采用图像纹理特征的集成表型的制作方法
【技术领域】
[0001] 本发明涉及基因分析技术、医学技术及其应用，例如包括肿瘤学技术、兽医技术等 的医学技术。
【背景技术】
[0002] 对各种人类组织的基因组分析已得到在生物分子水平上对细胞通路和各种病理 学条件的较好的理解。与正常组织的样本相比较，对不同癌组织的分析已允许对肿瘤发生 过程的增强的理解，并帮助改善对各种恶性肿瘤的分级和细分类。众多研宄也已显示，可以 包括一个、几个、几十个或几百个基因的基因表达标记可以显著地改善诊断分类、对癌症中 的治疗反应的预言和预测。
[0003] 在临床环境中，基因组分析可以被用于表征病变。然而，这么做必须通过有创活检 从病变采集组织。该流程不适用于一些时常处于虚弱的身体状况的癌症患者，这是因为这 引入了身体和心理压力，并且引入了在活检位置感染的可能。
[0004] 与基因组研宄相反，成像研宄是常规临床护理的部分。使用诸如磁共振（MR)、计算 机断层摄影（CT)等技术的医学成像一般是无创的（虽然可能施予静脉内造影剂）并且在 医学从业者和患者两者中都已经获得了广泛的接受。成像可以提供重要的解剖学和形态学 信息。在诸如正电子发射断层摄（PET)的模态中，也可以获得功能信息。
[0005] 集成表型是指其中使放射学数据（即医学图像）与基因组数据（例如基因 测序数据、微矩阵数据等）相关的技术。见例如Gevaert等的"Non-smallcelllung cancer:identifyingprognosticimagingbiomarkersbyleveragingpublicgene expressionmicroarraydata-methodsandpreliminaryresults''，Radiology，264 (2) 卷，387-96 页（2012 年 8 月）；Rutman等的 "Radiogenomics:creatingalinkbetween moleculardiagnosticsanddiagnosticimaging''，EurJRadiol.，70 (2)卷，232-41 页 (2009);Segal等的"Decodingglobalgeneexpressionprogramsinlivercancerby noninvasiveimaging"，NatBiotechnol.，25(6)卷，675-80 页（2007 年）。在集成表型技 术中，特定的肿瘤成像表型用作针对基因表达标记的代理，报告对肿瘤亚型和分子生物学 的无创且准确的诊断。
[0006] 以下预期克服上述限制及其他限制的经改进的装置和方法。
【发明内容】
[0007] 根据一个方面，一种存储能由电子数据处理设备运行以执行方法的指令的非瞬态 存储介质，所述方法包括：根据对象中的感兴趣的解剖特征的图像，针对图像纹理特征的集 合来计算图像纹理特征值；并且基于针对所述图像纹理特征的集合计算的所述图像纹理特 征值关于感兴趣的分子特征来对所述对象进行分类。对所述图像纹理特征值的所述计算 包括：计算所述对象中的所述感兴趣的解剖特征的所述图像的一个或多个灰度共生矩阵 (GLCM);并且基于所述一个或多个GLCM来计算所述图像纹理特征值。所述图像纹理特征的 集合可以包括Haralick图像纹理特征和/或Tamura图像纹理特征，或者Gabor特征或小 波子带特征。所述方法还可以包括：根据参考群体的参考对象中的所述感兴趣的解剖特征 的图像，至少针对所述图像纹理特征的集合来计算参考图像纹理特征值；基于所述参考对 象的所述感兴趣的分子特征的已知值来将所述参考图像纹理特征值划分成表示所述感兴 趣的分子特征的不同值的不同群组；并且基于所述参考图像纹理特征值来训练在所述分类 中使用的分类器，以在所述不同群组之间进行区分。
[0008] 根据另一个方面，一种装置包括如以上段落所述的非瞬态存储介质，以及被配置 为运行被存储在所述非瞬态存储介质上的指令的电子数据处理设备。
[0009] 根据另一个方面，一种（适合地由电子数据处理设备执行的）方法，包括：根据参 考群体的参考对象中的感兴趣的解剖特征的图像针对多个图像纹理特征来计算参考图像 纹理特征值；基于所述参考对象的感兴趣的分子特征的已知值来将所述参考图像纹理特征 值划分成表示所述感兴趣的分子特征的不同值的不同群组；并且基于所述参考图像纹理特 征值来训练分类器以在所述不同群组之间进行区分。对参考图像纹理特征值的计算可以包 括计算每幅图像的一个或多个灰度共生矩阵（GLCM)，以及基于所述一个或多个GLCM来计 算所述参考图像纹理特征值。所述多个图像纹理特征可以包括Haralick图像纹理特征和 Tamura图像纹理特征中的至少一个。所述训练可以包括：针对所述多个图像纹理特征中的 每个图像纹理特征来执行单变量分析，以量化每个图像纹理特征的统计显著性，用于在所 述不同群组之间进行区分；选择所述多个图像纹理特征中具有最高统计显著性的图像纹理 特征的显著子集；以及仅使用所述图像纹理特征的显著子集来训练所述分类器。所述方法 还可以包括：根据测试对象中的所述感兴趣的解剖特征的图像针对所述多个图像纹理特征 中的至少一些来计算图像纹理特征值；并且使用所训练的分类器关于所述感兴趣的分子特 征对所述测试对象进行分类。
[0010] 在前述的方面中，所述感兴趣的解剖特征可以是病变，例如乳腺病变，并且所述感 兴趣的分子特征可以是激素受体标记物，例如雌激素受体（ER)标记物或孕激素受体（PR) 标记物。在前述的方面中，所述图像可以是磁共振（MR)图像。在前述的方面中，所述对象 可以是人类对象，例如患者，或者兽医对象（例如狗或猫）。
[0011] 一个优势在于基于纹理特征的组合无创地识别组织中的分子特征。
[0012] 另一优势在于提供了用于基于成像数据来形成分类器，以关于分子特征对组织进 行分类的通用方法。
[0013] 本领域技术人员在阅读了下面的具体说明后，将意识到众多额外的优势和益处。
【附图说明】
[0014] 本发明可以采取各种部件和各部件的布置以及各种步骤和各步骤的安排的形式。 附图仅出于图示优选实施例的目的，并且不得被解释为对本发明的限制。
[0015] 图1以图表方式示出了用于基于成像数据来形成分类器以关于分子特征对组织 进行分类的系统。
[0016] 图2以图表方式示出了用于基于纹理特征的组合来识别组织中的分子特征的系 统。
【具体实施方式】
[0017] 本文中公开的是采用纹理特征的集成表型技术，所述纹理特征是例如根据从病变 的图像或者病变的图像的部分生成的灰度共生矩阵（GLCM)来计算出的。纹理特征是一种 (通常在面积或体积上平均的）强度属性，并且因此独立于（除了统计学变化）图像中病 变的大小或形状。可以快速计算大量不同的纹理特征。医学图像的纹理表示在大于图像分 辨率（像素或体素大小）的大小尺度上的空间变化，在通过磁共振（MR)、计算机断层摄影 (CT)或其他常规医学成像技术采集的医学图像中典型地为毫米量级。因此，图像纹理的空 间尺度在比基因、蛋白或其他感兴趣的分子特征的大小更大的数量级。
[0018] 然而，出人意料地，发明人已经发现，一些图像纹理特征呈现在统计学上与分子特 征的显著相关性。此外，发明人已经发现，图像纹理特征与给定分子特征之间的统计相关 性的强度在不同的图像纹理特征间变化很大。在由发明人实施的实验中，如通过统计显著 性（使用Wilcoxon秩和检验计算的P值）测量的分子特征-图像纹理特征相关性变化大 于Haralick纹理特征集合中的各特征间的数量级。不限于任何特定的工作原理，据信该纹 理-分子特征相关性是分子特征对病变组织的小尺度空间结构（局部环境）的影响的结 果。由于该小尺度空间结构可以具有取决于特定分子特征的各种特性（例如，对称性、各向 异性、周期性、模式、大小尺度等），因此分子特征与各图像纹理特征之间的相关性强度发生 变化。
[0019] 从以上看来，本文中公开了开发并在医学诊断中采用分类器，用于基于区别性图 像纹理特征的集合的值来关于分子特征对病变进行分类。
[0020] 参考图1，描述了用于开发这样的分类器的说明性系统。使用磁共振（MR)扫描 器12 (图示的是飞利浦Achieva1.5TMR扫描器，可从荷兰艾恩德霍芬的皇家飞利浦电子 有限公司获得，但其他MR扫描器也是适合的）对参考对象的群体10中的参考对象进行成 像。群体10的参考对象已经历了合适的诊断测试，以确定每个参考对象具有分子特征还是 不具有分子特征。（更一般地，感兴趣的分子特征的值对于群体10的每个参考对象