论文部分内容阅读
目的: 1、探究同种分类器基于不同MR序列图像的计算机辅助诊断鉴别鞍旁海绵状血管瘤及脑膜瘤的诊断效能,旨在选出最佳MR序列用以计算机辅助诊断。 2、探究不同种分类器基于同种MR序列图像的计算机辅助诊断鉴别鞍旁海绵状血管瘤及脑膜瘤的诊断效能,旨在选出最佳分类器用以计算机辅助诊断。 3、对比基于MRI的计算机辅助诊断及DWI鉴别鞍旁海绵状血管瘤与脑膜瘤的诊断价值,为影像科医生提供参考建议。 方法: 1、图像数据获取:回顾性分析2010年-2018年大连医科大学附属第二医院、温州医科大学附属第一医院、济宁市第一人民医院鞍旁海绵状血管瘤、鞍旁脑膜瘤患者的MR图像并进行相应分组,入组标准:(1)所有患者均经手术或临床试验性治疗证实;(2)影像资料齐全;(3)病灶主体位于鞍旁海绵窦或海绵窦周围区域,对其侵犯前后颅窝、鞍区、颞极区不做限制。排除标准:图像伪影较大、分辨率不满足分析应用的图像。最后纳入鞍旁海绵状血管瘤组32例、脑膜瘤组62例,所有患者均行T1WI、T2WI、T1W增强成像;其中26例鞍旁海绵状血管瘤、38例脑膜瘤患者行DWI检查;因磁敏感伪影干扰,最终纳入24例鞍旁海绵状血管瘤、31例鞍旁脑膜瘤的DWI图像;以及21例鞍旁海绵状血管瘤、21例鞍旁脑膜瘤的ADC图。 2、图像导入及感兴趣容积(volume of the interest,VOI)提取:将DICOM格式的磁共振图像分类上传至放射组学平台2.1V[慧影医疗科技(北京)有限公司]。自定义灰度以实现图像灰度标准化,在T1WI、T2WI、DWI、ADC图及T1W增强图像中手动逐层勾画病灶轮廓作为VOI。 3、特征计算与降维:计算图像特征值生成基于特征类及基于过滤器类特征参数;经方差选择法、单变量选择法、套索法三次降维分析,计算两组病例在MR不同序列中的主要特征值。 4、分类识别:两组病例各80%的VOI,通过K近邻(K Nearest Neighbor,KNN)、支持向量机(Support Vector Machines,SVM)、极限梯度增强树(Extreme Gradient Boosting,XGBoost)、随机森林(Random Forest,RF)、逻辑回归(Logistic Regression,LR)、决策树(Decision Tree,DT)六种分类器分别进行训练,其余20%VOI通过上述六种分类器进行测试。 5、统计学分析:1)统计并比较每种分类器基于不同MR序列测试结果的ROC下面积、95%可信区间、灵敏度、特异度及准确度,采用F-Score值评价模型的稳定性,即F-Score值越大模型稳定性越好。2)本研究采用SPSS24.0软件在DWI图像上对64病灶直径与检出率的关系进行统计,采用ROC进行评价,ROC下面积(AUC)值越大,分辨能力越好,通常AUC值>0.7较有临床使用价值;根据其敏感度和特异度得出约登指数,找出长径截断值,并计算准确度。采用同样的方法,对两者ADC值进行统计分析。 结果: 1、基于T2WI的KNN、SVM、XGBoost、RF、LR分类器和基于ADC图像的KNN、LR、RF分类器识别鞍旁海绵状血管瘤及脑膜瘤的诊断准确度高于0.90,F-Score值大于0.90。 2、基于T1增强图像的DT分类器,基于T1WI的SVM、RF分类器,基于ADC图像的SVM、XGBoost、DT分类器识别鞍旁海绵状血管瘤及脑膜的准确率均在0.80-0.90,F-Score值范围为0.80-0.90。其余分类器基于不同MR序列识别鞍旁海绵状血管瘤及脑膜的准确率均小于或等于0.80,F-Score值均小于0.80。 3、DWI序列中,鞍旁海绵状血管瘤的检出率为24/26,鞍旁脑膜瘤检出率为31/38,未能检出者平均值约为1.95±0.48cm。常规MRI病灶检出率为100%。鞍旁海绵状血管瘤ADC值为(1.458±0.214)×10-3mm2/s;鞍旁脑膜瘤ADC值为(0.915±0.151)×10-3mm2/s。 结论: 1、采用KNN、SVM、XGBoost、RF、LR分类器识别鞍旁海绵状血管瘤及脑膜瘤时,基于T2WI和ADC图像的计算机辅助诊断价值更高。 2、基于T2WI的KNN、SVM、XGBoost、RF、LR分类器和基于ADC图像的KNN、LR、RF分类器在鉴别鞍旁海绵状血管瘤及脑膜瘤的诊断效能相仿。 3、当鞍旁海绵状血管瘤或脑膜瘤直径过小时,基于常规MRI的计算机辅助诊断具有重要价值。