论文部分内容阅读
[目的](1)构建深度学习网络模型,在多模态MRT2WI及增强序列图像上实现对子宫内膜癌病灶的自动分割;(2)分别基于MRI影像组学和深度学习方法,建立术前预测FIGO Ⅰ~Ⅱ期子宫内膜癌分期及病理分级的预测模型,研究其诊断价值;(3)比较深度学习与影像组学模型的诊断效能。[资料与方法]回顾性收集山东大学齐鲁医院2017年3月到2021年11月经手术病理证实为Ⅰ~Ⅱ期子宫内膜癌的271例患者的临床信息及其MR影像学资料,中位年龄为55岁(22-82岁)。其中ⅠA期、ⅠB期和Ⅱ期分别有145例、76例和50例。子宫内膜样腺癌256例,非子宫内膜样腺癌15例。在轴位T2WI和CE-T1WI延迟期图像上,使用ITK-SNAP软件逐层勾画出肿瘤的感兴趣区域(ROI),并进行影像组学特征提取及筛选。通过五折交叉验证得到最佳惩罚系数,分别构建T2WI、CE-T1WI和T2WI+CE-T1WI影像组学模型,计算T2WI、CE-T1WI和T2WI+CE-T1WI预测分期和病理分级的AUC和准确率(ACC)。深度学习方法采用的是CNN中的3D U-Net结构来进行肿瘤病灶的自动分割,在3D U-Net结构的最底层图像中提取特征,分别建立T2WI、CE-T1WI和T2WI+CE-T1WI深度学习模型,计算T2WI、CE-T1WI和T2WI+CE-T1WI预测分期和病理分级的AUC、灵敏度(SEN)和特异度(SPE)。将深度学习模型与放射科医师诊断分期的准确率进行比较,最后将影像组学模型与深度学习模型的预测性能进行比较。统计学方法使用SPSS和Python进行统计分析,在数据集中进行组内相关系数(ICC)检验,来评价影像组学特征的可靠性,ICC>0.9被认为是稳定一致的。用ROC曲线计算得出的AUC值来评估模型的预测性能。DeLong检验用于比较各个模型的AUC。利用卡方检验将放射科医师与深度学习模型预测分期的准确率进行比较。P<0.05被认为具有统计学意义。[结果]在分期研究中,将271例患者按3:1比例随机分为203例训练组和68例测试组。测试组中,基于影像组学预测分期的T2WI模型AUC为0.85,ACC为0.66;CE-T1WI模型的 AUC 为 0.85,ACC 为 0.69;T2WI+CE-T1WI 模型的 AUC 为 0.88,ACC 为 0.72。结果表明,T2WI+CE-T1WI联合序列模型的平均AUC最高。基于深度学习预测分期结果中,T2WI 模型 AUC 为 0.88,ACC 为 0.69;CE-T1WI 模型的 AUC 为 0.87,ACC 为0.65;T2WI+CE-T1WI模型的AUC为0.89,ACC为0.78。虽然深度学习预测分期的AUC与影像组学相差不大,但深度学习联合序列模型预测分期的准确率有所提高。此外,本研究还将深度学习联合序列模型与放射科医师诊断分期的准确率进行比较,结果表明,深度学习模型预测ⅠA期的准确率要高于放射科医师,而放射科医师诊断ⅠB和Ⅱ期的准确率要高于深度学习模型。深度学习联合序列模型与放射科医师之间的诊断性能差异无统计学意义(P>0.05)。在病理分级研究中,排除了 15例非子宫内膜样腺癌病例,仅对病理类型为子宫内膜样腺癌的256例患者进行研究,按4:1比例随机分为205例训练组和51例测试组。基于影像组学预测病理分级的三组模型中,T2WI模型AUC为0.68,灵敏度为0.73,特异度为0.50;CE-T1WI模型AUC为0.66,灵敏度为0.82,特异度为0.60;联合序列模型AUC为0.74,灵敏度为0.73,特异度为0.80。结果显示,联合序列模型预测病理分级的AUC及特异度要高于单序列模型,但CE-T1WI模型的灵敏度最高(SEN=0.82)。基于深度学习预测病理分级的三组模型中,T2WI模型AUC为0.75,灵敏度为0.73,特异度为0.53;CE-T1WI模型AUC为0.77,灵敏度为0.73,特异度为0.55;联合序列模型AUC为0.81,灵敏度为0.82,特异度为0.70。深度学习联合序列模型的AUC、灵敏度和特异度均优于另外两组单序列模型。此外,深度学习联合序列模型的AUC高于影像组学模型(AUC=0.81>0.74)。[结论]本研究基于MRI平扫及增强图像,结合术后病理结果,应用影像组学及深度学习方法,针对子宫内膜癌分期和病理分级进行术前预测和评估,结论如下:(1)本研究基于MRI影像组学和深度学习方法,在诊断FIGO Ⅰ~Ⅱ期子宫内膜癌分期和病理分级中展现出了重要的应用价值,其中T2WI+CE-T1WI联合序列模型的诊断效能最佳。(2)基于深度学习联合序列模型对FIGO Ⅰ~Ⅱ期子宫内膜癌分期及病理分级的诊断效能高于影像组学。在分期研究中,深度学习联合序列模型AUC为0.89,影像组学联合序列模型AUC为0.88;在病理分级研究中,深度学习联合序列模型AUC为0.81,影像组学联合序列模型AUC为0.74。(3)本研究基于深度学习3D U-Net结构可以对FIGO Ⅰ~Ⅱ期子宫内膜癌肿瘤区域进行自动分割,在一定程度上省去了影像组学研究中所需要的人工成本,同时也减少了人工标记过程中带来的主观误差。