發(fā)布時間：2021-01-07 22:53

　　目的:基于常規(guī)MRI影像組學建立機器學習模型,探討模型在預測腦膠質瘤術前分級中的臨床價值。方法:回顧性搜集經病理證實的211例腦膠質瘤患者的臨床及影像資料,包括世界衛(wèi)生組織Ⅱ級65例、Ⅲ級61例、Ⅳ級85例。所有患者術前均行MRI檢查,包括軸位T2加權圖像（T2WI）、三維對比增強T1加權圖像（3D-CET1WI）。對腫瘤感興趣區(qū)進行逐層手動勾畫并插值成感興趣容積后進行影像組學特征提取,包括一階統(tǒng)計特征、形狀特征、紋理特征及基于過濾器類。采用方差選擇法、單變量選擇法、最小絕對收縮選擇算子對特征篩選降維。納入樣本隨機分離,訓練集樣本和驗證集樣本的比值為9:1。建立支持向量機（SVM）、極限梯度增強樹（XGBoost）、K鄰近（KNN）機器學習模型,通過模型對膠質瘤Ⅱ、Ⅲ、Ⅳ級進行預測,并計算模型曲線下面積（AUC）、敏感性、特異性。結果:基于T2WI建立的機器學習模型預測膠質瘤分級的AUC:KNN模型預測膠質瘤Ⅱ、Ⅲ、Ⅳ級的AUC分別為0.619、0.750及0.868,SVM模型預測膠質瘤Ⅱ、Ⅲ、Ⅳ級的AUC分別為0.648、0.781及0.863,XG Boost模型預測膠質瘤Ⅱ、Ⅲ... 

【文章來源】：蘭州大學甘肅省 211工程院校 985工程院校 教育部直屬院校

【文章頁數】：55 頁

【學位級別】：碩士

【部分圖文】：

自2012年影像組學相關刊物統(tǒng)計

蘭州大學碩士學位論文常規(guī)MRI影像組學結合機器學習預測膠質瘤分級的臨床研究6第二章資料與方法2.1病人臨床資料2.1.1一般資料回顧性搜集本院2016年3月至2018年10月期間經病理證實為腦膠質瘤患者影像及臨床資料。根據納入和排除標準確定最終研究對象。納入標準：①穿刺活檢或手術切除后經病理組織證實為膠質瘤患者，腫瘤位于小腦幕上；②MRI掃描前，患者未經過任何激素、放化療、穿刺等治療或手術史；③術前接受本院SiemensVerio3.0TMRI掃描，并可獲得治療前的圖像(包括3D-CET1WI和軸位T2WI)。排除標準：①術前影像資料和/或病理組織學資料為外院者、病理組織學結果不明確者；②MRI掃描前有上述治療史的患者；③MRI圖像質量不佳（運動偽影、金屬偽影等）④缺少本院3D-CET1WI和/或軸位T2WI者。本研究初步納入397例，其中序列不全者124例，MRI圖像質量不佳者8例，MRI檢查前有放化療等手術史者5例，術前未做本院MRI檢查者22例，病理組織學結果有爭議者3例，掃描機型不符合者9例，腫瘤位于小腦位小幕下者12例，影像組學特征提取失敗者3例。研究最終納入211例患者，男性127例，女性84例，年齡在11～75歲之間。其中WHOII級65例，男性40例，女性25例，年齡11～64歲；WHOIII級61例，男性28例，女性23例，年齡14～65歲；WHOIV級85例，男性49例，女性36例，年齡13～75歲�；颊叩木唧w納入過程如圖2-1所示。圖2-1本研究患者具體納入及排除過程

蘭州大學碩士學位論文常規(guī)MRI影像組學結合機器學習預測膠質瘤分級的臨床研究8隨機選取20例患者MRI圖像，由同一名診斷醫(yī)師間隔1個月前后重復2次進行ROI勾畫后提取特征，用組內相關性系數(Intraclasscorrelationcoefficient,ICC)分析觀察者前后兩次提取特征一致性，ICC＞0.750一致性好。圖2-2腫瘤ROI的勾畫。A、B圖分別為軸位T2WI及腫瘤的ROI；C、圖為利用T2WI的ROI重建的VOI；D、E圖分別為3D-CET1WI及矢狀位腫瘤的ROI；F、圖利用3D-CET1WI的ROI重建的VOI圖2-3WHOⅡ級（彌漫型星形細胞瘤）患者。A、DWI圖像；B、T2WI軸位勾畫ROI；C、匯醫(yī)慧影組學平臺三維界面上，3D-CET1WI矢狀位勾畫ROI


本文編號：2963395