小罗碎碎念
今天和大家分享一个面上项目，执行年限为2019.01～2022.12，直接费用为57万元。
胶质母细胞瘤（GBM）预后差且差异大，异质性是重要因素，临床手段难评价。影像组学为异质性研究提供方法，MR 影像纹理特征可评价 GBM 异质性，但现有研究多针对整个肿瘤区域，难以评估不同区域预后特性，影响预后预测准确性。
基于 GBM 患者多模态 MR 影像，开展三方面工作：
- 结合多模 MR 影像和 GBM 多个区域，提取特征构建患者生存分层诺模图；
- 提出多模态影像肿瘤异质性分割和多示例学习的弱监督学习算法，挖掘高危子区域并构建生存分层模型；
- 提出 SHNet 模型，解决深度学习模型可视化定位不准问题，对胶质瘤分级进行预测。
通过本项目研究，建立了肿瘤异质性分割、高危区域定位和深度可视化方法，能为 GBM 诊断及手术定位等提供定量信息，具有重要临床意义。
知识星球
如需获取推文中提及的各种资料，欢迎加入我的知识星球！
一、项目简介
异质性是造成胶质母细胞瘤（GBM）预后差且差异大的重要因素，临床手段难评价异质性，影像组学提供了研究方法，MR影像纹理特征可评价GBM异质性。但现有研究多针对整个肿瘤区域，难以评估不同区域预后特性，影响预后预测准确性。
为此，本项目提出基于多模态MR影像的异质性分析及预后预测方法：
- 1）用层次聚类方法将GBM内异质性的肿瘤实质区域分割为多个同质子区域；
- 2）以预后作为子区域危险程度评价标准，用多事件学习方法判断子区域危险特性，定位高危区域，实现异质性分析；
- 3）筛选能反映子区域预后特性的影像学标记，建立基于异质性分析的GBM预后预测模型。
研究结果可为GBM诊断及手术定位等提供定量信息，具有重要临床意义 。
二、胶质母细胞瘤患者影像异质性子区域的划分过程
左侧展示了原始的 MR 影像，包括 FLAIR、T1、T2、T1C 序列。
上方是通过T1C和FLAIR影像划分出四个异质性子区域：
- ① r - EA
- ② r - CE
- ③ r - Nec
- ④ r - E/nCE
下方中间部分显示对T1C影像进行小波变换（Wavelet Transform），得到四个小波图像，分别是LL of T1C、LH of T1C、HL of T1C、HH of T1C 。
该示意图用于展示如何基于多模态MR影像对GBM肿瘤进行异质性子区域划分及影像处理的过程 。
三、基于K - means的瘤内异质分割模式
- 针对多个患者的肿瘤影像（图中左侧多个带红圈的图像），分别将其四种模态像素强度值量化为像素矩阵（如像素矩阵1、2 直至n）。
- 将所有患者像素点整合形成超级像素矩阵。
- 运用K - means算法对超级像素矩阵进行聚类，得到不同的聚类簇（类别1、类别2、类别3）。
- 最后通过映射，将聚类结果对应到不同的肿瘤子区域（R1、R2、R3）。该模式用于对肿瘤内部的异质性进行分割分析。
四、传统方法和本项目方法在处理医学影像方面的差异
- 传统框架：先对影像进行分类（Classification），得到一个结果（result），之后再进行可视化解释（Visual explanation），是分步进行的。
- 本文框架：将影像划分子区域（subregions），在处理过程中同时生成可视化解释（visual explanation）和分类结果（result） ，实现了两者的同步进行。右侧的一系列脑部影像展示了从低级（Low level）到高级（High level）的处理结果，可能用于体现不同方法的效果差异。
结束语
本期推文的内容就到这里啦，如果需要获取医学AI领域的最新发展动态，请关注小罗的推送！如需进一步深入研究，获取相关资料，欢迎加入我的知识星球！
