【摘要】：第一部分基于DWI的影像組學(xué)方法評估急性腦梗死的模型研究目的:急性腦梗死病變具有異質(zhì)性,且影響患者的治療和預(yù)后,常規(guī)影像學(xué)方法對此種異質(zhì)性評估不足。本研究擬建立影像組學(xué)模型,從大數(shù)據(jù)分析角度探討腦梗死病變異質(zhì)性,并確定其評估腦梗死預(yù)后的可能性。方法:連續(xù)采集220例急性大腦中動脈(MCA)區(qū)梗死病人臨床和DWI資料,采用ITK軟件及支持向量機(jī)、Logistic回歸分析、RF隨機(jī)森林分類器模型分別進(jìn)行分析,獲得預(yù)后評估效果最佳的影像組學(xué)模型。結(jié)果:最終納入208例,兩種預(yù)后的臨床及人口學(xué)因素中僅年齡有統(tǒng)計(jì)學(xué)差異,年齡符合正態(tài)分布,平均數(shù)為59.053。預(yù)后良好組與不良組之間共提取396個組學(xué)特征,套索回歸降維后篩選出8個最強(qiáng)相關(guān)特征,得到最終RF隨機(jī)森林模型分類器得出的影像組學(xué)預(yù)測模型最佳,ROC曲線下面積AUC分別為訓(xùn)練組AUC為0.824,敏感度0.953、特異度0.592、準(zhǔn)確度0.699,驗(yàn)證組AUC為0.725,敏感度、特異度及準(zhǔn)確度分別為0.778、0.636及0.677。結(jié)論:影像組學(xué)方法提取的特征可用于建立基于DWI序列的MCA區(qū)急性腦梗死評估模型,其中RF算法模型效果最佳。第二部分基于DWI的影像組學(xué)特征評估急性腦梗死預(yù)后的初步研究目的:本研究目的是建立影像組學(xué)綜合預(yù)后模型,并評估該模型對于急性腦梗死良好預(yù)后的診斷效能。方法:共納入急性大腦中動脈(MCA)區(qū)梗死的病人208例,共提取了396個影像組學(xué)特征,將病人預(yù)后分為預(yù)后良好組與預(yù)后不良組,采用了L ogistic回歸及RF隨機(jī)決策森林兩個分類器模型,得到每個模型的受試者工作曲線ROC下面積AUC比較兩個綜合模型的診斷效率。最終在驗(yàn)證組中進(jìn)行交叉驗(yàn)證。結(jié)果:單純影像組特征模型訓(xùn)練組AUC為0.82、敏感度0.953、特異度0.592、準(zhǔn)確度0.699,驗(yàn)證組的分別為AUC為0.725、敏感度0.778、特異度0.636、準(zhǔn)確率0.677。而影像組學(xué)模型與年齡因素結(jié)合后綜合預(yù)測模型訓(xùn)練組AUC為0.88、敏感度0.698、特異度0.883、準(zhǔn)確度0.829,并在驗(yàn)證組中進(jìn)行內(nèi)部交叉驗(yàn)證,驗(yàn)證組的AUC為0.87、敏感度0.944、特異度0.705、準(zhǔn)確度0.774。結(jié)論:本研究開發(fā)了一種基于DWI的急性腦梗死影像學(xué)組學(xué)預(yù)后評估方法,其中綜合影像組學(xué)與臨床年齡特征的綜合模型預(yù)測效果最佳。
【圖文】：

A B圖 1 使用 ITK-SNAP 軟件圖像分割過程Fig.1 Image segmentation process using ITK-SNAP softwareThe patient, male, 52 years old, showed a right inferior coronary basal ganglia acutinfarction with DWI. A, the conventional DWI sequence, the white area is the acute infarcarea; B, the interest area (red) is the target area for image analytics analysis.4.2 影像組學(xué)特征的提取、 選擇及模型構(gòu)建4.2.1 特征提取 特征提�。╢eature extraction）[12]是指當(dāng)海量數(shù)據(jù)比較復(fù)雜時，數(shù)據(jù)之間可能存在相關(guān)性，冗余度較大，難以挖掘并提取有價值的影像組學(xué)特征，，因此采用特征降維（dimension reduction）減少冗余。具體方法：將源圖像和已勾畫 ROI 的 DICOM 圖像加載到 ITK 軟件，ITK軟件提取 396 個影像組學(xué)特征【包括一階特征：直方圖特征、形狀因子特征；二階特征：灰度共生矩陣（gray level co-occurrence matrix,GLCM） 特

（6）LongRunEmphasis_angle45_offset4（長游程矩）；（7）Compactness2（緊密度）；（8）IntensityVariability（強(qiáng)度變異性）。尋找最佳參數(shù)對數(shù) λ（圖 2），選擇交叉驗(yàn)證誤差最小時的 λ 值為型最優(yōu)值。將影像組學(xué)數(shù)據(jù)分別輸入三種分類器模型即支持向量機(jī)support vector machine, SVM）、Logistic 回歸分析及 RF（圖 3），得到訓(xùn)練組及驗(yàn)證組中每一位病人的影像分?jǐn)?shù)，以 Barchart 圖（柱形圖）的式展示。
【學(xué)位授予單位】：河北醫(yī)科大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：R743.33;R445.2

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 吳亞平;林予松;顧建欽;劉廣芝;白巖;劉太元;劉振宇;田捷;伍衛(wèi)國;王梅云;;影像組學(xué)的研究進(jìn)展與挑戰(zhàn)[J];中華放射學(xué)雜志;2017年12期

本文編號：2646609