论文部分内容阅读
目的:纹理分析可以客观的反应图像的结构特征。本研究拟探究磁共振3D纹理分析对胶质母细胞瘤和原发性中枢神经系统淋巴瘤的术前鉴别诊断价值。提取纹理参数时,我们同时提取肿瘤影像的形态参数,用以探究肿瘤形态对两者的鉴别价值。方法:本研究中我们回顾了协和医院神经外科在2012/1-2017/9的经过病理学证实为GBM和PCNSL的患者,最终筛选纳入了82名患者,其中,60名胶质母细胞瘤患者,22名中枢淋巴瘤患者(表1)。我们依据肿瘤影像,对肿瘤图像进行分割,将分割出的3D肿瘤图像进行标准化处理后提取出图像的纹理及形态参数。由于纹理及形态参数数量庞大,我们依据机器学习模型,选取了较具特征性的纹理及形态参数。统计学方法上,我们运用曼-惠特尼U检验,受试者工作特征曲线(ROC曲线)分析以及相应的灵敏度,特异度,正确率和曲线下面积(AUC)来做诊断试验评价。由于两组数据间标本量存在较大不平衡性(60对比22),我们运用十折交叉验证(ten-fold cross-validation)的方法来保证运算的精度。结果:最终从T1增强象上选取的三组参数,Firstorder_Skewness,Firstorder_Kurtosis,and Ngtdm_Busyness,根据曼-惠特尼U检验,三者均为P<0.001,表现出了较高的诊断鉴别能力。形态分析在所选取的GBMs和PCNSLs间没有明显的鉴别意义。Firstorder_Skewness的区分GBMs和PCNSLs上的预测能力最强(AUC=0.86);其次是Ngtdm_Busyness,AUC=0.83;三个指标在诊断试验中的灵敏度和特异度的波动范围是分别为70.0%-83.3%和71.4%-90.5%。以上参数导入机器学习模型,在最终选取的三个机器学习分类模型中,朴素贝叶斯(naive Bayes classifier)特异度最高,为0.91,AUC为0.90,展现出较高的整体优势。支持向量机模型(support vector machine models)表现出了最佳的灵敏度和正确率,分别为0.92和0.88.结论:磁共振3D纹理分析对GBMs和PCNSLs的术前鉴别诊断有较高的预测价值。其他:本研究的两类肿瘤经过筛选,形态分析对于上述两类肿瘤的预测没有统计学意义。纹理分析在图像分类上的优势明显且应用范围广泛,本研究对结合纹理分析的人工智能影像诊断技术的开发提供了一定的依据。