小羅碎碎念
今天和大家分享一個面上項目，執行年限為2019.01～2022.12，直接費用為57萬元。
膠質母細胞瘤（GBM）預后差且差異大，異質性是重要因素，臨床手段難評價。影像組學為異質性研究提供方法，MR 影像紋理特征可評價 GBM 異質性，但現有研究多針對整個腫瘤區域，難以評估不同區域預后特性，影響預后預測準確性。
基于 GBM 患者多模態 MR 影像，開展三方面工作：
- 結合多模 MR 影像和 GBM 多個區域，提取特征構建患者生存分層諾模圖；
- 提出多模態影像腫瘤異質性分割和多示例學習的弱監督學習算法，挖掘高危子區域并構建生存分層模型；
- 提出 SHNet 模型，解決深度學習模型可視化定位不準問題，對膠質瘤分級進行預測。
通過本項目研究，建立了腫瘤異質性分割、高危區域定位和深度可視化方法，能為 GBM 診斷及手術定位等提供定量信息，具有重要臨床意義。
知識星球
如需獲取推文中提及的各種資料，歡迎加入我的知識星球！
一、項目簡介
異質性是造成膠質母細胞瘤（GBM）預后差且差異大的重要因素，臨床手段難評價異質性，影像組學提供了研究方法，MR影像紋理特征可評價GBM異質性。但現有研究多針對整個腫瘤區域，難以評估不同區域預后特性，影響預后預測準確性。
為此，本項目提出基于多模態MR影像的異質性分析及預后預測方法：
- 1）用層次聚類方法將GBM內異質性的腫瘤實質區域分割為多個同質子區域；
- 2）以預后作為子區域危險程度評價標準，用多事件學習方法判斷子區域危險特性，定位高危區域，實現異質性分析；
- 3）篩選能反映子區域預后特性的影像學標記，建立基于異質性分析的GBM預后預測模型。
研究結果可為GBM診斷及手術定位等提供定量信息，具有重要臨床意義 。
二、膠質母細胞瘤患者影像異質性子區域的劃分過程
左側展示了原始的 MR 影像，包括 FLAIR、T1、T2、T1C 序列。
上方是通過T1C和FLAIR影像劃分出四個異質性子區域：
- ① r - EA
- ② r - CE
- ③ r - Nec
- ④ r - E/nCE
下方中間部分顯示對T1C影像進行小波變換（Wavelet Transform），得到四個小波圖像，分別是LL of T1C、LH of T1C、HL of T1C、HH of T1C 。
該示意圖用于展示如何基于多模態MR影像對GBM腫瘤進行異質性子區域劃分及影像處理的過程 。
三、基于K - means的瘤內異質分割模式
- 針對多個患者的腫瘤影像（圖中左側多個帶紅圈的圖像），分別將其四種模態像素強度值量化為像素矩陣（如像素矩陣1、2 直至n）。
- 將所有患者像素點整合形成超級像素矩陣。
- 運用K - means算法對超級像素矩陣進行聚類，得到不同的聚類簇（類別1、類別2、類別3）。
- 最后通過映射，將聚類結果對應到不同的腫瘤子區域（R1、R2、R3）。該模式用于對腫瘤內部的異質性進行分割分析。
四、傳統方法和本項目方法在處理醫學影像方面的差異
- 傳統框架：先對影像進行分類（Classification），得到一個結果（result），之后再進行可視化解釋（Visual explanation），是分步進行的。
- 本文框架：將影像劃分子區域（subregions），在處理過程中同時生成可視化解釋（visual explanation）和分類結果（result） ，實現了兩者的同步進行。右側的一系列腦部影像展示了從低級（Low level）到高級（High level）的處理結果，可能用于體現不同方法的效果差異。
結束語
本期推文的內容就到這里啦，如果需要獲取醫學AI領域的最新發展動態，請關注小羅的推送！如需進一步深入研究，獲取相關資料，歡迎加入我的知識星球！
-E卷-100分)
