论文部分内容阅读
目的:1.探究磁共振成像(magnetic resonance imaging,MRI)影像特征在术前评估胶质母细胞瘤(glioblastoma,GBM)患者O~6-甲基鸟嘌呤-DNA-甲基转移酶(O~6-methylguanine-DNA methyhransferase,MGMT)启动子甲基化状态的应用价值。2.基于术前多模态MRI探讨深度学习模型Efficient Net-B7预测GBM患者MGMT启动子甲基化状态的价值,并对不同的模态整合方式预测模型进行性能比较。方法:1.收集经手术病理证实的83例GBM患者的临床及影像学资料,其中MGMT启动子甲基化患者43例,非甲基化患者40例。所有患者均行术前MRI扫描,扫描序列包括T1加权成像(T1 weighted imaging,T1WI)、T2加权成像(T1 weighted imaging,T1WI)、T2液体衰减反转恢复成像(T2-fluid attenuated inversion recovery imaging,T2-FLAIR)、弥散加权成像(diffusion-weighted imaging,DWI)、三维T1加权对比增强成像(three dimensional T1 contrast enhancement weighted imaging,3D-T1CE)。由两名影像科医生通过分析各序列图像以及DWI序列后处理得到的表观弥散系数(apparent diffusion coefficient,ADC)图像,对肿瘤发病位置、各序列信号特点、ADCmin值及ADCmean值、MR征象的定性指标及定量指标进行判读及统计学分析,比较MGMT启动子甲基化和非甲基化两组间MR征象的差异。另由两位影像学医师在未知肿瘤病理类型的情况下通过MRI判断MGMT启动子甲基化状态,并通过受试者工作特征(receiver operating characteristic,ROC)曲线、ROC曲线下面积(area under ROC curve,AUC)、敏感度、准确度及特异度对影像科医师的诊断效能进行评估。2.回顾性分析经手术病理证实的129例GBM患者的多模态MR图像,包括3D-T1CE序列、T2-FLAIR序列及ADC图像。基于Efficient Net-B7卷积神经网络为架构分别构建基于3D-T1CE序列的T1C-net、基于T2-FLAIR序列的FLAIR-net、基于ADC图像的ADC-net以及三种序列叠加的Ts-net、三种序列图像级融合的IF-net、三种序列决策级融合的DF-net。按照7:3的比例将129例患者随机分成训练集(n=90)及测试集(n=39),通过影像科医师手动选取每例患者所有包含病灶层面的图像输入网络,通过ROC曲线、AUC值、敏感度、准确度及特异度评价模型预测效能,使用类激活图将深度学习模型关注区域可视化并分析不同模型间的差异。结果:1.两组间肿瘤实体部分的ADCmin值及ADCmean值具有统计学差异(P<0.05);两组间患者年龄具有统计学差异(P<0.05);两组间性别、肿瘤发病位置、各序列信号特点、MR征象的定性指标及定量指标等影像学征象差异均无统计学意义(P>0.05);两位影像医生准确度分别为65.1%和69.8%;AUC值分别为0.637和0.684。2.T1C-net、FLAIR-net、ADC-net模型在在测试集上的AUC值分别为0.749、0.754、0.685;Ts-net、IF-net、DF-net模型在测试集上AUC分别为0.797、0.820、0.783。其中经图像级融合的模型IF-net效能最高,ADC图像序列训练的模型ADC-net效能最低。结论:1.患者年龄、肿瘤实体部分的ADCmin值及ADCmean值对于区分MGMT启动子甲基化具有一定参考价值;影像医师评估胶质母细胞瘤MGMT启动子甲基化状态诊断效能较低。2.基于多模态MRI使用Efficient Net-B7神经网络构建的深度学习模型对预测胶质母细胞瘤MGMT启动子甲基化状态具有较高的诊断效能。其中,以基于三种序列图像级融合模型IF-net预测性能最佳。