定量CT影像特征评定的肿瘤异质性预示非小细胞肺癌生存研究

Lung cancer is the leading cause of cancer deaths in the world. Genetic heterogeneity in tumors leads to cancer continues to take nearly the same toll as it did. We hypothesize radiomics can quantify and inform the extent of genetic heterogeneity in tumors, which can provide the basis for aided non-small cell lung cancer (NSCLC) diagnosis and treatment. However, because of the weak boundary between a lung cancer and its neighboring tissues, more valuable features extracted from CT images and clinical information, it is a challenging task to construct lung cancer prediction models. Therefore, to achieve the goal that tumor heterogeneity measured by qualitative CT image features predicts NSCLC patient overall survival time, the program presents new segmentation algorithms and explores the relativity between features and patient overall survival time to set up NSCLC clinical predict models, which can give the basis for computer aided clinical diagnosis and treatment. The research contents include the following: 1) We present automatic segmentation methods based on new region growing, multi-scale constraints and novel graph cut. 2) Machine learning approaches such as support vector machine are applied to implement data mining on image features for the achievement of informative, high reproducible and independent image features. 3) We use machine learning methods such as artificial neural nets and biological information statistical approaches such as Cox hazard proportional model to analyze image features and clinical data, explore the relation between image features and patient outcomes, and construct NSCLC predict model. The research results based on the program can provide a good clinical application prospect in the personalized medicine.

肺癌在癌症死亡原因中排第一。肿瘤基因异质性是癌症治愈率低下的主要原因。假设影像组学可以量化和预示肿瘤基因异质性程度，为辅助非小细胞肺癌诊治提供可靠依据。但肺癌与周边组织的边界很弱，且从影像中提取更多有价值的特征，结合临床信息构建肺癌预测模型仍是挑战性的难题。为此，本项目以构建用定量CT影像特征评定的肿瘤异质性预测非小细胞肺癌病人总体生存等为目标，研究肺癌分割算法，分析影像特征并探索其与病人总体生存期等间的关系以建立强大经济的肺癌预测模型，为计算机辅助临床诊治提供依据。其研究内容包括：1)提出基于新的图割、新的区域增长和多尺度约束的自动分割算法。2)应用支持向量机等机器学习方法对肺癌影像特征进行数据挖掘以获取特征标签。3)通过人工神经网络等机器学习方法与Cox比例风险模型等生物信息统计方法探索影像特征和临床数据等以构建癌症预测模型。基于本项目的研究成果在个性化医疗中具有很好的临床应用前景。

肺癌在癌症死亡原因中排第一。肿瘤内的基因异质性是癌症治愈率低下的主要原因。假设影像组学可以量化和预示肿瘤的基因异质性的程度，为辅助医生对非小细胞肺癌的诊治提供可靠的依据。但因肺癌与周边组织的边界很弱，且从影像中提取更多有价值的特征，结合临床信息构建肺癌预测模型仍是一个挑战性的难题。为此，本项目以构建用定量CT影像特征评定的肿瘤异质性预测非小细胞肺癌病人总体生存等为目标，研究肺癌分割算法，分析影像特征并探索其与病人总体生存期等间的关系以建立肺癌临床预测模型，为计算机辅助临床诊治提供依据。其研究内容包括：1）提出基于新的图割、新的区域增长和多尺度约束的自动分割算法。主要包括：介绍原始的滑降算法、提出改善的滑降算法选取种子点、通过区域增长与多尺度约束提取肺结节和结节改进。每个肺结节的平均分割时间大约8秒。2）用计算机从每个肺结节图像中提取出800左右的影像特征。并应用支持向量机等机器学习方法探索对肺癌影像特征进行数据挖掘以获取信息丰富的、高重复性的及独立的影像特征。3）用人工神经网络等机器学习方法和Cox比例风险模型等生物统计方法构建影像特征与病人结果之间的相关性以构建非小细胞肺癌临床预测模型。具体为分析非小细胞肺癌CT影像特征、临床特征和患者结果之间的相关性，以建立非小细胞肺癌病人癌症预测模型，提高癌症诊治预测准确度，辅助临床医生在个性化医疗中对肺癌的诊断与治疗。本研究的图像分割算法应用了图像的前景信息和背景信息，具有很强的鲁棒性，能够获得更精准的图像，经修改后应用到了肺部/肺结节等人体器官的分割。本研究可以从肿瘤中提取 800 左右的特征，并构建信息丰富的、可重复的和独立的肺结节CT 图像特征。根据图像特征和临床数据等，最终构建预测模型以辅助预测肺结节的良恶性等。本研究具有较好的潜在的辅助的临床应用前景。