基于肺活检组织病理特征的预后生存期预测系统的制作方法

摘要: 本发明涉及医学图像分析,具体涉及一种基于肺活检组织病理特征的预后生存期预测系统。背景技术:1、在肺部肿瘤的诊断与治疗中,患者肺活检组织的病理特征对预后生存期的评...
基于肺活检组织病理特征的预后生存期预测系统的制作方法

本发明涉及医学图像分析,具体涉及一种基于肺活检组织病理特征的预后生存期预测系统。

背景技术:

1、在肺部肿瘤的诊断与治疗中,患者肺活检组织的病理特征对预后生存期的评估具有决定性作用;其中,肿瘤的宏观与微观形态直接反映了肿瘤的转移潜能与生物学侵袭性。例如,边缘呈现明显毛刺状、浸润状的肿瘤,其复发风险显著高于边界平滑的肿瘤。因此,将病理切片灰度图像中的肿瘤形态特征输入至预测模型中,是实现精准预后评估的重要途径。

2、由于肺肿瘤细胞在边缘地带往往呈现条索状、巢状向周围正常肺间质中浸润,所以现有技术在获取肿瘤的形态特征时,通常依赖于人工标注或常规的基于灰度阈值的图像分割算法;然而,在活检组织的切片制作及染色过程中,组织边缘极易产生物理撕裂、挤压变形或染色伪影,形成非特异性的锯齿或突起噪声;所以人工标注以及常规的基于灰度阈值的图像分割算法往往难以准确识别真实的浸润特征以及伪影噪声点,从而造成后续的预测结果准确度降低。

技术实现思路

1、为了解决在活检组织的切片制作及染色过程中,组织边缘极易产生物理撕裂、挤压变形或染色伪影,形成非特异性的锯齿或突起噪声;而人工标注以及常规的基于灰度阈值的图像分割算法往往难以准确识别真实的浸润特征以及伪影噪声点的技术问题,本发明的目的在于提供一种基于肺活检组织病理特征的预后生存预测系统,所采用的技术方案具体如下:

2、数据获取模块,用于获取患者肺活检组织的病理切片灰度图像以及临床病理资料;

3、特征提取模块,用于在所述病理切片灰度图像中,根据像素点的灰度值划分肿瘤核区域;在所述病理切片灰度图像中,分析肿瘤核区域中像素点的分布特征,划分可疑分析区;基于可疑分析区中的每个像素点局部范围内的肿瘤核区域的密度分布、面积大小以及灰度表现,确定每个像素点的病理特征指标;

4、边界分析模块,用于在每个可疑分析区中,依据像素点之间的病理特征指标划分核心区域;在每个核心区域中,分析像素点的病理特征指标的变化特征,提取初始肿瘤边界线;基于所述初始肿瘤边界线,分析像素点之间的位置关系,并与像素点的病理特征指标相结合,从而在初始肿瘤边界线上识别伪影噪声点;在初始肿瘤边界线上去除伪影噪声点从而得到真实肿瘤边界线;

5、预后预测模块,用于基于真实肿瘤边界线的形态特征,并结合临床病理资料进行生存期预测。

6、进一步地,所述肿瘤核区域的获取方法包括:

7、利用大津阈值分割法对所述病理切片灰度图像进行分割,将灰度值小于分割阈值的区域作为目标区域,并对所述目标区域中的像素点进行连通域分析,得到细胞核区域;

8、在每个细胞核区域中,将像素点的总数作为数量因子,将所有像素点的灰度值均值作为灰度因子;

9、基于所有细胞核区域的数量因子利用大津阈值分割法进行处理,将数量因子大于数量分割阈值的细胞核区域作为第一候选区域,基于所有细胞核区域的灰度因子利用大津阈值分割法进行处理,将灰度因子小于灰度分割阈值的细胞核区域作为第二候选区域;

10、若某个细胞核区域既为第一候选区域,又为第二候选区域,则将该细胞核区域作为肿瘤核区域。

11、进一步地,所述可疑分析区的获取方法包括:

12、在所述病理切片灰度图像中,以每个像素点为中心,构建预设大小的邻域窗口;

13、在每个像素点对应的邻域窗口内,统计完全位于邻域窗口内的肿瘤核区域以及不完全在邻域窗口内但与邻域窗口存在交集的肿瘤核区域的总数,作为数量参数;

14、在所有像素点对应的数量参数中,将最大数量参数作为分母,将每个像素点对应的数量参数作为分子,将所得比值作为病理切片灰度图像中每个像素点的肿瘤密度;

15、在所述病理切片灰度图像中,基于所有像素点的肿瘤密度利用大津阈值分割法进行处理,将肿瘤密度大于密度分割阈值的像素点作为目标像素点;

16、对所有目标像素点进行形态学膨胀操作,从而得到所有的可疑分析区。

17、进一步地,所述病理特征指标的获取方法包括:

18、针对所述可疑分析区内的每个像素点,构建多个预设尺寸的局部邻域;

19、在每个像素点对应的每个预设尺寸下的局部邻域内,将完全位于局部邻域内的肿瘤核区域以及不完全在局部邻域内但与局部邻域存在交集的肿瘤核区域的总数,作为数量系数,将完全位于局部邻域内的肿瘤核区域,作为待分析区域;

20、在所有像素点对应的数量系数中,将最大数量系数作为分母,将每个像素点对应的数量系数作为分子,将所得比值作为每个可疑分析区中每个像素点的密度因子;

21、在每个可疑分析区内,利用各个预设尺寸下的局部邻域对应的预设权重对每个像素点的密度因子进行加权求和,得到每个像素点的加权密度;

22、在每个可疑分析区内任选一个像素点作为待测像素点,针对待测像素点在每个预设尺寸下的局部邻域,计算该局部邻域内的所有待分析区域内像素点的数量的变异系数作为数量变异系数;计算该局部邻域内的所有待分析区域内像素点的灰度值的变异系数作为灰度变异系数;

23、将所述数量变异系数与所述灰度变异系数的和值进行负相关映射后的值,作为待测像素点在每个预设尺寸下的形态一致因子;

24、将待测像素点在所有预设尺寸下的形态一致因子的和值,与待测像素点对应的加权密度的乘积进行归一化处理,得到待测像素点的所述病理特征指标。

25、进一步地,所述核心区域的获取方法包括:

26、在每个可疑分析区中,将病理特征指标大于预设病理阈值的像素点作为特征点,在每个可疑分析区中,对特征点进行形态学闭运算和孔洞填充,得到核心区域。

27、进一步地,所述初始肿瘤边界线的获取方法包括:

28、在每个核心区域中,以质心为起点,核心区域的每个边缘像素点为终点,获取连线线段以及连线线段经过的像素点序列;

29、在每个像素点序列中,计算每个像素点与相邻的后一个像素点之间的病理特征指标的差值,作为每个像素点对应的变化值,将所有像素点的变化值的均值作为均值特征值,在所述像素点序列中搜索变化值的极大值点,并从起点开始进行遍历,将第一个大于所述均值特征值的极大值点对应的像素点作为分割点;

30、将所有像素点序列中的分割点进行平滑连接,得到所述初始肿瘤边界线。

31、进一步地,所述伪影噪声点的获取方法包括:

32、沿着每条初始肿瘤边界线进行均匀采样,获取多个采样点;

33、获取初始肿瘤边界线上每个采样点对应的法线,并在法线方向上以每个采样点为中心构建预设窗口,在所述预设窗口内,计算每个像素点与相邻的下一个像素点之间的病理特征指标的差值,作为两个像素点中前一个像素点对应的变化参数,在预设窗口内,将最大变化参数对应的像素点作为新的采样点;

34、分析新的采样点在对应的核心区域中的位置分布特征,从而在所有新的新的采样点中筛选出突起候选点;

35、针对每个突起候选点,获取其与所对应的核心区域的质心连线上的像素点的病理特征指标构成的序列并拟合曲线,将所述拟合曲线划分为若干个局部窗口,计算每个局部窗口内在拟合曲线上的拟合值的均值作为拟合均值,将所有局部窗口的拟合均值的方差作为每个突起候选点的波动因子;

36、利用大津阈值分割法对所有突起候选点的波动因子进行处理,将波动因子大于波动分割阈值的突起候选点判定为伪影噪声点。

37、进一步地,所述突起候选点的获取方法包括:

38、计算每个新的采样点到所对应的核心区域的质心之间的欧式距离,获取所有新的采样点对应的欧式距离的均值作为距离均值,当某个新的采样点对应的欧式距离与所述距离均值的差值大于预设距离变化阈值时,将该新的采样点作为突起候选点。

39、进一步地,所述真实肿瘤边界线的获取方法包括:

40、在初始肿瘤边界线上,在每个伪影噪声点两侧,选取预设数量的非伪影噪声点作为平滑参考点;

41、利用最小二乘法对所述平滑参考点进行多项式曲线拟合,获取拟合后的平滑曲线段,将所述伪影噪声点替换为所述平滑曲线段上对应的投影点,将投影点与非伪影噪声点依次进行连接,从而得到真实肿瘤边界线。

42、进一步地,所述基于真实肿瘤边界线的形态特征,并结合临床病理资料进行生存期预测,包括:

43、计算所述真实肿瘤边界线所包围区域的面积,以及所述真实肿瘤边界线的周长;

44、将所述周长的平方与所述面积的比值,作为所述真实肿瘤边界线的不规则度,获取所述真实肿瘤边界线上距离所述核心区域质心最远的像素点,计算该像素点到所述质心的欧式距离,作为浸润深度;

45、将所述不规则度与所述浸润深度,结合患者的临床病理资料,输入至预先训练的cox比例风险回归模型中,获得预后指数;

46、若所述预后指数大于或等于预设预后风险阈值,需进行预警,否则不需要进行预警。

47、本发明具有如下有益效果:

48、数据获取模块首先获取患者肺活检组织的病理切片灰度图像以及临床病理资料。然后在特征提取模块,由于细胞核在受到染色后会较深,所以依据像素点的灰度值划分肿瘤核区域,图像中属于肺肿瘤组织的像素点周围会分布较多的肿瘤细胞,所以在全局图像中,分析了肿瘤核区域中像素点的分布特征,划分了可疑分析区,有利于聚焦于那些可能具有特殊病理意义的区域。在肿瘤核心区域内肿瘤细胞的密度以及灰度通常会具有更为一致的表现特征,所以在可疑分析区中,分析每个像素点局部范围内肿瘤核区域的密度分布、面积大小以及灰度表现,得到每个像素点的病理特征指标,用于反映肿瘤的细胞构成、生长状态等信息。进一步地,在边界分析模块,在每个可疑分析区中依据像素点之间的病理特征指标划分核心区域,由于肿瘤组织向外浸润时病理特征会显著下降,所以分析核心区域中像素点的病理特征指标的变化特征来提取初始肿瘤边界线,然后基于初始肿瘤边界线,分析像素点之间的位置关系并与病理特征指标相结合来识别伪影噪声点并去除,得到真实肿瘤边界线,充分考虑了图像的空间信息和特征信息,能够准确区分真实肿瘤边界和伪影噪声。最后在预后预测模块,有效提取肿瘤形态特征,反映肿瘤的生长方式和侵袭能力,并结合临床病理资料进行生存期预测,能够更全面、准确地评估患者的预后情况,提高了生存期预测的准确性和可靠性。