一种胶质母细胞瘤患者总体生存时间预测系统

本技术涉及预测系统，特别是涉及一种胶质母细胞瘤患者总体生存时间预测系统。

背景技术：

1、本部分的陈述仅仅是提到了与本技术相关的背景技术，并不必然构成现有技术。

2、胶质母细胞瘤（gbm）是成人中最常见和致命的iv级恶性脑肿瘤，胶质母细胞瘤（gbm）患者的中位总体生存时间通常小于15个月。准确预测胶质母细胞瘤（gbm）患者的总体生存（os）时间对于制定治疗计划和合理安排医疗资源至关重要。然而，胶质母细胞瘤（gbm）的表型异质性导致患者预后极差、治疗反应率低以及个体间的总体生存时间差异很大。因此，需要开发一种精确的算法来自动预测胶质母细胞瘤（gbm）患者的总体生存时间。

3、总体生存时间指的是从病人确认患有疾病开始至因任何原因引起死亡的时间，自动预测胶质母细胞瘤（gbm）患者的总体生存时间是一项回归任务，深度学习方法因其自动学习层级信息的卓越能力，在医学图像处理的分类和回归方面取得了巨大进展。

4、其中，脉冲神经膜系统是一种受生物神经网络中神经元之间利用脉冲进行信息交互的生物现象启发的膜计算模型，脉冲神经膜系统被认为是第三代神经网络。脉冲神经膜系统及其变体是简单的二维图结构，其中，图的顶点表示神经元，图的边表示神经元之间的突触，每个神经元都有一定数量的脉冲和规则。脉冲神经膜系统具有强大的并行性、鲁棒性，使其能够有效地解决一些实际应用问题。此外，能够在图形处理单元（gpu）中对脉冲神经膜系统进行仿真，进一步有效的解决了一些难点问题。

5、然而，当前的脉冲神经膜系统是简单的二维有向图膜结构。简单的二维有向图膜结构导致神经元只能将信息传递给与其相连的神经元，不能进行分层计算和非结果储存，也无法表示多级网络结构，不能满足复杂的实际应用。这使得神经元只能在平面内通信，忽略了真实神经元能够在平面、层次和跨膜结构上进行生物交流，从而限制了模型的学习能力，影响总体生存时间的预测。

6、此外，现有技术中，有不少的模型已经被应用在磁共振成像（mri）上对脑肿瘤患者的总体生存时间进行预测。但是，很少有研究基于组织病理学图像对脑肿瘤患者的总体生存时间进行预测。

技术实现思路

1、为了解决现有技术的不足，本技术提供了一种胶质母细胞瘤患者总体生存时间预测系统、电子设备及计算机可读存储介质，将超图引入脉冲神经膜系统，执行复杂的层次计算、存储中间结果和处理高阶关系，从组织病理学图像中对胶质瘤患者的总体生存时间进行预测。

2、第一方面，本技术提供了一种胶质母细胞瘤患者总体生存时间预测系统；

3、一种胶质母细胞瘤患者总体生存时间预测系统，包括：

4、获取模块，被配置为：获取组织病理学图像；

5、生存时间预测模块，被配置为：将组织病理学图像输入基于超图的脉冲神经膜系统，获取总体生存时间预测结果；其中，基于超图的脉冲神经膜系统包括第一超上神经元、第二超上神经元和第三超上神经元，第一超上神经元用于对组织病理学图像进行预处理，第二超上神经元用于根据预处理后的组织病理学图像选择与生存相关的簇，第三超上神经元用于根据与生存相关的簇进行总体生存时间预测；第一超上神经元、第二超上神经元和第三超上神经元内部均设置有超边神经元，第一超上神经元、第二超上神经元和第三超上神经元外部均设置有输入/输出神经元。

6、进一步的，所述将组织病理学图像输入基于超图的脉冲神经膜系统，获取总体生存时间预测结果的实现过程如下：

7、输入/输出神经元读取组织病理学图像并将其转换为脉冲和脉冲序列并发送至第一超上神经元；

8、第一超上神经元筛选脉冲和脉冲序列，提取有效切片并发送至第二超上神经元；

9、第二超上神经元通过k-means算法将有效切片聚类为k个簇，选择与生存相关的簇并发送至第三超上神经元；

10、第三超上神经元基于与生存相关的簇，通过总体生存时间预测模型进行总体生存时间预测，获取总体生存时间预测结果并发送至输入/输出神经元；其中，所述总体生存时间预测模型包括总体生存时间预测网络和基因型分类网络；

11、输入/输出神经元输出总体生存时间预测结果。

12、进一步的，第一超上神经元中的多个超顶点神经元分别同时获取多个组织病理学图像的脉冲和脉冲序列，根据平面规则，按行顺序将组织病理学图像的脉冲和脉冲序列划分为大小为1024×1024像素的切片的脉冲和脉冲序列；

13、根据筛选规则，删除大小小于1024×1024像素或背景颜色大于50%的切片的脉冲和脉冲序列。

14、进一步的，平面规则表示为

15、

16、筛选规则表示为

17、

18、其中，为脉冲，为脉冲数，为组织病理学图像的脉冲序列，为一个空子集，为第二超顶点神经元，为切片的脉冲序列，是的一个子集，其内部元素是大小小于1024×1024的切片的脉冲序列，是的一个子集，其内部元素是背景颜色大于50%的切片脉冲序列。

19、进一步的，第二超上神经元通过k-means算法将有效切片聚类为k个簇并将k个簇分别迁移至第二超上神经元中的k个超顶点神经元；

20、将k个簇分别输入第二超上神经元中的k个超边神经元中的分类模型，获取预测精度；

21、通过平面规则和层次规则，根据阈值和预测精度对簇进行筛选，获取与生存相关的簇。

22、进一步的，采用交叉熵损失函数对分类模型进行约束，交叉熵损失损失函数表示为

23、

24、其中，指的是第i个有效切片，m为数据样本数，是的真实类标签概率，是的预测类概率。

25、进一步的，所述第三超上神经元基于与生存相关的簇，通过总体生存时间预测模型，获取总体生存时间预测结果包括：

26、将与生存相关的簇分别输入第三超上神经元中的第四超边神经元和第五超边神经元；

27、在第五超边神经元中，通过基因型分类网络，提取基因型特征，获取基因型分类结果；

28、在第四超边神经元中，通过总体生存时间预测网络，提取图像特征，根据图像特征获取总体生存时间预测结果；总体生存时间预测网络和基因型分类网络并行进行总体生存时间预测和基因型分类。

29、进一步的，所述第三超上神经元基于与生存相关的簇，通过总体生存时间预测模型进行总体生存时间预测，获取总体生存时间预测结果还包括：

30、通过跨膜规则，将基因型分类结果发送至第四超边神经元，其中，基因型分类结果为基因型特征的脉冲和脉冲序列；

31、在第四超边神经元中，通过总体生存时间预测网络，根据图像特征和基因型特征，获取总体生存时间预测结果。

32、进一步的，采用均方根误差损失函数对总体生存时间预测网络进行约束，均方根误差损失函数表示为

33、

34、其中，指的是第i个有效切片，m是数据样本的数量，和是数据的真实值和预测值。

35、进一步的，所述第三超上神经元基于与生存相关的簇，通过总体生存时间预测模型进行总体生存时间预测，获取总体生存时间预测结果还包括：

36、通过输入/输出神经元输出总体生存时间预测结果和基因型分类结果。

37、第二方面，本技术提供了一种电子设备；

38、一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如下步骤：

39、获取组织病理学图像；

40、将组织病理学图像输入基于超图的脉冲神经膜系统，获取总体生存时间预测结果；其中，基于超图的脉冲神经膜系统包括第一超上神经元、第二超上神经元和第三超上神经元，第一超上神经元用于对组织病理学图像进行预处理，第二超上神经元用于根据预处理后的组织病理学图像选择与生存相关的簇，第三超上神经元用于根据与生存相关的簇进行总体生存时间预测；第一超上神经元、第二超上神经元和第三超上神经元内部均设置有超边神经元，第一超上神经元、第二超上神经元和第三超上神经元外部均设置有输入/输出神经元。

41、第三方面，本技术提供了一种计算机可读存储介质；

42、一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成如下步骤：

43、获取组织病理学图像；

44、将组织病理学图像输入基于超图的脉冲神经膜系统，获取总体生存时间预测结果；其中，基于超图的脉冲神经膜系统包括第一超上神经元、第二超上神经元和第三超上神经元，第一超上神经元用于对组织病理学图像进行预处理，第二超上神经元用于根据预处理后的组织病理学图像选择与生存相关的簇，第三超上神经元用于根据与生存相关的簇进行总体生存时间预测；第一超上神经元、第二超上神经元和第三超上神经元内部均设置有超边神经元，第一超上神经元、第二超上神经元和第三超上神经元外部均设置有输入/输出神经元。

45、与现有技术相比，本技术的有益效果是：

46、1、本发明提出了一种基于超图的脉冲神经膜系统，该系统将超图理论引入到脉冲神经膜系统中，使神经元能够在平面、层次和跨膜结构上表达高阶关系；基于脉冲神经膜系统的最大并行性和强鲁棒性，可以在集成学习框架中并行执行多个具有不同初始配置的总体生存时间预测模型，以提高总体生存时间预测精度，并降低时间复杂性；基于超图的脉冲神经膜系统将超图理论引入到脉冲神经膜系统中，使神经元能够在平面、层次和跨膜结构上表达高阶关系，解决了经典脉冲神经膜系统存在的问题。

47、2、本发明提出了三类神经元来描述神经元之间的高阶关系，还设计了神经元之间的三种规则，以将模型扩展到平面、层次和跨膜计算，从而提高基于超图的脉冲神经膜系统解决实际问题的学习能力。

48、3、本发明通过基于超图的脉冲神经膜系统，开发了从组织病理图像中预测胶质母细胞瘤（gbm）患者总体生存时间的模型，基于超图的脉冲神经膜系统在集成学习框架中并行地执行多个具有不同初始化设置的总体生存时间预测模型，以提高总体生存时间预测的精度并降低时间复杂性。

49、4、本发明对组织病理学图像进行处理，组织病理学图像揭示了疾病进展和相关的分子过程，并包含了关于肿瘤形态学表型的丰富信息；使用组织病理学图像预测总体生存时间可以学习到丰富的与总体生存时间相关的表型特征，从而可以有效的预测胶质瘤患者的总体生存时间，提高总体生存时间预测的准确性。