一种量化肿瘤微环境的胶质方向特征的方法与流程

本发明属于医药技术领域，具体涉及一种量化肿瘤微环境的胶质方向特征的方法。

背景技术：

口腔鳞状细胞癌症是头颈部癌中患病率较高的癌症，发病率约占全身恶性肿瘤发病率的5％。虽然其患病病人总数相比其它癌症来说不高，但是患病病人的增长率却是其它癌症数倍之多，是不容忽视一种恶性肿瘤。在亚洲地区，口腔鳞状细胞癌的病患多集中在东南亚地区以及我国东南部沿海城市，这类癌症具有进展快、浸润广、预后差的特点。目前仍然缺乏一种有效的、经济的预后方法或模型去帮助医生对病人病情进行分级，提高预后。

当前针对口腔癌症预测病患预后的方法仍然是通过结合肿瘤分期、淋巴结分期、组织病理学分期及其它参数等传统的方法。许多研究人员尝试利用基因组学及蛋白组学数据构建预测模型，但是目前尚未有准确的基于分子水平测试的复发风险预测模型。在同为确诊为癌症的前提下，如果能够成功的区分复发高风险及低风险的口腔癌症病患，将有利于后续的治疗疗程安排，针对低风险病患，减轻治疗剂量，减轻病患痛苦及经济压力，针对高风险病患，使用增强治疗方案，避免病患复发，达到“精准医学”的目的。

随着近期的高速高分辨率全幅玻璃组织切片扫描成像技术的发展，病理学专家可以利用计算机对全幅高分辨率组织病理学切片进行癌症的检测及诊断。相对于传统的通过光学显微镜进行组织病理学切片检测，数字组织病理学切片检测能够极大的减轻肿瘤病理学专家的工作量。但是，人工组织病理学切片检测及分析仍然存在工作量大、检测周期长、受主观因素影响较大、缺少有效的定量分析技术等缺点。应用数字组织病理学切片进行自动定量分析，比传统的人工分析更加客观全面，获得的信息量更多。

更为重要的是，在组织病理学分析中，由于人工检测的主观性，肿瘤病理学专家很难仅仅利用肉眼观察去捕获与病患预后高度相关联的组织形态学特征，这些临床预后包括：病人是否对治疗疗程有良性反应，病人在进行手术后是否会在一定时间内复发等。目前为止，在大多数癌症中，病理学专家往往会结合肿瘤分期或淋巴结分期等其他常用的关键医学变量信息来进行大概的预测，准确的预后预测模型目前仍然是研究的难点及热点。如果能够找到有预后意义的组织病理学特征，将能有效的对癌症的进行治疗安排，将能有的放矢的指导治疗药物及治疗强度，为临床判断病患的预后和对相应肿瘤靶向治疗提供重要的依据。据此，以传统组织病理学诊断规则及病理学专家的需求为依据，以口腔鳞状细胞癌为研究对象，从高分辨率的数字组织病理学图像中去对肿瘤微环境的形态进行特征建模、特征提取及筛选，进而能够为组织病理学诊断、后续病情预测提供客观、定量依据和新思路，能够为构建计算机辅助组织病理学预后预测系统提供理论基础。这对推动数字组织病理学以及对进一步理解肿瘤的组织病理变化过程具有重要的意义。

大部分的癌症是由原属于上皮组织区域的细胞病变而造成的(如口腔癌症、皮肤癌及口咽癌症)，因此这些病变细胞的形态学特征是肿瘤病理专家在病理学检测中的重要观测目标。由于癌症病变细胞，大多数来自于上皮组织区域，因此在传统的数字病理学图像分析中，往往仅对位于上皮组织区域的癌症细胞形态进行分析。而最新的一系列文献表明，支持肿瘤区域发展的肿瘤微环境或基质区域的组织形态对癌症的预后也有较为重要的作用。肿瘤微环境具体是指支持肿瘤生长的肿瘤周边的血管、免疫细胞、纤维母细胞、淋巴细胞及细胞间质等(在不影响理解的情况下，为了表达简练，下文中将会用基质区域来代表肿瘤微环境)。在组织病理学中，基质区域中细胞形态特征与上皮组织区域的细胞形态特征联系非常紧密。在良性肿瘤中，基质与上皮组织的区分往往非常分明，或称高分化，如图1(a)，相反，在恶性肿瘤中，基质与上皮组织往往非常难区分，或称低分化，如图1(b)。因此，基质区域内的淋巴细胞的形态分布及基质本身的形态学特征也往往与诊断结果及病患预后有显著的相关联性。同时，最新的研究表明，在乳腺癌病患及口腔鳞状上皮细胞癌症中，基质区域中的胶质纤维的形态结构(如颜色、排列方向等)与病患的预后有高度相关性。

然而，在现有的文献中，针对于口腔癌症的数字组织病理学图像中进行胶质纤维形态学定量特征分析的工作仍为空白。因此，本文利用h&e染色的口腔癌症数字组织病理学图像，在提取与肿瘤区域相同的组织形态特征的同时，研究及构建肿瘤基质区域中胶质纤维的形态组学新特征。

技术实现要素：

为了解决现有技术中存在的上述问题，本发明提供了一种量化肿瘤微环境的胶质方向特征的方法。本发明要解决的技术问题通过以下技术方案实现：

一种量化肿瘤微环境的胶质方向特征的方法，包括如下步骤：

步骤一：利用组织病理学图像与肿瘤区域的二值图像进行肿瘤区域和基质区域的分割操作，得到组织病理学图像的基质区域；

步骤二：应用基于分水岭的细胞核分割方法，从组织病理学图像中自动分割出每个细胞核区域；

步骤三：剔除基质区域中的细胞核区域；

步骤四：计算胶质纤维的方向信息；

步骤五：利用二维网格将数字全幅组织学切片图像划分成不重叠的图像块；

步骤六：在每个图像块内，利用胶质纤维的方向信息计算胶质纤维方向异质性特征，方向特异性特征利用信息熵来计算；

步骤七：利用每个图像块内的方向异质性特征构建概率密度函数，利用统计学度量去表征当前概率密度函数，将这些度量作为刻画肿瘤微环境中胶质纤维的特征。

进一步地，上述步骤二中分水岭主要依据拓扑理论进行分割，把图像中任意一点(x,y)的像素灰度值f(x,y)映射为地形图中的海拔高度，根据像素灰度值的不同大小会形成山峰和山谷，然后找出图像中的极小值点，从极小值点开始将地形图浸入水中，随着水慢慢增多，积水盆地慢慢向外扩张，在两个积水盆地汇合处构建水坝，形成分水岭。

进一步地，上述步骤四中计算胶质纤维的方向信息的具体方法是：在基质区域进行高斯滤波操作，得到滤波器响应的图像，在图像中根据局部极值分布分为多个梯度强度不同的区域，将代表高梯度强度的区域保留下来，该区域代表肿瘤基质中的胶质纤维，用于计算胶质纤维的方向信息。

与现有技术相比，本发明的有益效果：

本发明提出了一种量化肿瘤微环境的胶质方向特征的方法，该方法首次提出对组织病理学图像的基质区域中胶质纤维形态学特征进行量化。相对于传统通过光学显微镜进行组织病理学切片检测，数字组织病理学切片检测能够极大的减轻肿瘤病理学专家的工作量。且能够克服人工组织病理学切片检测及分析中存在的工作量大、检测周期长、受主观因素影响较大、缺少有效的定量分析技术等缺点。对基质区域的胶质纤维形态学特征的量化有助于帮助我们获取与病患预后相关的有效的新特征，将有利于病患后续的治疗疗程安排，针对低风险病患，减轻治疗剂量，减轻病患痛苦及经济压力，针对高风险病患，使用增强治疗方案，避免病患复发，达到“精准医学”的目的。

附图说明

图1(a)是本实施例原始的h&e染色图像基质区域。

图1(b)是本实施例基本图像特征图。

图1(c)是本实施例基本图像特征图的二值化结果。

图1(d)是本实施例基于(c)的方向信息计算。

图2是本实施例按照二维网格划分的图像及方向特异性特征图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

一种量化肿瘤微环境的胶质方向特征的方法，包括如下步骤：

步骤一：利用组织病理学图像与肿瘤区域的二值图像进行肿瘤区域和基质区域的分割操作，得到组织病理学图像的基质区域。

步骤二：应用基于分水岭的细胞核分割方法，从组织病理学图像中自动分割出每个细胞核区域。分水岭主要依据拓扑理论进行分割，把图像中任意一点(x,y)的像素灰度值f(x,y)映射为地形图中的海拔高度，根据像素灰度值的不同大小会形成山峰和山谷，然后找出图像中的极小值点，从极小值点开始将地形图浸入水中，随着水慢慢增多，积水盆地慢慢向外扩张，在两个积水盆地汇合处构建水坝，形成分水岭。

步骤三：剔除基质区域中的细胞核区域，因为在提取基质胶质纤维的过程中，基质中的细胞核会对胶质纤维的方向特征造成影响。

步骤四：计算胶质纤维的方向信息。在基质区域进行高斯滤波操作，得到滤波器响应的图像，在图像中根据局部极值分布分为多个梯度强度不同的区域，将代表高梯度强度的区域保留下来，该区域代表肿瘤基质中的胶质纤维，用于计算胶质纤维的方向信息。计算每个区域的质心作为该区域的中心(x,y)，x表示中心水平坐标，y表示中心垂直坐标；接着计算与区域具有相同标准二阶中心矩的椭圆的长轴与水平方向的夹角，该夹角作为胶质纤维的方向特征。

图1(a)是本实施例原始的h&e染色图像基质区域。本实施例在图像中根据局部极值分布将区域分为平坦型、斜坡型、暗点型、明点型、暗线型、明线型、鞍型等，参照图1(b)所示，亮白色区域代表梯度强度高的区域。接着将代表高梯度强度的明线型区域保留下来，这些区域将代表肿瘤基质中的胶质纤维。计算胶质纤维的方向信息参照图1(c)、(d)所示。

步骤五：利用二维网格将数字全幅组织学切片图像划分成不重叠的图像块。

步骤六：在每个图像块内，计算图像块内包含的所有胶质纤维的信息熵，信息熵的计算公式如下：

其中，p(xi)代表随机事件xi的概率。

该信息熵值度量了图像块内胶质纤维的混乱程度，即为图像块内胶质纤维的方向异质性特征。若图像块内方向趋向一致，则信息熵值较小，异质性低；若图像块内方向混乱，则信息熵值较大，异质性高。图2是按照二维网格划分的图像及方向特异性特征图，过表达(特征值高，方向特异性高)的图像块区域放大图，欠表达(特征值低，方向特异性低)的图像块区域放大图。图2显示了具体的方向异质性特征的例子，其中每个图像块内的方向向量使用不用量化级别的颜色来表示。

步骤七：对每个图像块内的若干方向异质性特征，计算其均值(mean)、中位数(median)、标准差(standarddeviation)、偏态系数(skewness)、峰态系数(kurtosis)、极差(range)、累加密度(integrated_density),再加上上述过程中计算得到的信息熵(entropy)，这些数据(8个)用来表征该图像块。每个组织病理学图像包含许多图像块(设为n)，每个图像块的数据按照上述特征堆叠在一起就表示了这个图像(表征图像的向量大小为n*8)，为了更加科学地描述该图像，对上述8个特征分别计算其概率密度函数，再利用统计学度量(均值、中位数、标准差等)对该概率密度分布进行描述，最后将这些度量作为刻画肿瘤微环境中胶质纤维的特征。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。