發(fā)布時間：2021-02-15 00:56

　　目的觀察T1WI、IDEAL-T2WI影像組學特征及機器學習模型鑒別腮腺多形性腺瘤（PA）與腺淋巴瘤（AL）的價值。方法回顧性分析33例腮腺PA和25例AL患者。運用放射組學云平臺,于軸位T1WI和IDEAL-T2WI上手動勾畫病灶ROI,提取影像組學特征;以方差閾值法、SelectKBest及Lasso算法篩選最優(yōu)特征。采用隨機森林、邏輯回歸算法建立機器學習模型,繪制ROC曲線,分析T1WI、IDEAL-T2WI、IDEAL-T2WI聯(lián)合T1WI建立模型的診斷效能。結(jié)果 T1WI、IDEAL-T2WI、IDEAL-T2WI聯(lián)合T1WI分別得到6、9、12個有效特征�；贗DEAL-T2WI聯(lián)合T1WI建立隨機森林模型的診斷效能最高,AUC為0.87,95%CI（0.59,1.00）,準確率0.83。結(jié)論基于T1WI、IDEAL-T2WI影像組學特征及機器學習模型可有效鑒別診斷腮腺PA和AL。 

【文章來源】：中國醫(yī)學影像技術(shù). 2020,36(05)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

圖像特征及相關(guān)系數(shù)

影像組學是指從CT、MRI、PET/CT或超聲等圖像中提取大量影像學特征,并進行高通量定量數(shù)據(jù)分析,采用一系列精準數(shù)據(jù)綜合評價腫瘤在空間、時間上的異質(zhì)性[9]。基于MRI的影像組學對鑒別PA與AL有重要價值。MA等[10]從29例PA和13例AL中提取6種ADC直方圖參數(shù),發(fā)現(xiàn)PA的ADCmean、ADCmedian、ADC10、ADC90明顯高于AL,而二者偏度和峰度無明顯差異,以ADC10鑒別PA與AL最為準確。ZHANG等[11]發(fā)現(xiàn)ADCminimum、ADCmaximum、ADCmean、ADC10、ADC50、ADC90、ADC99、變異度及偏度在PA與AL之間存在差異,其中ADCmean、ADC50、偏度判別能力較高。此外,有學者[12]采用基于T2WI的全域直方圖分析比較鑒別PA與AL的價值,發(fā)現(xiàn)PA的平均值和第10、50、90、99百分位數(shù)明顯高于AL,第50、90百分位數(shù)鑒別的準確率更高。以上研究均基于一階直方圖特征,而一階直方圖特征是較為初級的影像組學特征,紋理特征及三階特征則是中較為高級的影像組學特征。本研究自33例PA和25例AL病灶的每個VOI中提取1 409個影像組學特征,其中包括一階直方圖特征、紋理特征及三階特征,擴充了影像組學特征,同時增加了成像序列,可更全面地覆蓋腫瘤特征。圖3 邏輯回歸模型中IDEAL-T2WI聯(lián)合T1WI構(gòu)建模型的ROC曲線

圖2 隨機森林模型中IDEAL-T2WI聯(lián)合T1WI構(gòu)建模型的ROC曲線本研究從T1WI、IDEAL-T2WI及IDEAL-T2WI聯(lián)合T1WI中分別得到6、9及12個有效特征,其中自IDEAL-T2WI聯(lián)合T1WI得到的12個特征(包括5個T1WI特征和7個IDEAL-T2WI特征)與鑒別診斷PA和AL最為相關(guān)。上述5個T1WI特征分為3類:3個一階統(tǒng)計特征,包括峰度、熵、第90百分位數(shù),以及紋理特征及小波特征各1個,分別為NGTDM及wavelet-LLH;7個IDEAL-T2WI特征包括熵和中位數(shù)2個一階統(tǒng)計特征,1個紋理分析特征GLDM以及4個經(jīng)wavelet-LLH小波變換后的特征。峰度是反映腫瘤空間異質(zhì)性總體特征的重要參數(shù),用于描述像素分布形態(tài)的陡緩程度[13]。本研究中峰度呈正值,提示與正態(tài)分布相比,病灶像素的分布較尖銳。熵反映腫瘤內(nèi)部結(jié)構(gòu)復(fù)雜程度和不均質(zhì)度。PA含有黏液樣組織、軟骨樣組織和上皮細胞等,而AL主要由腺體及囊性成分構(gòu)成,其內(nèi)含有黏液及膠凍樣物質(zhì)[14];二者復(fù)雜程度及不均質(zhì)度不同,故其熵有一定差異。一階統(tǒng)計特征中第n百分位數(shù)的差異反映不同腫瘤間瘤體組織成分及瘤體內(nèi)部構(gòu)成或分布的異質(zhì)性[15]。T1WI的第90百分位數(shù)描述高信號像素,T1WI 上PA呈低信號,AL若含蛋白質(zhì)或膠體成分可呈高信號,第90百分位數(shù)有助于鑒別診斷。中位數(shù)即第50百分位數(shù)用于描述偏態(tài)分布的集中位置,本研究中PA和AL在IDEAL-T2WI的第50百分位數(shù)存在差異,與高鑫等[12]的結(jié)果一致。NGTDM及GLDM反映PA和AL腫瘤區(qū)域的體素或強度的空間排列信息,NGTDM衡量灰度值與鄰域內(nèi)平均灰度值之間的差異,而GLDM通過統(tǒng)計各灰度值與鄰域體素上的相關(guān)性來描述紋理[16]。小波特征通過改變圖像中高頻與低頻信號的比率而攜帶更大信息量,更能體現(xiàn)病變的異質(zhì)性[17]。


本文編號：3034136