论文部分内容阅读
【目的】探究影像组学以及深度学习方法在胶质母细胞MGMT基因启动子甲基化状态预测中的应用价值,并构建一个自动、方便、低成本及无创的预测模型,为胶质母细胞瘤的个性化治疗提供依据。【材料与方法】回顾性收集106例胶质母细胞瘤患者的O6-甲基鸟嘌呤甲基转移酶（MGMT）基因启动子甲基化状态信息以及相应的术前MRI资料,最终获得87例CE-T1WI和66例FLAIR图像。一方面,我们首先通过逐层手工勾画肿瘤最大边界获取感兴趣区,将图像标准归一化预处理后,提取传统影像组学特征,然后经过数据降维和方差分析（ANOVA）特征筛选后,采用支持向量机（SVM）构建一个传统影像组学模型预测胶质母细胞瘤MGMT基因启动子甲基化状态。最后,绘制受试者工作曲线（ROC）评估每个模型的准确性、敏感性、特异性、阳性预测值和阴性预测值及曲线下最大面积（AUC）以决策最优分类预测模型。另一方面,我们设计了一套端对端的深度学习管道用以自动分割以及分类预测胶质母细胞瘤MGMT基因甲基化状态。在自动分割模块,我们在全卷积网络模型（FCN）上增加了一个变分自编码器（VAE）分支,然后通过计算Dice系数评估自动分割准确性,再通过计算每个MR切片手工分割和自动分割的平均消耗时间评估自动分割速度性能。在分类模块,我们自行设计了一个4层卷积神经网络（4-CNN）模型,然后将该模型与自动分割模块级联,通过计算模型在训练组及验证组上的准确率、召回率、精密度和F1值及曲线下最大面积（AUC）评估预测模型性能。【结果】1.利用传统MRI影像组学特征可以预测胶质母细胞瘤MGMT启动子甲基化状态;基于手工分割的传统影像组学模型在CE-T1WI与FLAIR图像上的预测水平接近（准确率分别为0.6898、0.6861,AUC分别为0.6593、0.6861）。2.利用常规MRI深度学习方法分割的自动分割模型具有较好肿瘤分割性能。与CE-T1WI相比,FLAIR图像具有更好的肿瘤分割性能（Dice系数分别为0.828、0.897）;相对于手工分割相比,自动分割模型具有更快的分割速度（CE-T1WI以及FLAIR序列上每个MR切片自动分割的平均时间分别为0.11秒、0.07秒,对应手动分割平均时间为50秒、60秒）。3.利用常规MRI深度学习方法可以预测胶质母细胞瘤MGMT启动子甲基化状态;与CE-T1WI相比,基于FLAIR图像的深度学习模型具有更好的肿瘤预测性能（准确率分别为0.804、0.827,AUC分别为0.8866、0.9052）。【结论】常规MRI深度学习以及传统影像组学方法对于预测胶质母细胞瘤的MGMT启动子甲基化状态有较好的预测价值,但深度学习方法预测价值更优。此外,相对于影像组学手工分割方法,深度学习对于肿瘤的自动分割更具优势,它可以节省时间,避免在肿瘤分割中观察者间的差异,并有助于从常规医学图像中发现分子生物标记物,以帮助诊断和治疗决策的制定。