论文部分内容阅读
目的:通过影像组学方法对周围型肺癌和肿块/结节型肺结核CT影像进行辅助鉴别。研究与方法:回顾性收集辽宁省肿瘤医院2017年8月到2018年12月及沈阳市胸科医院2017年9月到2018年10月经病理证实为周围型肺癌的患者206例,肺结核的患者277例,共483例患者。对患者肺窗CT影像通过ITK-SNAP软件进行病灶区域(Region of interest,ROI)人工分割,然后通过Pyradiomics软件对得到的ROI提取影像组学特征,训练构建四种分类器模型,即支持向量机(Support Vector Machine,SVM)、随机森林(Random forest,RF)、logistic回归分析(Logistic Regression,LR)及朴素贝叶斯(Naive Bayesian,NB)模型,并绘制ROC曲线(receiver operating characteristic curve),以评估模型对周围型肺癌和肿块/结节型结核的辅助鉴别能力。再通过箱式图及Delong检验进行评价模型的性能。采用基于Inception v3、VGG 16和VGG 19框架的卷积神经网络(Convolutional neural network,CNN)对数据进行自动学习和分析,鉴别周围型肺癌和肿块/结节型肺结核,绘制ROC曲线。最后,通过语义分割网络(U-Net)模型,对CT影像中的病灶区域进行自动分割,以期减少医生手动勾画的工作量。结果:本研究共纳入483例病例,其中肺癌206例,肺结核277例。1.周围型肺癌组年龄分布为(60.8岁±8.2)岁,其中男性患者113例,女性患者93例,病灶有毛刺192例,分叶138例,胸膜凹陷158例,空洞82例,钙化15例;肿块/结节型肺结核组年龄分布为(43.9岁±16.5)岁,其中男性患者189例,女性患者88例,病灶有毛刺266例,分叶116例,胸膜凹陷251例,空洞115例,钙化129例。2.周围型肺癌组与肿块/结节型肺结核组在分叶、胸膜凹陷、钙化上存在统计学差异(P<0.05),而两组在毛刺、空洞上无明显的统计学差异(P>0.05)。3.从图像中提取特征,并用双样本t检验选出具有显著统计学差异的特征,最终得到20个特征(P<0.05),再用extra Tree提取出这20个特征。建立SVM、RF、LR及NB四种预测模型,鉴别周围型肺癌和肿块/结节型肺结核。SVM、RF、LR及NB模型在测试集的AUC(Area Under Curve,ROC)曲线下方的面积大小)分别为0.96、0.96、0.97及0.92;敏感度(Sensitivity,SEN)分别为0.78、0.76、0.79及0.69,LR模型表现最好。4.通过箱型图的影像组学评分结果可以看出LR,RF,SVM三种模型明显优于NB模型;Delong检验结果说明LR,RF,SVM三种模型明显优于NB模型。5.通过CNN建立的inception v3、VGG 16、VGG 19三种模型,得出测试集的AUC分别为0.92、0.94、0.94,敏感度分别为0.89、0.83、0.86。6.通过U-Net网络学习来自动分割输出的肺癌及肺结核CT图像的ROI图像,与人工勾画比较,边缘更细致,但也存在一些问题。结论:基于胸部CT平扫提取的影像组学特征在鉴别周围型肺癌、肿块/结节型肺结核两种疾病具有一定价值。卷积神经网络对于鉴别周围型肺癌、肿块/结节型肺结核也有较高的应用价值。这两种方法均可以实现对周围型肺癌与肿块/结节型肺结核快速无创性的鉴别诊断,对临床医生的诊断和治疗提供了很大的帮助,为患者减轻病痛及经济负担,提高生活质量;U-Net可以较准确地实现对结节区域的自动勾画,提示影像组学方法是计算机辅助肺部医学影像分析的重要发展方向。