瘤术后复发动态监测方法、系统及设备。

背景技术：

1、胶质瘤是成人中枢神经系统中最常见且恶性程度最高的原发性肿瘤，约占中枢神经系统恶性肿瘤的80％以上。其中尤以gbm的恶性程度最高，弥漫性的浸润生长和高度的耐药性是其重要的特征。目前胶质瘤的主要治疗方案仍为手术切除治疗为主，术后进行同步放化疗及替莫唑胺化疗。

2、术后患者易复发是胶质瘤难治的重要原因之一。目前主要通过术后复查磁共振进行检测，但是应注意与胶质瘤假性进展进行鉴别，所谓假性进展是指由于对患者进行放疗治疗后出现的放射性脑损伤，引起肿瘤坏死因子-α的表达在脑组织中增加，继而使血管内皮生长因子等其他细胞因子也发生上调，这些因素使小血管的通透性增加，从而导致脑水肿和慢性炎症反应，造成神经元结构的破坏，这类病变在影像学复查常常会表现为原有的肿瘤周围有明显的强化。此外，化疗过程中化疗药物可直接对神经组织造成损害，同时会增强放疗治疗时对脑组织的辐射效应，从而对神经组织产生间接损害，所以化疗也会导致假性进展的产生。但是针对胶质瘤的复发和假性进展，临床上对二者的处理原则截然不同，胶质瘤复发需要再次手术或放化疗，而假性进展仅需要随访观察或对症处理，如果对胶质瘤患者假性进展与复发误诊会严重影响患者的生活质量、预后和生存。

3、综上所述，鉴别胶质瘤的复发与假性进展对于提高胶质瘤患者的生存质量和生存时间具有重要的意义。此外，对于部分身体状况不佳导致不能接受手术治疗的患者，通过ctc液体活检的形式明确其病理也会为患者的精准诊疗提供重要的参考价值。针对以上的难点与痛点，本项目通过收集患者术前、术后及复查的影像学资料和ctc细胞的相关信息同时结合人工智能的手段，为胶质瘤复发的动态检测提供重要的价值。

技术实现思路

1、针对现有技术中存在的技术问题，本发明提供一种胶质瘤术后复发动态监测方法、系统及设备，以解决胶质瘤分级困难且效率不高的技术问题。

2、根据本发明的第一方面，本发明提供一种胶质瘤术后复发动态监测方法，包括：

3、步骤1.获取多张术前mri图像，对术前mri图像进行异常区域分割，将术前mri图像特征量化；

4、步骤2.获取多张复查mri图像，对复查mri图像进行异常区域分割，将复查mri图像特征量化；

5、步骤3.根据术前mri图像特征量化和复查mri图像特征量化结果，得到非肿瘤、假性进展、肿瘤判定结果；

6、步骤4.获取ctc染色图像，并进行分割获取细胞质分割图、白细胞分割图、细胞核分割图；

7、步骤5.将ctc染色图像特征量化，根据ctc特征量化结果，对假性进展结果进行进一步核实，核实结果为非肿瘤、肿瘤；

8、步骤6.对得到的肿瘤结果进行胶质瘤分级；

9、步骤7：根据胶质瘤分级情况，将mri图像和ctc相关图像进行分级存储；

10、步骤8：将获取的分析结果、复查mri判定结果、ctc复核结果、胶质瘤分级结果进行叠加展示。

11、在上述技术方案的基础上，本发明还可以作出如下改进。

12、可选的，在步骤1中，所述获取多张术前mri图像包括t1、t1+c、t2、t2flair四种序列；所述对术前mri图像进行异常区域分割包括qet、qnet、qed；所述将术前mri图像特征量化，包括：浸润程度量化。

13、可选的，在步骤2中，所述获取多张复查mri图像包括：t1、t1+c、t2、t2flair四种序列；所述对复查mri图像进行异常区域分割包括：fet、fnet、fed；所述复查mri图像特征量化包括：浸润程度量化、异常区域形态量化及纹理特征量化。

14、可选的，所述根据术前mri图像特征量化和复查mri图像特征量化结果，得到非肿瘤、假性进展、肿瘤判定结果包括：

15、对术前mri图像特征量化结果和复查mri图像特征量化结果进行加权拟合，计算肿瘤判定系数，并根据机器学习模型输出，得到如下输出结果：

16、

17、可选的，所述肿瘤判定系数计算公式为：

18、

19、其中，λm1～λm6，通过训练机器学习方法包括但不限于决策树、随机器森林机器学习模型得到。

20、可选的，在步骤5中，所述ctc染色图像包括：肿瘤特异性荧光染色steam染色图像、白细胞特异性染色cd45图像、细胞核染色dapi图像、细胞染色融合图；所述将ctc染色图像特征量化包括：核质面积比量化、核质形态差量化、散乱程度量化、白细胞缺失量化、融合颜色量化。

21、可选的，在步骤5中，所述根据ctc特征量化结果，对假性进展结果进行进一步核实，核实结果为非肿瘤、肿瘤包括：对ctc特征量化结果进行加权拟合得到最终假性进展复核系数计算公式为：

22、

23、其中，λb1～λb5，通过训练机器学习方法如决策树、随机器森林机器学习模型得到；最终根据机器学习模型输出，得到如下输出结果：

24、

25、可选的，在步骤6中，对得到的肿瘤结果进行胶质瘤分级包括：

26、对肿瘤结果进行加权拟合得到最终肿瘤细胞分级系计算公式为：

27、

28、其中，λ1～λ8，通过决策树、随机器森林等机器学习模型得到；最终根据机器学习模型输出，得到如下输出结果：

29、

30、根据本发明的第二方面，提供一种胶质瘤术后复发动态监测系统，包括：获取模块，分割模块、计算模块和确定模块、存储模块和显示模块；其中，

31、获取模块，用于获取mri图像和ctc染色图像；

32、分割模块，用于对mri图像进行异常区域分割和对ctc染色图像进行细胞质分割、白细胞分割和细胞核分割；

33、计算模块，用于mri图像特征量化和ctc染色图像特征量化；

34、确定模块，用于根据mri图像特征量化结果，得到非肿瘤、假性进展、肿瘤判定结果；根据ctc特征量化结果，对假性进展结果进行进一步核实，核实结果为非肿瘤、肿瘤，并对得到的肿瘤结果进行胶质瘤分级；

35、存储模块，用于根据胶质瘤分级情况，将mri图像和ctc相关图像进行分级存储；

36、显示模块，用于将获取的分析结果、复查mri判定结果、ctc复核结果、胶质瘤分级结果进行叠加展示。

37、本发明还提供一种设备，包括计算机、数据存储设备及客户端显示器，其中，

38、所述计算机用于接收术前mri图像进行多个特征提取、接收术后mri图像进行多个特征提取和接收ctc染色图像进行多个特征提取；结合术前及术后mri图像特征和复查mri图像特征对患者肿瘤是否复发做初步判断，然后对ctc图像进行特征拟合对假性进展期图像做进一步判断；结合复查mri图像特征以及ctc图像通过多模态拟合方法对复发的胶质瘤进行分级；

39、所述数据存储设备用于根据计算机反馈的预测结果将复查mri图像和细胞染色分析图像存入对应文件夹进行保存；

40、所述客户端显示器用于接收计算机设备反馈的复查mri判定结果、ctc复核结果、胶质瘤分级结果进行展示。

41、本发明的技术效果和优点：

42、本发明提供了一种胶质瘤术后复发动态监测方法、系统及设备，通过卷积神经网络模型可高效、精准术前mri图像、复查mri图像和ctc染色图像进行多特征提取，通过多特征拟合方法初步判断复查的患者是否再次患有肿瘤，后根据ctc多模态判定结果对假性进展患者做进一步核实，并将识别结果(肿瘤是否消失)、复查结果(未复发、若复发胶质瘤分级判定结果)、ctc图像异常程度判定结果在显示器上进行展示，使动态检测过程透明化、具有可解释性。为操作者提供可靠的检测依据，亦可对低年资医生及医学生起到教学作用。

43、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。