目的擬采用不同核磁共振圖像、不同機器學習模型來建立膠質(zhì)瘤術(shù)前分級的影像組學模型,探究影像組學模型在膠質(zhì)瘤術(shù)前分級中的可行性。材料與方法回顧性分析術(shù)前行常規(guī)MRI檢查的腦膠質(zhì)瘤患者93例,分為低級別膠質(zhì)瘤（LGG組）和高級別膠質(zhì)瘤（HGG組）。將DICOM格式圖像導入GE-AK軟件,對T2WI和T1增強（T1CE）圖像進行感興趣區(qū)（region of interest,ROI）勾畫,將提取得到的直方圖特征和紋理特征導入R語言軟件包進行特征預處理和降維,選擇三種函數(shù)建立六種機器學習模型,將全部數(shù)據(jù)按照7︰3比例,分為訓練集與測試集,利用10倍交叉驗證對六種模型進行訓練,然后通過測試集進行驗證,并繪制ROC曲線,計算其分類LGG與HGG的敏感度、特異度、AUC。結(jié)果 LGG組平均年齡低于HGG組,差異有統(tǒng)計學意義（P<0.01）。LGG組與HGG組性別組成差異無統(tǒng)計學意義（P>0.05）。六種影像組學模型的AUC值均大于0.8,基于T1CE圖像的影像組學模型的AUC值均大于基于T2WI圖像模型的AUC,其中基于T1CE圖像的RF模型的AUC最高,達到0.97。結(jié)論影像組學診斷模型... 

【文章來源】：磁共振成像. 2020,11(01)

【文章頁數(shù)】：5 頁

【部分圖文】：

基于T2WI圖像三種機器學習模型的ROC曲線

本研究分別選取T1增強(T1CE)圖像和T2WI圖像進行ROI勾畫，將術(shù)前MRI圖像導入GE-AK分析軟件，在勾畫ROI前對所有圖像進行灰度和對比度調(diào)整，從而減小亮度和對比度變化對ROI勾畫的影響。2名高年資神經(jīng)影像診斷醫(yī)師采用雙盲法勾畫ROI，如有意見不一致時，需經(jīng)二者協(xié)商一致達成共識。ROI的大小取決于腫瘤大小，首先在T1CE圖像勾畫ROI，勾畫時同時參考T1WI、T2WI、FLAIR圖像，以區(qū)分腫瘤組成成分，然后以T1CE圖像的ROI為標準，T2WI的ROI盡量與T1CE保持一致。軟件經(jīng)過自動計算得到基于T1CE圖像的影像組學特征232個，其中直方圖特征42個，灰度共生矩陣(GLCM)特征96個和灰度游程長度矩陣(GLRLM)特征94個；基于T2WI圖像的影像組學特征232個，特征數(shù)目和名稱與T1CE圖像的影像組學特征相同。具體特征分類及名稱詳見表1。圖1 基于T2WI圖像三種機器學習模型的ROC曲線


本文編號：3433411