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聯合T1WI建立模型的診斷效能。結果 T1WI、IDEAL-T2WI、IDEAL-T2WI聯合T1WI分別得到6、9、12個有效特征�；贗DEAL-T2WI聯合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. 2020,36(05)北大核心

【文章頁數】：5 頁

【部分圖文】：

圖像特征及相關系數

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據分析,采用一系列精準數據綜合評價腫瘤在空間、時間上的異質性[9]�；贛RI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,發(fā)現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PA的平均值和第10、50、90、99百分位數明顯高于AL,第50、90百分位數鑒別的準確率更高。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聯合T1WI構建模型的ROC曲線

圖2 隨機森林模型中IDEAL-T2WI聯合T1WI構建模型的ROC曲線本研究從T1WI、IDEAL-T2WI及IDEAL-T2WI聯合T1WI中分別得到6、9及12個有效特征,其中自IDEAL-T2WI聯合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。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,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2個一階統(tǒng)計特征,1個紋理分析特征GLDM以及4個經wavelet-LLH小波變換后的特征。峰度是反映腫瘤空間異質性總體特征的重要參數,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。熵反映腫瘤內部結構復雜程度和不均質度。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成,其內含有黏液及膠凍樣物質[14];二者復雜程度及不均質度不同,故其熵有一定差異。一階統(tǒng)計特征中第n百分位數的差異反映不同腫瘤間瘤體組織成分及瘤體內部構成或分布的異質性[15]。T1WI的第90百分位數描述高信號像素,T1WI 上PA呈低信號,AL若含蛋白質或膠體成分可呈高信號,第90百分位數有助于鑒別診斷。中位數即第50百分位數用于描述偏態(tài)分布的集中位置,本研究中PA和AL在IDEAL-T2WI的第50百分位數存在差異,與高鑫等[12]的結果一致。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,更能體現病變的異質性[17]。


本文編號：3034136