一种基于图像的特征提取和预后模型建立方法及装置

1.本技术属于电子信息领域，尤其涉及一种基于图像的特征提取和预后模型建立方法及装置。

背景技术：

2.脑胶质瘤是指起源于脑神经胶质细胞的肿瘤，是最常见的原发性颅内肿瘤，世界卫生组织(who)中枢神经系统肿瘤分类将脑胶质瘤分为
ⅰ‑ⅳ
级，ⅰ、ⅱ级为低级别脑胶质瘤，ⅲ、ⅳ级为高级别脑胶质瘤。我国脑胶质瘤年发病率为5-8/10万，5年病死率在全身肿瘤中仅次于胰腺癌和肺癌。脑胶质瘤确诊需要通过肿瘤切除或活检获取标本，进行组织和分子病理学检查，确定病理分级和分子亚型。脑胶质瘤以手术切除为主，结合放疗、化疗等综合方法，缓解临床症状，延长生存期。传统病理诊断主要依据肿瘤实质(即肿瘤细胞)的特征判定肿瘤类型和分级。目前胶质瘤的个体化及临床预后评估主要根据肿瘤的组织学分类与分子分型进行分组，主要的分子病理标记物包括：异柠檬酸脱氢酶(idh)突变、染体1p/19q联合缺失状态(co-deletion)、端粒酶逆转录酶(tert)启动子突变等。然而，同一个组织学类型和分子分型的肿瘤对的反应性有差异，预后并不均一，尚缺乏指导个体化方案的指标。
3.丰富的新生血管是恶性肿瘤重要的形态学特征和肿瘤演进的基础。在肿瘤微环境中的微血管受到多种分子信号通路的调控，表现出肿瘤的不同区域、不同时间和不同空间血管构筑表型表达的差异，即血管构筑表型的异质性。肿瘤微血管在肿瘤分级、预后判断及策略选择中的意义已得到公认，脑血管因存在血脑屏障的特殊结构，对化疗药物的渗透进而对效果有显著影响。国内外多个团队已在探寻定量反应肿瘤微血管特征的参数及标准化实施方法。例如，美国mayo clinic对24例复发性高级别脑胶质瘤患者的肿瘤微血管进行定量评价，通过cd31免疫组化染标记血管，获得微血管面积(mva)和微血管密度(mvd)值，发现mva值与患者预后相关，而mvd值与患者预后无关。humanitas临床研究所将分形几何学应用于脑肿瘤微血管定量，发现分形维数(fractional dimension,fd)在反应血管特征方面优于传统指标mvd。上述研究方法为肿瘤微血管定量分析提供了方法学基础。目前的微血管定量分析血管的状态简化为计数或者分形维数等单一参数，丢失了大量的形态和分布特征，且计数微小目标和人工选择血管热点区费时费力，增加了费用与工作负担。有研究使用深度学习技术分割肿瘤微血管，但分割效能较低，无法达到实用水平，且忽视了肿瘤微血管的构筑特征，对微血管的描述停留在计数层面，难以辅助临床对患者对反应性和预后的判断。

技术实现要素：

4.为解决上述技术问题，本发明提供一种基于图像的特征提取和预后模型建立方法及装置，其采用的技术方案为：
5.一种基于图像的特征提取和预后模型建立方法，包括如下步骤：
6.步骤1、收集肿瘤患者的诊断性病理组织切片h&e染图像、临床信息、预后信息和分子分型信息；将所述诊断性病理组织切片h&e染图像作为待分割图像；
7.步骤2、获取待分割图像上多个形态学分型的微血管的位置信息；
8.步骤3、获取待分割图像上微血管内细胞核的位置信息；
9.步骤4、提取分割后的微血管相关的组学特征数据，即对微血管与微血管内的细胞核分别进行分析，包括空间分布、形态、彩和纹理特征；
10.步骤5、组合肿瘤患者的多个诊断性的h&e染的组织切片图像上的微血管组学特征数据作为患者维度的微血管特征数据，构建患者维度特征集；
11.步骤6、整合微血管组学特征数据与患者临床和分子分型信息，输入罚分cox比例风险模型，通过交叉验证和网格化搜索方法，计算有效预测患者的预后风险组合的特征子集和每个特征对应的风险系数，构建患者预后风险的预测模型。
12.进一步地，所述步骤1中，所述待分割图像是全景图像、经过预处理的病理图像或是原始病理图像的一部分。
13.进一步地，所述步骤2中，应用训练好的深度学习模型，提取待分割图像上4种不同形态学分型的微血管，得到与切片大小相对应的微血管的掩膜。
14.进一步地，所述步骤3中，将微血管所在的组织区域图像分解为h通道、e通道和残差通道；使用分水岭算法对h通道图像进行计算，提取出细胞核的轮廓。
15.进一步地，所述步骤4中，所述组学特征数据具体包括：微血管空间分布特征集、微血管形态学特征集、微血管局部分布模式特征、细胞核特征集。
16.进一步地，所述步骤5中，在患者有多个诊断性图像的情况下，根据提取出的组学特征数据选择该患者的代表性图像进行预后分析，选择方法包括选择具有统计学意义的区域最多的图像、某一分型微血管比例最高的图像、细胞核聚集指数最高的图像；患者维度特征数据的生成方法包括直方图算法和描述性参数计算方法。
17.进一步地，所述步骤6中，所述罚分cox比例风险模型为：
[0018][0019]
其中，argmax表示对函数取使该函数得到最大值的参数β，γ是l1和l2的权重比值，pl(β)是指cox模型的偏似然函数，β1，β2……
β
p
是p个特征的系数，α≥0是调整收缩率的超参数；
[0020]
通过整合患者的临床信息、分子分型信息和患者维度的微血管相关特征形成输入特征数据集，将该特征数据集输入到罚分cox比例风险模型，对每个输入特征进行标准化以允许每个特征的系数直接进行比较；使用网格化搜索方法确定α的范围和取值，设定罚分cox比例风险模型对每个α进行拟合的最大迭代次数为100次；进一步地，以平均一致性指数为评价指标，对每个α做五折交叉验证，以确定泛化性最好的α值及其对应的特征子集，计算每个特征对应的风险系数，系数非零的特征组合即患者预后风险的预测模型。
[0021]
本发明还提供一种实现基于图像的特征提取和预后模型建立方法的装置，包括：
[0022]
第一获取单元，用于获取诊断性病理组织切片h&e染图像中的第一区域即感兴趣物体的位置信息；所述感兴趣物体包括微血管；
[0023]
第二获取单元，用于获取诊断性病理组织切片h&e染图像中的第二区域即感兴趣物体内部细胞核的位置信息；
[0024]
计算单元，用于依据所述第一区域的位置信息、所述第二区域的位置信息和对应的所述h&e染图像的信息计算参数；所述参数包括；微血管空间分布特征集、微血管形态学特征集、微血管局部分布模式特征、细胞核特征集；
[0025]
确定单元，用于基于特征数值和预设的模型，确定肿瘤预后模型的所选择特征子集和对应的风险参数；所述特征数值至少包括所述基于图像的微血管组学特征与和所述患者关联的临床信息、分子分型信息；所述预设的模型为罚分cox比例风险模型。
[0026]
本发明还提供一种电子设备，包括处理器，以及用于存储所述处理器的可执行指令的存储器；所述处理器，用于执行所述可执行指令，以实现所述的一种基于图像的特征提取和预后模型建立方法。
[0027]
本发明还提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行所述的一种基于图像的特征提取和预后模型建立方法。
[0028]
有益效果：
[0029]
本发明的目的是提供一种客观的、可行的、重复性高的基于肿瘤微血管的特征提取和预后建立方法及装置。本发明对组织切片图像进行了从全局到局部的数据处理和分析，全面描述了感兴趣组织的空间分布模式、形态学表型和细胞核的纹理、彩特征，很大程度上拓展了对病理图像上感兴趣区域(roi)的量化研究方法。本发明提供了患者关键图像区域选择的自动化方案，通过机器学习算法遴选组合出对患者预后评估有益的特征集。根据评估系统对肿瘤患者进行风险分层，可以帮助制定出不同的管理策略和方案。
附图说明
[0030]
图1为本技术实施例提供的一种基于图像的特征提取和预后模型建立方法的示意图；
[0031]
图2为本技术实施例提供的实现一种基于图像的特征提取和预后模型建立方法的装置的结构示意图。
具体实施方式
[0032]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0033]
如图1所示，根据本发明的一个方面，本发明提供一种基于图像的特征提取和预后模型建立方法，具体包括如下步骤：
[0034]
步骤1、收集肿瘤患者的病理组织切片h&e染图像、临床信息、预后信息和分子分型信息；其中，待分割的图像为该患者的所有诊断性组织切片h&e染图像，待分割图像可以为脑部病理图像或者其他器官或组织病理图像，本发明实施例对此不做具体限定。本发明实施例也不限定待分割图像的具体形式，可以是全景图像(whole slide image)、经过预
处理的病理图像，或是原始病理图像的一部分。
[0035]
步骤2、获取待分割图像上多个形态学类型的微血管的位置信息；
[0036]
应用训练好的深度学习模型，提取待分割图像上4种不同形态学分型的微血管，得到与切片图像大小相对应的微血管的掩膜。
[0037]
步骤3、获取待分割图像上微血管内细胞核的位置信息，包括：将微血管所在的组织区域图像分解为h通道、e通道和残差通道；使用分水岭算法(watershed)对h通道图像进行计算，提取出细胞核的轮廓。
[0038]
其中，分水岭算法是一种自动图像区域分割法，是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。在分割的过程中，它会把跟临近像素间的相似性作为参考依据，将在空间位置上相近并且灰度值相近的像素点互相连接起来构成一个封闭的轮廓。该细胞核提取算法也可以使用阈值法或canny轮廓检测算法等。
[0039]
步骤4、提取分割后的微血管相关的组学特征数据，即对微血管与微血管内的细胞核(包括内皮细胞、周细胞、肿瘤细胞)分别进行分析，包括空间分布、形态、彩和纹理等特征；所述组学特征数据具体包括：
[0040]
(1)微血管空间分布特征集，包括微血管空间分布异质性与热点区(hotspot)、冷点区(coldspot)、钻石区(diamond spot)、夹心区(doughnut spot)的位置与大小、基于各个空间特殊区域的定量特征；包括：
[0041]
量化微血管分布的异质性：按照组织h&e染图像的坐标将图像按照330.25μm的长度划分为正方形切片，去除面积小于该正方形50％的切片，统计每个切片内的微血管面积；本发明使用全局moran'i参数(空间自相关)量化组织切片中微血管的空间分布模式，即聚集性、随机性或者扩散性分布，可以反映微血管分布的异质性。空间自相关的特征是空间中附近位置之间信号的相关性，信号即每个切片内的微血管面积，空间自相关是多维和多方向的，可以表示为：
[0042][0043]
其中，zi为信号i的值与其平均值的偏差，w
i,j
表示信号i与j之间的空间权重，n表示特征的总数，s0为所有空间权重的总和。moran'i参数为0表示信号是随机分布的，参数越接近1表示信号的聚集性越高，参数越接近-1表示信号越倾向于扩散性分布。
[0044]
识别血管分布特殊区域：使用局部moran’s i参数对血管面积进行分析，鉴别出组织切片上具有统计学意义的血管热点区、冷点区、钻石区和夹心区，即量化该区域的信号与周围区域信号的大小关系；其中，以信号的中位数为准，将信号值分为高值(h)和低值(l)，因此每个切片综合其相邻切片的信号可以被分类为hh、ll、hl和lh中的一种，热点区、冷点区、钻石区和夹心区的切片信号值在整个图像信号分布中具有显著性(p《0.01)，且综合相邻切片的信号分别属于hh、ll、hl和lh；这些特殊区域分别指示了微血管大量增殖的区域、微血管普遍坏死的区域、坏死区域附近的微血管局部增生区域和局部坏死区域，可以帮助对组织局部状态进行客观准确的描述，计算这些特殊区域的大小、数量、相邻性、微血管分型比例等定量参数构成微血管空间分布特征集。
[0045]
(2)微血管形态学特征集，包括：
[0046]
血管定量化参数：即对于肿瘤微血管增殖程度进行评价的定量参数。所述定量参数主要有：微血管密度mvd(microvessel density)，微血管面积mva(microvessel area)，微血管分形维数mvfd(microvessel fractal dimension)三种，分别表示在肿瘤组织中微血管的数量、所占面积和分型维度。
[0047]
其中，分形维数mvfd是根据方格计数(box-counting)算法进行计算，公式如下：其中，mvfd为分型维度，ε表示box边长，n(ε)表示覆盖一个血管所需要的连续且不重叠的最少box数量。为了实现在h&e染图像上计算mvfd的目标，本发明提供一种血管腔提取算法，将给定的图像由rgb转变为hsv彩空间，将红细胞的彩范围定义为(0，70，50)至(12，255，255)和(170，100，50)至(180，255，255)，提取出红细胞所在的区域并设置为白，进一步将图像转化为灰度图，通过otsu二值化算法提取出血管腔所在区域，并通过形态学后处理去除假阳性。进一步对微血管的血管腔掩膜进行轮廓提取，从而进行基于h&e染图像的mvfd计算。
[0048]
基于各个空间特殊区域，计算每一个区域的量化参数：局部微血管密度、局部微血管面积、局部微血管分形维数(local-mvd、local-mva、local-mvfd)。
[0049]
血管周长面积比(pa ratio，perimeter
2 to area ratio)定义为物体周长的平方与面积的比值，常用于量化二维物体的紧密程度(compactness)，本项目中用于表征血管形状的不规则性。
[0050]
血管腔形态学特征：通过应用上文的血管腔提取方法，提取微血管图像的红细胞区域和空白区域，可以对血管腔的形态学特征进行分析，特征集包括单个微血管中空腔个数、空腔与微血管面积比、空腔周长面积比，反映了血管聚集程度、血管腔形状规则程度等性质，构成血管腔形态学特征集。
[0051]
(3)微血管局部分布模式特征集：肿瘤微环境围绕微血管有多种组织方式，包括血管周生态位(perivascular niche)，乏氧生态位(hypoxic niche)和侵袭性生态位(invasive niche)，表现为微血管的形态学分型和分布在不同的局部区域内显著的差异性。本发明开发了基于组织图像切片的微血管分型模式聚类算法(tile-based mask clustering)，对组织图像进行切片，对每个切片进行分型统计，分为微血管密度低、多层性微血管大量增殖、薄壁微血管丰富、多类型微血管共存和薄壁微血管密度中等5个模式，以图像上不同模式的切片统计结果为肿瘤局部微环境特征。
[0052]
(4)细胞核特征集：主要包括：傅里叶形状描述特征(fourier shape descriptors)、全局细胞核图特征(global cell graph features)、强度特征(intensity features)、纹理特征(haralick texture features)，描述了细胞核的形状、纹理、彩、聚集程度的特征，反映了细胞增生程度、嗜碱性和核异型性的信息；细胞核聚集指数反映了微血管相关的细胞核的多层性与增殖程度；细胞核到血管边界最短距离反映了该血管的基底膜厚度，即是否有基底膜增厚的现象。
[0053]
细胞核聚集指数(clustering index)是基于ripley’s k函数的对点(points)空间分布特征的度量算法，在本发明中可以描述微血管的多层特征(multi-layered feature)，公式如下：
[0054][0055]
其中，ci(τ)表示τ搜索半径内的细胞核聚集指数，k表示血管内细胞核的数量，d
a,b
表示细胞核a、b之间的欧几里得距离，ωa表示与细胞核a距离d
a,b
小于等于τ搜索半径的的细胞核b的数量，该算法可以有效计算出距离每个血管细胞核一个特定距离如：50μm内的细胞核数目。
[0056]
细胞核到血管边界最短距离(distance to microvessel boundary)：用于计算血管内的每一个细胞核与血管边界的最短距离，可以表现微血管的基底膜厚度特征。
[0057]
步骤5、以一种方式组合多个切片上的(slide-level)组学特征数据作为患者层面(patient-level)的特征数据；包括：
[0058]
患者有多个诊断性图像的情况下，根据提取出的组学特征数据选择该患者的代表性图像进行预后分析，选择方法如具有统计学意义的区域最多的图像、某一分型微血管比例最高的图像、细胞核聚集指数最高的图像等。本发明不限定选择代表性图像的方法。
[0059]
患者维度特征数据的生成方法包括：(1)为对于选定的图像对应的特征数据使用直方图算法(histogram method)，为了构建直方图，第一步是将值的范围分段，即将特征的整个值的范围分成一系列间隔，然后计算每个间隔中有多少值，并计算间隔内频率；(2)计算每个特征的分布曲线与描述性参数，包括偏态、峰态、中位数、均值、标准差、25％百分位、75％百分位(skew、kurtosis、median、mean、standard deviation、25percentile、75percentile)。
[0060]
步骤6、输入罚分cox比例风险模型(penalized cox proportional hazard model)，通过交叉验证(cross-validation)和网格化搜索(grid search)方法，计算有效预测患者的预后风险组合的特征子集和每个特征对应的风险系数，构建患者预后风险的预测模型。
[0061]
cox比例风险模型常用于预后风险的预测，其参数可以被理解为风险比值(hr，hazard ratio)，从而帮助临床上判断患者的风险因子；然而在输入特征较多且特征间相关性较强时，特征矩阵的非奇异性导致cox比例风险模型无法计算。套索法(lasso)罚分可以有效筛选特征子集，但存在两方面的缺点：1.无法处理高维数据，无法选择数量超过训练样本数量的特征子集；2.对于相关性高的特征组，套索法将随机选择一个组中的特征而丢弃其他组内特征。在统计学中，特别是在拟合线性或逻辑回归模型时，弹性网络(elasticnet)是一种正则化回归方法，它将套索法和岭法的l1和l2范数线性组合起来，将套索法和岭法组成一个具有两种惩罚因素的单一模型：一个与l1范数成比例，另外一个与l2范数成比例。使用这种方式方法所得到的模型就像纯粹的套索回归一样稀疏，但同时具有与岭回归提供的一样的正则化能力，该方法要求解的函数为:
[0062][0063]
其中，argmax表示对函数取使该函数得到最大值的参数β，γ是l1和l2的权重比值，pl(β)是指cox模型的偏似然函数，β1，β2……
β
p
是p个特征的系数，α≥0是调整收缩率的
超参数。
[0064]
通过将患者的临床指标、分子分型和微血管相关特征输入到罚分cox比例风险模型，将每个特征进行标准化(scale standardization)，以允许特征的系数可以直接进行比较；使用网格化搜索方法确定α的范围和取值，设定模型对每个α进行拟合的最大迭代次数为100次；进一步地，以平均一致性指数(average concordance index)为评价指标，对每个α做五折交叉验证，以确定泛化性最好的α值及其对应的特征子集，计算每个特征对应的风险系数，系数非零的特征组合即患者预后风险的预测模型。
[0065]
如图2所示，实现本发明的一种基于图像的特征提取和预后模型建立方法的装置包括：
[0066]
第一获取单元100，用于获取图像中的第一区域即感兴趣物体的位置信息；所述感兴趣物体包括微血管；
[0067]
第二获取单元200，用于获取所述图像中的第二区域即感兴趣物体内部细胞核的位置信息；
[0068]
计算单元300，用于依据所述第一区域的位置信息、所述第二区域的位置信息和所述图像的信息计算参数。所述参数包括；物体空间分布模式，热点区域与冷点区域的量化参数，物体的形态学特征，细胞核的形状、纹理、彩、聚集程度的特征；
[0069]
确定单元400，用于基于特征数值和预设的模型，确定肿瘤预后模型的所选择特征组合和对应的风险参数；所述特征数值至少包括所述基于图像的微血管组学特征与和所述患者关联的临床信息、分子分型信息；所述预设的模型为罚分cox比例风险模型。
[0070]
本发明还包括一种电子设备，其包括处理器，以及用于存储所述处理器可执行指令的存储器；所述处理器，用于执行所述可执行指令，以实现本发明的特征提取和预后模型建立方法。
[0071]
本发明还包括一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行本发明的特征提取和预后模型建立方法。
[0072]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

技术特征：

1.一种基于图像的特征提取和预后模型建立方法，其特征在于，包括如下步骤：步骤1、收集肿瘤患者的诊断性病理组织切片h&e染图像、临床信息、预后信息和分子分型信息；将所述诊断性病理组织切片h&e染图像作为待分割图像；步骤2、获取待分割图像上多个形态学分型的微血管的位置信息；步骤3、获取待分割图像上微血管内细胞核的位置信息；步骤4、提取分割后的微血管相关的组学特征数据，即对微血管与微血管内的细胞核分别进行分析，包括空间分布、形态、彩和纹理特征；步骤5、组合肿瘤患者的多个诊断性的h&e染的组织切片图像上的微血管组学特征数据作为患者维度的微血管特征数据，构建患者维度特征集；步骤6、整合微血管组学特征数据与患者临床和分子分型信息，输入罚分cox比例风险模型，通过交叉验证和网格化搜索方法，计算有效预测患者的预后风险的特征子集和每个特征对应的风险系数，构建患者预后风险的预测模型。2.根据权利要求1所述的一种基于图像的特征提取和预后模型建立方法，其特征在于，所述步骤1中，所述待分割图像是全景图像、经过预处理的病理图像或是原始病理图像的一部分。3.根据权利要求1所述的一种基于图像的特征提取和预后模型建立方法，其特征在于，所述步骤2中，应用训练好的深度学习模型，提取待分割图像上4种不同形态学分型的微血管，得到与切片大小相对应的微血管的掩膜。4.根据权利要求2所述的一种基于图像的特征提取和预后模型建立方法，其特征在于，所述步骤3中，将微血管所在的组织区域图像分解为h通道、e通道和残差通道；使用分水岭算法对h通道图像进行计算，提取出细胞核的轮廓。5.根据权利要求3所述的一种基于图像的特征提取和预后模型建立方法，其特征在于，所述步骤4中，所述组学特征数据具体包括：微血管空间分布特征集、微血管形态学特征集、微血管局部分布模式特征、细胞核特征集。6.根据权利要求4所述的一种基于图像的特征提取和预后模型建立方法，其特征在于，所述步骤5中，在患者有多个诊断性图像的情况下，根据提取出的组学特征数据选择该患者的代表性图像进行预后分析，选择方法包括选择具有统计学意义的区域最多的图像、某一分型微血管比例最高的图像、细胞核聚集指数最高的图像；患者维度特征数据的生成方法包括直方图算法和描述性参数计算方法。7.根据权利要求5所述的一种基于图像的特征提取和预后模型建立方法，其特征在于，所述步骤5中，所述罚分cox比例风险模型为：其中，argmax表示对函数取使该函数得到最大值的参数β，γ是l1和l2的权重比值，pl(β)是指cox模型的偏似然函数，β1，β2……
β
p
是p个特征的系数，α≥0是调整收缩率的超参数；通过整合患者的临床信息、分子分型信息和患者维度的微血管相关特征形成输入特征数据集，将该特征数据集输入到罚分cox比例风险模型，对每个输入特征进行标准化以允许
每个特征的系数直接进行比较；使用网格化搜索方法确定α的范围和取值，设定罚分cox比例风险模型对每个α进行拟合的最大迭代次数为100次；进一步地，以平均一致性指数为评价指标，对每个α做五折交叉验证，以确定泛化性最好的α值及其对应的特征子集，计算每个特征对应的风险系数，系数非零的特征组合即患者预后风险的预测模型。8.一种实现权利要求1-7之一所述的一种基于图像的特征提取和预后模型建立方法的装置，其特征在于，包括：第一获取单元，用于获取诊断性病理组织切片h&e染图像中的第一区域即感兴趣物体的位置信息；所述感兴趣物体包括微血管；第二获取单元，用于获取诊断性病理组织切片h&e染图像中的第二区域即感兴趣物体内部细胞核的位置信息；计算单元，用于依据所述第一区域的位置信息、所述第二区域的位置信息和对应的所述h&e染图像的信息计算参数；所述参数包括；微血管空间分布特征集、微血管形态学特征集、微血管局部分布模式特征、细胞核特征集；确定单元，用于基于特征数值和预设的模型，确定肿瘤预后模型的所选择特征子集和对应的风险参数；所述特征数值至少包括所述基于图像的微血管组学特征与和所述患者关联的临床信息、分子分型信息；所述预设的模型为罚分cox比例风险模型。9.一种电子设备，其特征在于，包括处理器，以及用于存储所述处理器的可执行指令的存储器；所述处理器，用于执行所述可执行指令，以实现权利要求1-7之一所述的一种基于图像的特征提取和预后模型建立方法。10.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1-7之一所述的一种基于图像的特征提取和预后模型建立方法。

技术总结

本发明提供一种基于图像的特征提取和预后模型建立方法及装置，用于判断胶质瘤的预后情况。通过深度学习算法分割出病理切片H&E染数字图像上的微血管，通过分水岭算法分割出微血管内部的细胞核，以病理组学方法计算出微血管的特征。通过机器学习方法挑选与患者预后相关的特征，构建所述特征与肿瘤患者实际生存情况的关系模型。本发明提供了患者关键图像区域选择和特征提取的自动化方案，通过机器学习方法遴选组合出对患者预后评估有益的特征集。方法遴选组合出对患者预后评估有益的特征集。方法遴选组合出对患者预后评估有益的特征集。