论文部分内容阅读
研究背景自发性脑出血(Spontaneous intracerebral hemorrhage,SICH)通常为非创伤性的脑深部的实质性出血,与缺血性卒中不同,涉及到脑部微小动脉,静脉的破裂,约占所有卒中的10%-30%。自发性脑出血有着高发病率,高致残率和高死亡率。其中常见的原因有高血压疾病引起的周围细小动脉的玻璃样变,这些病变主要发生在基底节区等脑深部核团部位。脑深部核团的损伤会给患者造成运动和感觉障碍,严重者会引起中枢神经系统的损伤,出现精神障碍和人格改变等。脑出血早期血肿扩大,是推动患者病情进一步发展的重要因素,往往预示着患者的预后不良。目的采用3D-slicer和Mazda两种影像组学分析软件,探究其特征模型对SICH患者早期血肿扩大的预测意义。方法选取安徽医科大学第二附属医院108例自发性脑出血患者,其中男70例,女38例,年龄(53.3±13.3)岁(15岁-82岁)。将患者影像资料分别以医学数字成像和通信格式(Digital imaging and communications in medicine,DICOM)格式和BMP格式导出,选用3D-slicer查看血肿体积大小,并以两次血肿体积相差33%或6 ml定义为早期脑出血扩大,将病例分为扩大组和非扩大组,并以分别采用3D-slicer软件和Mazda纹理分析软件对影像资料进行特征的提取和分析。(1)按照7:3的比值将患者随机分为训练集(n=75)和验证集(n=33),采用3D-slicer对DICOM格式影像图片逐层手动分割脑出血病灶,并提取全部的纹理,之后对提取的纹理特征进行筛选,采用单因素分析和最小绝对收缩和选择算子(Least absolute shrinkage and selection operator,LASSO)的方法进行降维,并对筛选之后的特征进行模型构建,共建立5种影像组学模型,分别为Logistic回归模型,决策树,随机森林,支持向量机和Adaboost模型。并分别以训练组和验证组的受试者特征曲线和决策曲线来验证模型的性能。(2)选取BMP格式影像图片病灶横截面最大面积层面及前后层面,采用Mazda纹理分析软件对病灶进行勾画,并提取纹理信息,之后用Fisher系数(Fisher),分类错误概率联合平均相关系数(Classification error probability combined average correlation coefficients,POE+ACC),交互信息(Mutual information,MI)三种降维方法对所提取的纹理信息进行筛选,最后采用B11模块中的原始数据分析(Raw data analysis,RDA),主要成分分析(Principal component analysis,PCA),线性分类分析(Linear discriminant analysis,LDA)和非线性分类分析(Nonlinear discriminant analysis,NDA)四种分析方法对所筛选的纹理信息进行分析,计算误判率。对纹理信息进行受试者工作特征曲线(Receiver operating characteristic curve,ROC)分析,并计算其曲线下面积(Area under curve,AUC),以此来辨别所筛选纹理的预测效益。结果(1)对3D-slicer提取的特征进行筛选,最终选择了8个影像组学特征建立影像组学模型,包括original-shape-Voxl Volume、original-gldm-Dependence Variance、original-firstorder-Median、original-firstorder-Maximum、wavelet-LHH-glrlm-Gray Level Variance、wavelet-LHH-glszm-Low Gray Level Zone Emphasis、wavelet-LLL-firstorder-Minimum、wavelet-LLL-glrlm-Run Variance。其中支持向量机模型表现较好,其训练集AUC值为0.964,验证集AUC值为0.942。校准曲线和决策曲线验证了该模型的预测效能较好。(2)Mazda纹理分析结果显示,在MI降维方法下的NDA分析方法的误判率最低,最低值为0.93%(1/108)。其中MI降维方法下的Gr Mean,S(0,2)Contrast,S(1,0)Dif Entrp,S(1,1)Dif Entrp,S(0,3)Contrast纹理特征的ROC曲线表现较好,其AUC值为0.993、0.994、0.980、0.984、0.986。。结论对于SICH早期血肿扩大,3D-slicer和Mazda软件都提供了较好的影像组学预测模型,可以辅助医生对血肿扩大进行诊断。