论文部分内容阅读
【目的】
1.探讨基于多参数MRI的影像组学模型在前列腺癌诊断方面的价值研究。
2.判断前列腺多参数MRI的多序列联合能否较单一MRI序列有效提高前列腺癌的诊断效能。
【方法】
回顾性收集我院2016年01月01日至2019年12月30日进行MRI检查并且通过病理证实的前列腺癌患者(60例)和前列腺增生患者(56例)。所有接受前列腺mp-MRI检查的患者由GESignaExciteHD3.0T超导磁共振扫描仪扫描，包括完整的轴位T2加权像(T2WI)，弥散加权成像(DWI)和动态增强序列(DCE)。将患者经过扫描后获取的图像(DICOM格式)从PACS系统(Picture Archiving and Communication Systems)导出患者数据，包括完整的横轴T2WI、DWI、DCE图像。根据每一例患者的前列腺活检详细记录和病理诊断结果，使用ITK-SNAP软件手动进行三维肿瘤分割，在轴向T2WI、DWI、DCE图像上分别勾画感兴趣区域(ROI)。肿瘤分割后，利用RadCloud平台从每个mp-MRI序列中提取出1409个定量影像特征，其中包括形状、信号强度和纹理特征。为了获得最佳性能，减少冗余特征，采用方差阈值法、K最佳方法(SelectKBest)和最小绝对收缩选择算子(LASSO)算法分别选择T2WI、DWI、DCE、T2WI+DWI、T2WI+DCE、DWI+DCE和T2WI+DWI+DCE的联合序列对前列腺疾病最重要的特征。在确定了有用特征子集之后，用训练数据集上每个单序列和联合序列的选定特征建立了七个基于影像组学的模型，将病人分为恶性和良性疾病。采用五重交叉验证法和支持向量机(SVM)这一分类器来建立基于影像组学的微分模型，并在验证数据集上验证了模型的诊断性能，并通过敏感性、特异性、ROC曲线、ROC曲线下面积(AUC)及95%可信区间进行评价。
【结果】
分别经过方差阈值、K最佳方法和LASSO方法进行特征选择后，T2WI、DWI、DCE和组合序列T2WI+DWI、T2WI+DCE、DWI+DCE和T2WI+DWI+DCE的最后剩余特征数分别为20、20、19、19、32、28和23个。在MRI单一序列和联合序列中，AUC值从最低的0.90到最高的0.99，均表现出较高的诊断性能。其中，三个序列(T2WI+DWI+DCE)的联合具有最高的诊断性能，验证数据集上其AUC值(0.99，95%CI：0.91-1.0)、敏感度(92%)、特异性(92%)最高。在单序列中，DCE具有较好的AUC值(0.97，95%CI：0.83-1.0)、敏感性(83%)和特异性(91%)。
【结论】
基于MRI的影像组学模型在前列腺癌诊断中具有较高的潜力，MRI各个序列的影像组学模型均在前列腺癌的鉴别诊断中提供可靠的客观依据，因此具有临床价值。特别是综合多参数MRI的多个序列的影像组学模型可以提高前列腺癌的诊断效能，其AUC值、敏感度和特异性明显提高，在前列腺癌诊断方面存在巨大的潜在临床应用价值。
1.探讨基于多参数MRI的影像组学模型在前列腺癌诊断方面的价值研究。
2.判断前列腺多参数MRI的多序列联合能否较单一MRI序列有效提高前列腺癌的诊断效能。
【方法】
回顾性收集我院2016年01月01日至2019年12月30日进行MRI检查并且通过病理证实的前列腺癌患者(60例)和前列腺增生患者(56例)。所有接受前列腺mp-MRI检查的患者由GESignaExciteHD3.0T超导磁共振扫描仪扫描，包括完整的轴位T2加权像(T2WI)，弥散加权成像(DWI)和动态增强序列(DCE)。将患者经过扫描后获取的图像(DICOM格式)从PACS系统(Picture Archiving and Communication Systems)导出患者数据，包括完整的横轴T2WI、DWI、DCE图像。根据每一例患者的前列腺活检详细记录和病理诊断结果，使用ITK-SNAP软件手动进行三维肿瘤分割，在轴向T2WI、DWI、DCE图像上分别勾画感兴趣区域(ROI)。肿瘤分割后，利用RadCloud平台从每个mp-MRI序列中提取出1409个定量影像特征，其中包括形状、信号强度和纹理特征。为了获得最佳性能，减少冗余特征，采用方差阈值法、K最佳方法(SelectKBest)和最小绝对收缩选择算子(LASSO)算法分别选择T2WI、DWI、DCE、T2WI+DWI、T2WI+DCE、DWI+DCE和T2WI+DWI+DCE的联合序列对前列腺疾病最重要的特征。在确定了有用特征子集之后，用训练数据集上每个单序列和联合序列的选定特征建立了七个基于影像组学的模型，将病人分为恶性和良性疾病。采用五重交叉验证法和支持向量机(SVM)这一分类器来建立基于影像组学的微分模型，并在验证数据集上验证了模型的诊断性能，并通过敏感性、特异性、ROC曲线、ROC曲线下面积(AUC)及95%可信区间进行评价。
【结果】
分别经过方差阈值、K最佳方法和LASSO方法进行特征选择后，T2WI、DWI、DCE和组合序列T2WI+DWI、T2WI+DCE、DWI+DCE和T2WI+DWI+DCE的最后剩余特征数分别为20、20、19、19、32、28和23个。在MRI单一序列和联合序列中，AUC值从最低的0.90到最高的0.99，均表现出较高的诊断性能。其中，三个序列(T2WI+DWI+DCE)的联合具有最高的诊断性能，验证数据集上其AUC值(0.99，95%CI：0.91-1.0)、敏感度(92%)、特异性(92%)最高。在单序列中，DCE具有较好的AUC值(0.97，95%CI：0.83-1.0)、敏感性(83%)和特异性(91%)。
【结论】
基于MRI的影像组学模型在前列腺癌诊断中具有较高的潜力，MRI各个序列的影像组学模型均在前列腺癌的鉴别诊断中提供可靠的客观依据，因此具有临床价值。特别是综合多参数MRI的多个序列的影像组学模型可以提高前列腺癌的诊断效能，其AUC值、敏感度和特异性明显提高，在前列腺癌诊断方面存在巨大的潜在临床应用价值。