目的:使用增強CT圖像的紋理特征,利用紋理分析及機器學習算法鑒別胰腺導管腺癌(PDAC)、胰腺神經(jīng)內(nèi)分泌腫瘤(PNETs)及胰腺實性假乳頭狀腫瘤(SPT),并回顧性評估紋理特征的診斷效能。材料與方法:本研究為回顧性研究,共納入199例經(jīng)病理證實的胰腺腫瘤,包括98例PDAC、62例SPT及39例PNETs,所有病人都進行了胰腺CT平掃+增強掃描。在胰腺動脈期的圖像中手動勾畫出腫瘤邊界并提取紋理特征,本研究共提取46個紋理特征。本研究使用一對多的分組方法。單因素分析中,分別比較不同腫瘤的每個紋理特征,并計算曲線下面積(AUC)。多因素分析首先使用基于隨機森林算法選擇出對鑒別不同腫瘤有意義的特征組合,利用六種不同的機器學習方法(線性判別分析、K鄰近、隨機森林、Adabost、樸素貝葉斯、神經(jīng)網(wǎng)絡(luò)),將選擇出的特征組合輸入六種機器學習模型對腫瘤進行分類,基于十折交叉驗證計算曲線下面積(AUC)或者分類準確率。AUC評估能力分5個級別:0.50-0.59,差;0.60-0.69,中等;0.70-0.79,較好;0.80-0.89,非常好;0.90-1.0,極好。結(jié)果:在單因素分析中,灰度區(qū)域大小矩陣特征中的低密度短域補償對鑒別PDAC表現(xiàn)出較好的鑒別能力,AUC值0.7345(P0.0001);灰度游程長度矩陣特征中的灰度不均一性對鑒別SPT表現(xiàn)出較好的鑒別能力,AUC值0.7900(P0.0001);灰度共生矩陣特征中的總和均值對于鑒別PNETs表現(xiàn)出非常好的鑒別能力,AUC值0.8930(P0.0001)。多因素分析使用隨機森林算法提取出對鑒別有意義的特征組合后,六種機器學習算法對鑒別PDAC、SPT和PNETs的最大AUC值分別達到了0.8819(隨機森林算法)、0.8583(隨機森林算法)、0.9390(Adaboost算法),鑒別能力都達到了非常好或者極好的程度。六種機器學習算法直接多標簽分類三種腫瘤后,分類準確率達到了80%(隨機森林算法)。結(jié)論:基于胰腺增強CT圖像的紋理特征非侵入性的鑒別PDAC、SPT和PNETs是可行的,且使用機器學習方法后能進一步提高鑒別診斷的效能。
【學位單位】：中國醫(yī)科大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：R735.9;R730.44
【部分圖文】：

胰腺 CT 平掃+增強檢查；②有手術(shù)后的腫瘤病理結(jié)果作為金標準；③腫塊直徑要小于等于 6cm。排除標準：①術(shù)前未進行腹部 CT 檢查或僅行平掃 CT 檢查者；②腫塊的橫斷直徑大于 6cm。2.2 CT 紋理分析2.2.1 圖像選擇及 ROI 定義腫瘤邊界的確定是由兩名低年資（具有 3~5 年的放射科臨床工作經(jīng)驗）放射科醫(yī)師在 PACS 閱片系統(tǒng)上分別獨立觀察胰腺動脈期，協(xié)商后以確定腫瘤邊界。當兩位低年資放射科醫(yī)師有分歧意見時，再由高年資的放射科醫(yī)師（具有 20 年的放射科臨床工作經(jīng)驗）確定腫瘤的邊界。在確定完腫瘤邊界后，在基于 MITK 平臺（www.mitk.org，版本 2015.05.2）上的 A.K. 軟件（GE, Artificial Intelligence Kit）上選取腫瘤橫斷面最大的層面，沿腫瘤的邊界手動勾畫出感興趣區(qū)域（ROI），勾畫原則為：保持距腫瘤邊緣 2-3mm。

叭側(cè)曰映.側(cè)e,

【參考文獻】

相關(guān)期刊論文 前2條

1 Pornchai Leelasinjaroen;Wuttiporn Manatsathit;Richard Berri;Mohammed Barawi;Frank G Gress;;Role of preoperative endoscopic ultrasound-guided fine-needle tattooing of a pancreatic head insulinoma[J];World Journal of Gastrointestinal Endoscopy;2014年10期

2 Takehiro Okabayashi;Yasuo Shima;Tatsuaki Sumiyoshi;Akihito Kozuki;Satoshi Ito;Yasuhiro Ogawa;Michiya Kobayashi;Kazuhiro Hanazaki;;Diagnosis and management of insulinoma[J];World Journal of Gastroenterology;2013年06期

本文編號：2808561