根据美国中央脑肿瘤注册机构的研究，脑神经胶质瘤是中枢神经系统中最常见的恶性脑肿瘤。根据最新的世界卫生组织对脑肿瘤的分类，将公认的分子参数纳入弥漫性神经胶质瘤的诊断中。目前，弥漫性神经胶质瘤的诊断不仅基于组织学，而且还基于分子诊断。用于分子诊断，异柠檬酸脱氢酶突变状态，的1P和19Qcodeletion，和端粒酶的突变逆转录酶启动子与意义三个主要生物标记物。通过使用这三种生物标志物，神经胶质瘤可分为以下四种有助于准确预测预后的分子亚型：IDH-mut编码之所以是三重阳性，是因为少突胶质细胞瘤实际上对TERT启动子突变总是呈阳性。仅IDH-mut，仅TERT-mut和三重阴性。在这些亚组中，仅IDH-mut，IDH-mut编码和TERT-mut最常见，它们分别与组织学星形细胞瘤，少突胶质瘤和多形胶质母细胞瘤高度相关。
　　 微血管化对神经胶质瘤的发展和恶性转化具有重要意义，并且对于评估抗血管生成治疗的有效性至关重要。在组织学标本中肿瘤微血管量化的想法，预后预测和抗血管生成药物反应生物标志物。脑肿瘤的组织病理学诊断和分级对设计改进的治疗策略具有重要意义。尽管开发了先进的计算机辅助工具，但病理学家对组织标本进行评估仍然是脑肿瘤分类和分级的金标准。此过程非常耗时，且观察者之间和观察者内部的差异不可忽略。观察者之间的差异和对肿瘤组织学的错误认识可能导致患者接受过度治疗或治疗不足。因此，在神经胶质瘤的组织学分析中需要对微脉管系统进行准确的定量评估。目前，机器学习方法，特别是深的学习算法，已经被广泛应用于数字组织学图像分析并已达到人类的诊断准确性。在2016年，提出了一种将卷积神经网络与可变形模型相结合的自动化框架，用于脑肿瘤，胰腺神经内分泌肿瘤和乳腺癌的细胞核分割。发现该模型优于传统的分割方法。空间受限的CNN和softmaxCNN用于常规结肠癌的细胞核检测和分类。随后，提出具有更复杂结构的CNN来自动化神经胶质瘤的分级。对于乳腺癌，将深层神经网络应用于有丝分裂检测，并将GoogLeNet用于检测癌症转移。随着网络研究的发展，全卷积网络占据了语义分割的主导地位。提出U-net用于电子显微镜堆栈中神经元结构的分割。然而，很少有人提出自动化方法来检测和分割苏木精和曙红染色的组织学标本中的微血管。几乎所有的计算机辅助微血管分析基于由手动分割或使用热点选择策略免疫组化染色的图像的简单的阈值形态。
　　 在研究中建立一种基于计算机的，基于深度学习的自动化方法，可以彻底，准确地检测和分割微血管，并客观量化整个H＆E染色标本中的组织学微血管模式配置。由于微血管化已显示为区分不同亚组神经胶质瘤的替代功能，打算通过将其应用于各种神经胶质瘤亚型的微血管分析来探索该方法在临床实践中的有效性。组织学亚型，基因型和预后包括在与微血管的相关性分析中。该研究纳入了2012年至2017年间在医院经病理学诊断为神经胶质瘤的350名成年患者。这些病例分为两组。其中一些用于网络培训，其他用于统计分析。根据当前的WHO2016标准，对被制成H＆E染色玻片的肿瘤标本进行了检查和确认。所有分析的样品均来自预处理手术。这些幻灯片由AperioScanScopeXT扫描，并保存为整张幻灯片。整个数据集中的WSI大小在15,755×23,570和71,047×123,746像素之间变化，平均值为63,224×74,240。此外，所有病例的分子诊断结果均从分子数据库检索得到。所有病例的基因分型均根据先前报道的系统进行：仅IDH突变，IDH-mut密码缺失，仅TERT突变和三阴性。根据训练案例的组织学类型和分子类型均匀地选择训练案例。从58个WSI中提取了5个杂音和80个补丁，每个案例提供了10个带有不同微血管的补丁。对于阴性样品，从空白背景正常皮层，出血区域和肿瘤区域收集了62个无微血管的斑块。一些阴性样品与阳性样品相似。最小补丁的大小为204×220像素，最大补丁的大小为4594×3718，平均大小为763×815像素。通过随机旋转和颜色破坏将这些补丁增加了三倍，训练样本的最终数量为2568个补丁。对于测试图像，从数据集中的每个WSI中收集了一部分或全部带有微血管的斑块进行部分或全部统计，这与训练情况无关，并且还提取了36个阴性斑块。通过这种方式获得了328张图像的测试数据集，可确保后续步骤中分割结果的质量。此外，从TCGAGBM和LGG数据库下载了35个WSI，并提取了195张图像作为第二个独立测试集进行验证健壮性。179名患者可获得随访信息。
　　 在微血管分割任务中，需要能够产生语义分割结果的方法，这些语义分割结果是端到端的，最终是像素到像素的。FCN是此任务的替代方法。FCN由卷积层，池化层，激活层和反卷积层组成。通过用卷积运算代替完全连接运算，CNN可以预测输入图像的几个局部部分的分类，而不是每个图像的一个全局分类结果。通过反卷积运算，局部分类结果将生成共享输入图像大小的粗略输出图。在CNN的各个层中，来自较浅层的特征图保留了较低级别的视觉特征，但保留了更多的空间位置特征，反之亦然。将较浅层的特征与粗糙的反卷积结果相结合，可以使输出图更加精确和详细。与带有滑动窗口的常规分类模型相比，FCN分割得更细，花费的时间更少。在研究中测试了具有完全卷积结构的各种网络，包括FCN-GoogLeNet，FCN-VGG16，和U-Net的。
　　 在训练过程之前，收集手动标记的图像，并通过旋转，翻转和添加颜色不平衡来增强这些色块以建立训练集。邀请医院经验丰富的医生对数据集进行标记。两名病理学家分别对图像进行了分割，并检查了彼此的结果。除非两个病理学家之间存在分歧，否则通过将两个结果取平均值来确定基本事实。在这种情况下，第三位专家判断结果并确定最终标签。分割图像包括四个类别：微血管，红细胞，组织基质和空白背景。通过随机梯度下降算法对上述每个网络进行训练，学习速率逐渐降低，直到训练集和验证集的损失函数不再下降为止。海外医疗网研究人员将训练上限设置为200个纪元，因为所有模型都达到了收敛。训练后，将这些网络修改为产生微血管区域。三种不同类型的FCN及其变形被应用到了分割任务中，使用了一系列独立的带注释的图像来验证这些模型的性能。图像的像素精度，四类平均像素精度，平均联合交叉，频率加权IU和微血管区域的骰子系数为被评估的五个关键特性。出于最佳原因，研究人员在进一步的实验中选择了FCN-GoogLeNet作为最终的分割模型。
　　 采用了一些常规的图像处理方法来细化分割结果。首先，为了保持分割的完整性，填充了微血管区域中的小孔，并去除了血管区域主要部分之外的微小微血管斑块。其次，由于分割结果表明一个血管可以分成多个部分，因此这些连接的区域根据相对大小，位置和距离合并为几个微血管。方向相似且彼此靠近的区域更有可能被视为一条船只。此外，围绕大船只的小区域更可能被视为船只的延伸。第三，在识别过程中要考虑结构信息。由在中心具有空白孔或RBC的微血管区域形成的环形结构很可能是单个微血管，由线性排列的血管区域组成的结构也可能是单个微血管。最后，将自动阈值分割方法应用于潜在的微血管区域以查找内皮细胞，因为每个微血管的状态取决于这些细胞。具有厚的内皮细胞层的微血管被认为表现出血管内皮细胞增殖，即异常血管。因为每个微血管的状态取决于这些细胞。具有厚的内皮细胞层的微血管被认为表现出血管内皮细胞增殖，即异常血管。因为每个微血管的状态取决于这些细胞。具有厚的内皮细胞层的微血管被认为表现出血管内皮细胞增殖，即异常血管。
　　 临床上，特性，诸如MVP，微血管面积，和微血管密度被计算，以反映神经胶质瘤微血管状态。在研究中利用了这些定量指标并添加了一些新功能来呈现微血管特征。对所有微血管进行相关分析，以研究某些特征之间的一致性和独立性。然后，该研究涉及三个不同的场景：胶质瘤病例分为星形细胞瘤，少突胶质细胞瘤和胶质母细胞瘤三种组织学亚型，并比较了定量的微血管差异。通过比较四种分子类型探索基因型与微血管特性之间的相关性：仅IDH-mut编码，仅TERT-mut和三阴性。在所有情况下和低等级情况下都重复进行此分析。研究人员提出了一种微血管评估框架，其中通过对一些特定的微血管特征进行聚类来对病例进行分组。生存分析显示多种定量特征与患者生存时间之间存在密切关系，这表明微血管可以将预后不同的患者作为替代指标。
　　 对于相关性分析，为了评估提取的特征的准确性，既没有对数据进行归一化也没有进行调整。相关系数矩阵用于可视化关联。对于变异分析，使用Bartlett检验来评估不同类型之间特征方差的均匀性。如果数据满足方差的同质性，则通过方差分析来检验组间差异的显着性，并通过学生t检验来检验两组之间差异的显着性否则则秩和检验测试用于测试组，每个组间差异显着性之间的差异显著通过Wilcoxon秩和检验进行评价。在生存分析中，首先，研究人员将179例患者的生存期设为500天，GBM的中位生存时间为15-17个月。由于GBM的预后最差，因此在OS中倾向于为GBM的星形细胞瘤或少突胶质细胞瘤的预后也较差。然后，研究人员计算了两组的标准化聚类中心。临界值是两个聚类中心的平均值。接下来，根据临界值将队列分为高风险组和低风险组，每个特征确定分组情况。最后，研究人员对这些分组情况进行了生存分析。研究人员的工作流程包括模型训练，特征提取，统计分析和验证。为了进行患者水平评估，将WSI裁剪为1792×1792的非重叠小块。在分割之前，将小块过滤通过阈值以确保内容的有效性。在分割和后处理之后，对微血管进行了定量，合成和分析。对血管生成程度，风险组归属和其他细节的评估旨在帮助病理学家进行诊断，预测预后和设计治疗方法。
　　 数据集中总共有328张带有手动分割结果的测试图像被用于评估微血管分割。在分割之前，这些图像被放大到32的最接近倍数，相应的注释也被放大到了最近的倍数，因为它们需要在FCN模型中进行五次采样。比较了以上五个FCN模型的分割结果和定量评估指标。视觉感觉和定量指标均显示具有GoogLeNet结构的FCN优于其他FCN。TCGA测试数据表明，所有五种方法的性能均略有下降。考虑到两个测试集的来源以及分割性能，具有GoogLeNet结构的FCN在进一步的实验中足够稳健，并且降低幅度是可以接受的。然后将此FCN网络用作分割模型。进行了“方法”部分中描述的后处理方法以进行微血管识别。研究人员将算法的微血管数目与328张测试图像的真实情况进行了比较。研究人员的方法能够正确计数大多数图像中的微血管数量。但是，绝对误差随着图像复杂度的增加而增加。在WSI级别的分割和识别中，将扫描窗口设置为1792×1792。在大多数WSI中，微血管的间距很小，并且适当的分割窗口限制了图像的复杂性，因此该方法可精确识别血管。在WSI级别，阳性样本定义为微血管的面积，而阴性样本定义为其他三个类别的面积。在WSI级别，假阳性率为5.06％，假阴性率为22.40％。即使假阴性率稍高，只要能够识别出大多数微血管，形态学特征就有效，并且该模型在工作流程中效果很好。
　　 相关矩阵显示各种微血管特征之间的关系。微血管的密度，聚集度，面积，核数，大小和长度高度相关。这表明具有较高血管生成程度的病例不仅微血管数量丰富，而且大小也更大。细胞核的面积与增殖血管的比例有关，表明血管生成现象伴随着内皮细胞的增殖。此外，关系在形状和供应区域之间存在，这意味着长条血管可以提供比一簇血管更大的组织区域。订单和供应区域之间的强负相关系数是由熵的方向引起的。熵值低与容器的规则布置和较大的供应区域有关。这些发现部分验证了研究人员模型在微血管评估中的有效性。
　　 胶质瘤的组织病理学亚型信息被用来验证提取的血管的有效性。比较了三种病理亚型，星形细胞瘤，少突胶质细胞瘤和胶质母细胞瘤的微血管特征，在比较血管密度，面积，长度，形状，距离和其他属性时，出现了显着差异。发现与胶质母细胞瘤是具有微血管增生的最恶性神经胶质瘤的病理事实高度吻合。胶质母细胞瘤的大多数特性，特别是MVD和％MVA，高于星形细胞瘤和少突胶质细胞瘤。在低级神经胶质瘤类别中，星形胶质瘤的血管特性很难与少突胶质细胞瘤区分开，除了微血管较大和内皮细胞数量多外。为具有过度血管生成的GBM病例和具有干扰的外部正常组织的星形细胞瘤病例。这些结果表明研究人员的方法可以精确地提取微血管的特征。
　　 关于基因型相关性，研究人员观察到部分病例的微血管特性显着不同。与其他两种类型相比，仅TERT-mut和三重阴性类型具有更多的弥散性微血管，更多的微血管和更大的面积。高水平是显著，显示其恶性肿瘤。相反，仅IDH-mut和IDH-mut代号的供血面积明显高于其他两个。另外，就E，Ent，R和N而言，仅TERT-mut仅与其他三个显着不同。E的值较低意味着容器更接近圆形或环形。Ent越高，血管排列越混乱，R和N越高，则TERT-mut的增殖程度越高。
　　 即使在低级神经胶质瘤中，仅TERT-mut和三阴性类型的微血管也比其他类型明显多。尽管TERT-mut仅具有最丰富的内皮细胞，而三阴性细胞具有最小的面积，但四种基因型在增殖程度和血管大小方面几乎相同，这在低级神经胶质瘤中是不常见的现象。GBM的中位生存时间为15-17个月，因此所有具有预后信息的病例在500天生存期之前就被分为两组。根据临界值，将队列重新分组为高风险和低风险组，每个特征确定分组情况。在这些分组情况下进行了生存分析，结果显示，按％MVA分组的组之间存在显着差异。
　　 血管生成涉及肿瘤的恶性程度。微血管空间模式可以被视为预测患者预后的生物标志物。当前，血管生成的定量分析被认为是评估抗血管生成靶向疗法是否有效的关键指标。定性或定量微血管评估的常规方法主要基于化学，生物学和手动方法。微血管评估的最典型方法包括对血管内皮生长因子基因表达的定性和定量测量。免疫组织化学技术和RT-PCR是分析基因表达的两种流行方法。但是，免疫组织化学结果具有较强的主观性，因此不准确。PCR具有很高的准确性，但是操作复杂并且成本高。而且，PCR的定性和定量结果受测试样品的影响很大，当样品不纯时，准确性会降低。因此，H＆H的基于机器学习的图像处理.随着恶性程度的增加，微血管的密度增加，这由大量的分子生物学研究支持。变异分析表明，GBM中的微血管在数量和面积上均优于星形细胞瘤和少突胶质细胞瘤中的微血管，这符合WHO2016指南中GBM的分类标准。研究人员的结果与以前的结论一致，并且结果进一步证实了所提出的方法可帮助病理学家做出更准确的诊断的有效性。
　　 自2016年以来，神经胶质瘤的诊断已进入分子时代。分子诊断可以更准确地预测神经胶质瘤的恶性程度和评估预后。通过IDH的状态将神经胶质瘤分为几种分子类型。IDH-mut仅趋于发展星形细胞瘤，TERT-mut仅趋于变为GBM，IDH-mut密码缺失倾向于为少突胶质细胞瘤。研究人员检查了四种分子亚型的微血管形成。微血管增生通常在高级别神经胶质瘤中发现，可被视为恶性肿瘤的病理指标。在所有神经胶质瘤病例的比较中，仅TERT-mut的微血管形成比其他胶质瘤更显着，其次是三阴性。据统计是由临床数据的支持，多数TERT-MUT仅是病理上分类为GBM。GBM的诊断标准是异常微血管的增生，尤其是具有较高级别和恶性的神经胶质瘤。TERT突变的病例通常仅发展为成胶质细胞瘤。因此，GBM诊断与微血管评估之间存在潜在的生物学关系。此外，三重阴性由相当多的GBM案件组成。大量的GBM病例在一定程度上有助于微血管形成，部分解释了这两种亚型的高度血管生成。分子信息表明该方法是可行和准确的。
　　 抗血管生成疗法，例如VEGF抑制剂，是一种重要的癌症治疗方法。但是，这种治疗在许多情况下是无效的。根据的分型方法，神经胶质瘤可分为间质型，前神经型，神经型和经典型。临床研究表明，VEGF抑制剂对间质性神经胶质瘤具有治愈作用，但仅在短期内可延长无进展生存期，但对总体生存期无影响。仅具有TERT-mut的胶质瘤在间充质型中很常见，其中肿瘤细胞的分化程度低并且肿瘤的恶性高。正如研究人员研究中仅显示的是TERT-mut的微血管化，在低级神经胶质瘤之间的比较中，仅TERT-mut和三阴性的类型显示出高水平的微血管数量和面积，同等程度的扩散，甚至单个血管的面积甚至更小。微观变化仅存在于细胞数量而非细胞形态中，这导致新血管的生长，血管网络的形成以及单个血管的大小不变。这种现象可以解释为什么分子靶向疗法在早期对许多肿瘤细胞有效地产生毒性，但在晚期耐药中效果不明显。因此，研究人员提出的方法可以提供有关患者是否可以接受抗血管生成治疗的信息。
　　 作为恢复和预后的指标，OS可以直接指示神经胶质瘤的恶性程度。血管生成程度高的病例倾向于具有较高的死亡风险和较短的生存期，这已通过组织学和分子分型得到证实。研究人员的微血管分析也支持这一点。通过研究人员的模型提取的微血管特征可以有效区分高危或低危患者。因此，研究人员的方法可以区分由于高度血管生成而导致高死亡风险的患者，这些患者可能会受益于抗血管生成治疗。因此，提出的模型具有很大的临床应用潜力。
　　 研究人员方法的潜在优势是帮助病理学家使组织学诊断更加准确，减少主观偏见并加快诊断速度。此外，它还可以帮助医生做出更准确的预后判断，从而指导是否采用更具侵略性的放化疗或靶向治疗。尽管所提出的模型可以定性和定量地评估神经胶质瘤组织学样本中的微血管，但研究人员的研究确实存在局限性。微血管模式的性质被证明是预后指标，但研究人员没有进行更全面的分析。通过在多元分析中将具有统计学意义的其他预后特征结合起来，可以将胶质瘤进一步分为具有更长生存时间的组，这将更加有意义。由于分割错误和计数过多，微血管识别的准确性有很大的提高，特别是在内容复杂的较大病理图像中。微血管评估结果也可能因不相关的组织标本而产生偏差。感兴趣区域的精确位置和识别算法的改进都是下一步研究的重点。基于微血管生成的分级的治疗是神经胶质瘤的潜在治疗策略，但是由于抗血管生成的治疗病例少，因此尚未进行研究。研究人员将从接受抗血管生成治疗的患者中收集更多信息，并在将来通过有针对性的研究验证研究人员方法的可行性。