论文部分内容阅读
目的:1、探讨基于T2WI图像的影像组学方法对颅内原发淋巴瘤、胶质母细胞瘤及脑转移瘤的鉴别诊断价值。2、探讨基于T1WI增强图像的影像组学方法对颅内原发淋巴瘤、胶质母细胞瘤及脑转移瘤的鉴别诊断价值。材料与方法:一、一般资料回顾性分析我院2010年1月-2020年1月收治的38例颅内原发淋巴瘤、51例胶质母细胞瘤、66例脑转移瘤,其中男72例,女83例,平均年龄58.65±11.34岁。所有患者均由3.0T磁共振设备(GE Discovery HD750 3.0TMRI及Siemens verio3.0TMRI)按标准扫描规范扫描,得到轴位T2WI、T1WI增强图像。患者纳入标准:(1)病灶于手术或穿刺后经病理证实,诊断明确;(2)脑转移瘤中个数≤3个、影像上不表现为小瘤大水肿、临床工作中误诊的病例;(3)影像资料齐全;(4)在进行MRI检查前未进行放化疗或激素治疗。排除标准:(1)图像伪影较大,分辨率无法达到要求;(2)未进行增强MRI扫描。二、图像的分割将所收集患者的轴位T2WI、T1WI增强图像以DICOM格式导入汇医慧影公司放射组学云平台(Radcloud,Huiying Medical Technology Co,Ltd),在不了解患者临床资料、病理诊断的情况下,分别逐层手动勾画病灶ROI,得到病灶的VOI,包括病灶内部的囊变、坏死及出血。三、放射组学特征值提取及筛选利用Radcloud平台从两组MR图像中提取定量图像特征,这些特征可以分为四组,分别为一阶统计特征、形状特征、纹理特征和高阶统计特征,共1409个特征值。随后将所提取的特征值分别经方差分析法、单变量选择法和套索法进行特征降维,选取出可用于鉴别诊断的最优特征值。四、统计学分析一般资料的相关性分析在SPSS 22.0统计软件上进行,若每组资料均符合正态性分布,并且方差齐,采用单因素方差分析,若不符合正态分布,则使用多组资料的秩和检验,取P值小于0.05为差异有统计学意义。其余统计分析均在慧医汇影放射组学Radcloud平台上进行。将所有的VOIs按4:1随机分为训练数据集和测试数据集,分别使用六种分类器(K近邻、支持向量机、极限梯度增强树、随机森林、逻辑回归、决策树)对所筛选出的最优特征值进行分类模型的建立。使用ROC曲线分析各分类器的预测性能,测试组ROC曲线下面积(AUC)越大证明该模型的诊断性能越高。分别计算不同分类器的AUC、敏感度(Sensitivity)、特异度(Specificity)及F1值。F1值越高,该模型稳定性越好。结果一、一般资料所入组原发中枢神经系统淋巴瘤38例,其中男18例,女20例,平均年龄59.29±13.01岁;胶质母细胞瘤51例,其中男26例,女25例,平均年龄55.27±11.05岁;脑转移瘤66例,其中男28例,女38例,平均年龄60.88±9.99岁,原发肿瘤中肺癌有47个、乳腺癌8个、肾癌2个、宫颈癌2个、直肠癌2个、胸膜间皮瘤1个、膀胱癌1个。三组间年龄及性别差异均无统计学意义(P>0.05)。二、特征值筛选结果1、基于常规T2WI图像分别提取了1409个特征值,经过方差选择法降维后得到893个特征值,进一步经过单变量特征选择法降维后得到439个特征值,最后经最小绝对收缩算子特征选择法降维得到20个最优特征值,其中形状特征1个,一阶特征3个,纹理特征11个,高阶特征5个。2、基于T1WI增强图像分别提取了1409个特征值,经过方差选择法降维后得到898个特征值,进一步经过单变量特征选择法降维后得到506个特征值,最后经最小绝对收缩算子特征选择法降维得到35个最优特征值,其中形状特征2个,一阶特征4个,纹理特征10个,高阶特征19个。三、基于影像组学特征的预测模型建立结果1、基于T2WI图像中由KNN分类器所构建的鉴别模型的AUC值最佳,分别为0.92、0.77、0.89。2、基于T1WI增强图像中由LR分类器所构建的鉴别模型AUC值最佳,分别为0.93、0.95、0.82。结论一、基于常规T2WI图像、T1WI增强图像的影像组学方法可以鉴别诊断颅内原发淋巴瘤、胶质母细胞瘤及脑转移瘤。二、六种分类器中基于T1WI增强图像所构建的LR分类器的鉴别模型诊断性能最高,模型稳定性最好。