基于DWI的影像组学模型评估急性脑梗死预后的初步研究

发布时间：2020-05-01 11:44

【摘要】：第一部分基于DWI的影像组学方法评估急性脑梗死的模型研究目的:急性脑梗死病变具有异质性,且影响患者的治疗和预后,常规影像学方法对此种异质性评估不足。本研究拟建立影像组学模型,从大数据分析角度探讨脑梗死病变异质性,并确定其评估脑梗死预后的可能性。方法:连续采集220例急性大脑中动脉(MCA)区梗死病人临床和DWI资料,采用ITK软件及支持向量机、Logistic回归分析、RF随机森林分类器模型分别进行分析,获得预后评估效果最佳的影像组学模型。结果:最终纳入208例,两种预后的临床及人口学因素中仅年龄有统计学差异,年龄符合正态分布,平均数为59.053。预后良好组与不良组之间共提取396个组学特征,套索回归降维后筛选出8个最强相关特征,得到最终RF随机森林模型分类器得出的影像组学预测模型最佳,ROC曲线下面积AUC分别为训练组AUC为0.824,敏感度0.953、特异度0.592、准确度0.699,验证组AUC为0.725,敏感度、特异度及准确度分别为0.778、0.636及0.677。结论:影像组学方法提取的特征可用于建立基于DWI序列的MCA区急性脑梗死评估模型,其中RF算法模型效果最佳。第二部分基于DWI的影像组学特征评估急性脑梗死预后的初步研究目的:本研究目的是建立影像组学综合预后模型,并评估该模型对于急性脑梗死良好预后的诊断效能。方法:共纳入急性大脑中动脉(MCA)区梗死的病人208例,共提取了396个影像组学特征,将病人预后分为预后良好组与预后不良组,采用了L ogistic回归及RF随机决策森林两个分类器模型,得到每个模型的受试者工作曲线ROC下面积AUC比较两个综合模型的诊断效率。最终在验证组中进行交叉验证。结果:单纯影像组特征模型训练组AUC为0.82、敏感度0.953、特异度0.592、准确度0.699,验证组的分别为AUC为0.725、敏感度0.778、特异度0.636、准确率0.677。而影像组学模型与年龄因素结合后综合预测模型训练组AUC为0.88、敏感度0.698、特异度0.883、准确度0.829,并在验证组中进行内部交叉验证,验证组的AUC为0.87、敏感度0.944、特异度0.705、准确度0.774。结论:本研究开发了一种基于DWI的急性脑梗死影像学组学预后评估方法,其中综合影像组学与临床年龄特征的综合模型预测效果最佳。
【图文】：

影像,特征提取,直方图特征,灰度共生矩阵

A B图 1 使用 ITK-SNAP 软件图像分割过程Fig.1 Image segmentation process using ITK-SNAP softwareThe patient, male, 52 years old, showed a right inferior coronary basal ganglia acutinfarction with DWI. A, the conventional DWI sequence, the white area is the acute infarcarea; B, the interest area (red) is the target area for image analytics analysis.4.2 影像组学特征的提取、选择及模型构建4.2.1 特征提取特征提取（feature extraction）[12]是指当海量数据比较复杂时，数据之间可能存在相关性，冗余度较大，难以挖掘并提取有价值的影像组学特征，，因此采用特征降维（dimension reduction）减少冗余。具体方法：将源图像和已勾画 ROI 的 DICOM 图像加载到 ITK 软件，ITK软件提取 396 个影像组学特征【包括一阶特征：直方图特征、形状因子特征；二阶特征：灰度共生矩阵（gray level co-occurrence matrix,GLCM）特

强度变异性,影像,紧密度,训练组

（6）LongRunEmphasis_angle45_offset4（长游程矩）；（7）Compactness2（紧密度）；（8）IntensityVariability（强度变异性）。寻找最佳参数对数 λ（图 2），选择交叉验证误差最小时的 λ 值为型最优值。将影像组学数据分别输入三种分类器模型即支持向量机support vector machine, SVM）、Logistic 回归分析及 RF（图 3），得到训练组及验证组中每一位病人的影像分数，以 Barchart 图（柱形图）的式展示。
【学位授予单位】：河北医科大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R743.33;R445.2

【参考文献】