目的:基于多模態(tài)磁共振成像（MRI）影像組學(xué)策略構(gòu)建膀胱癌肌層浸潤(rùn)預(yù)測(cè)模型,實(shí)現(xiàn)膀胱癌肌層浸潤(rùn)術(shù)前準(zhǔn)確預(yù)測(cè)。方法:選取在醫(yī)院就診的54例膀胱癌患者術(shù)前T2加權(quán)成像（T2WI）、彌散加權(quán)成像（DWI）和表觀彌散系數(shù)（ADC）3種影像模態(tài)圖譜資料,其中術(shù)后病理診斷為非肌層浸潤(rùn)膀胱癌（NMIBC）24例,肌層浸潤(rùn)膀胱癌（MIBC）30例。對(duì)腫瘤區(qū)域進(jìn)行勾勒,并提取灰度直方特征、灰度共生矩陣（GLCM）特征和灰度游程矩陣（GLRLM）特征,共計(jì)提取3類(lèi)特征中的1 104個(gè)影像特征。采用特征回歸剔除算法進(jìn)行特征選擇,并利用非線(xiàn)性支持向量機(jī)（SVM）結(jié)合所選特征構(gòu)建預(yù)測(cè)模型,用于計(jì)算MIBC與NMIBC的預(yù)測(cè)準(zhǔn)確率和受試者特征（ROC）曲線(xiàn)下面積（AUC）。結(jié)果:經(jīng)過(guò)對(duì)3種模態(tài)中提取的1 104個(gè)特征進(jìn)行選擇,最終選出19個(gè)最優(yōu)特征。利用最優(yōu)特征與SVM分類(lèi)器構(gòu)建的預(yù)測(cè)模型對(duì)MIBC與NMIBC的預(yù)測(cè)準(zhǔn)確率和AUC分別為91.22%和0.9756。結(jié)論:提出的影像組學(xué)策略能夠準(zhǔn)確預(yù)測(cè)膀胱癌肌層浸潤(rùn)性,對(duì)于最佳治療策略的制定具有重要指導(dǎo)意義。 

【文章來(lái)源】：中國(guó)醫(yī)學(xué)裝備. 2020,17(09)

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

在1104個(gè)影像組學(xué)特征中選擇的19個(gè)最優(yōu)特征3.3最優(yōu)特征在3種MRI模態(tài)中的分布

??羌?層浸潤(rùn)性膀胱癌(non-muscle-invasivebladdercancer，NMIBC)，臨床常采用放化療與經(jīng)尿道膀胱腫瘤切除術(shù)(Transurethralresection，TUR)等治療方式，其術(shù)后5年生存率高達(dá)96%[7-9]。25%～30%的患者確診時(shí)其病灶已浸潤(rùn)至肌層，為肌層浸潤(rùn)性膀胱癌(muscle-invasivebladdercancer，MIBC)，臨床常采用根治性膀胱全切術(shù)(radicalcystectomy，RC)進(jìn)行治療，其術(shù)后5年生存率為33%～75%[5,10]。因此，膀胱癌肌層浸潤(rùn)性早期精準(zhǔn)診斷，對(duì)患者的治療與預(yù)后至關(guān)重要。膀胱腫瘤分期與浸潤(rùn)位置對(duì)應(yīng)關(guān)系[9]見(jiàn)圖1。圖1膀胱腫瘤分期與浸潤(rùn)位置對(duì)應(yīng)關(guān)系(改編自文獻(xiàn)[9])2基于多模態(tài)MRI影像組學(xué)的預(yù)測(cè)模型構(gòu)建2.1膀胱腫瘤數(shù)據(jù)獲取選取2012年6月至2017年3月在唐都醫(yī)院就診的54例術(shù)后確診為膀胱癌患者資料，其中24例術(shù)后病理診斷為NMIBC，30例為MIBC。收集其相應(yīng)的術(shù)前多模態(tài)MRI數(shù)據(jù)，其中包括T2-加權(quán)成像(T2weightedimaging，T2WI)、彌散加權(quán)成像(diffusion-weightedimaging，DWI)和相應(yīng)的表觀彌散系數(shù)(apparentdiffusioncoefficient，ADC)3種影像模態(tài)圖譜。從每例患者的多模態(tài)MRI中尋找腫瘤最大的圖層，然后從中勾勒出腫瘤感興趣區(qū)域(regionofinterest，ROI)。采取多個(gè)灰階尺度，對(duì)圖像進(jìn)行離散化處理，并從每個(gè)尺度的離散化圖像中提取紋理特征。多尺度離散化過(guò)程計(jì)算為公式1：Irescale(x)=Grayscale×+1(1)I(x)-min[I(x)]max[I(x)]-min[I(x)]式中Grayscale為需要標(biāo)準(zhǔn)化到哪一個(gè)灰度等級(jí)，在本研究中Grayscale∈{8,16,32,64,128}[12]；Irescale為標(biāo)準(zhǔn)化到某一個(gè)Grayscale的圖像數(shù)據(jù)；I(x)為原始圖像像素灰度值，min[I(x)]和max[I(x)]分別

下面積(areaunderthecurve，AUC)等指標(biāo)量化評(píng)估預(yù)測(cè)效果。3結(jié)果3.1影像組學(xué)特征的相關(guān)性分析由于從T2WI、DWI和ADC的3種MRI圖像模態(tài)中分別提取了3類(lèi)影像組學(xué)共計(jì)1104個(gè)特征，且存在一定的相關(guān)性。那些具有一定相關(guān)性的特征之間可能存在不同程度的特征冗余，若直接將其用于預(yù)測(cè)模型構(gòu)建，往往導(dǎo)致模型過(guò)擬合，從而影響模型的穩(wěn)定性與泛化能力。為了直觀反應(yīng)特征之間的相關(guān)性，利用相關(guān)性分析方法，對(duì)以上任意兩個(gè)特征之間的相關(guān)性進(jìn)行分析，并求取互相關(guān)系數(shù)絕對(duì)值，從而可視化表征以上特征的相關(guān)性程度，見(jiàn)圖2。圖2在1104個(gè)影像組學(xué)特征中的互相關(guān)系數(shù)絕對(duì)值圖譜圖2顯示，所有1104個(gè)特征任意兩個(gè)的相關(guān)性計(jì)算結(jié)果顏色越趨于暖色區(qū)域，表明特征之間的相關(guān)性越強(qiáng)，反之越趨于冷色區(qū)，表明相關(guān)性越弱。從中可直觀顯示：這1104個(gè)特征之間存在顯著特征相關(guān)性，可能在這些兩兩嚴(yán)重相關(guān)的特征之間存在冗余。3.2基于SVM-RFE的最優(yōu)特征選擇在1104個(gè)影像組學(xué)特征之間存在一定的相關(guān)性，存在特征冗余。由于在基于SVM的分類(lèi)模型構(gòu)建中，特征冗余通常會(huì)造成模型過(guò)擬合，降低其預(yù)測(cè)穩(wěn)定性與泛化能力。因此，采用SVM-RFE的特征選擇算法，從以上1104個(gè)特征中選擇一組具有最高分類(lèi)AUC值的特征子集作為最佳特征集，用于進(jìn)一步構(gòu)建分類(lèi)模型。基于SVM-RFE的特征選擇結(jié)果中顯示，經(jīng)過(guò)SVM-RFE特征排序后，前19個(gè)特征在預(yù)分類(lèi)中可獲得高達(dá)0.9819的AUC值，因此被選為最優(yōu)特征子集，用于接下來(lái)的預(yù)測(cè)模型構(gòu)建，見(jiàn)圖3。圖3在1104個(gè)影像組學(xué)特征中選擇的19個(gè)最優(yōu)特征注：圖中條棒的長(zhǎng)度越短則排序越靠前圖419個(gè)最優(yōu)特征的具體名稱(chēng)及其在3種MRI模態(tài)中的分布3.3最優(yōu)特征在3種MRI模態(tài)中的分?


本文編號(hào)：3287674