CT影像组学在胃神经内分泌肿瘤中的诊断研究

发布时间：2020-09-01 20:50

　　第一部分CT影像组学在鉴别胃神经内分泌癌和胃腺癌中的诊断研究目的:探讨基于CT图像的影像组学方法在鉴别胃神经内分泌癌(neuroendocrine carcinoma,NEC)和胃腺癌(adenocarcinoma,ADC)中的诊断价值。材料与方法:回顾性收集我院2011年8月至2018年11月经病理确诊的胃神经内分泌癌患者48例和胃腺癌患者55例,均进行治疗前腹部CT平扫加增强扫描,并具备完整的临床病理资料。评估肿瘤CT主观特征包括部位、形状、肿瘤边界、囊变和坏死、淋巴结转移和肝转移,测量肿瘤最厚径、最长径、三期平均CT值并计算各期强化率,以及记录患者临床一般资料。采用Kappa检验和组内相关系数(intraclass correlation coefficient,ICC)分析观察者间图像评估的可重复性。采用独立样本t检验(或Mann-Whitney U检验)比较两组定量资料,卡方检验(或Fisher’s确切概率检验)比较两组间定性资料,并通过Logistic回归筛选出鉴别NEC和ADC的独立影响因素。通过ITK-SNAP软件手动分割全肿瘤,提取影像组学特征,通过“极端梯度上升”(Extreme Gradient Boosting,XGBoost)算法筛选组学特征并构建影像组学模型,并用十折交叉验证得到最佳参数。另将CT影像特征均纳入XGboost算法中,构建CT影像诊断模型。绘制受试者工作(receiver operating characteristic,ROC)曲线检验CT影像模型和影像组学模型的诊断性能,并确定曲线下面积(area under the curve,AUC)、准确度、敏感度和特异度。采用Delong检验比较两种模型的诊断性能。结果:肿瘤最厚径、肿瘤边界及动脉-静脉期强化率可作为鉴别NEC和ADC的独立影响因素(P0.05)。CT影像模型中排名前三位的重要影响因素分别是动脉-静脉期强化率(190分)、肿瘤最厚径(174分)和肿瘤边界(163分)。影像组学模型排名前三位的重要鉴别因素分别是P_wavelet-HLL_firstorder_Skewness(27分),PS_original_shape_Surface Volume Ratio(21分)和A_original_shape_Flatness(21分)。ROC曲线分析显示,CT影像模型及影像组学模型的AUC值分别为0.608和0.742,准确性分别为58.06%和71.88%,敏感度分别为56.25%和72.22%,特异度分别为60.00%和71.43%。基于XGBoost算法的影像组学模型的AUC值、敏感度、特异度及准确度均比CT影像模型高,且两者之间AUC值差异有统计学意义(P0.05)。结论:1.CT影像评估中,动脉-静脉期强化率、肿瘤边界和肿瘤最厚径对鉴别胃NEC和ADC有一定诊断价值。2.基于CT图像的影像组学模型在NEC和ADC的鉴别中具有重要的应用价值,且诊断性能比CT影像模型更高,有助于临床定量诊断。第二部分CT影像组学在评估胃神经内分泌肿瘤不同病理分级中的诊断研究目的:探讨基于CT图像的影像组学方法在评估和鉴别胃神经内分泌肿瘤(gastric neuroendocrine neoplasms,NEN)不同病理分级中的诊断价值。材料与方法:回顾性收集我院2011年8月至2018年11月经病理确诊且分级明确的胃NEN患者103例,均具备完整的临床病理资料和符合诊断要求的治疗前腹部CT双期增强扫描图像。评估肿瘤CT主观特征包括病灶个数、肿瘤部位、肿瘤形态和淋巴结转移状态,测量肿瘤最厚径、最长径、动静脉期平均CT值,记录患者一般临床资料。观察者间一致性分析采用Kappa检验和组内相关系数(intraclass correlation coefficient,ICC)。采用独立样本t检验(或Mann-Whitney U检验)比较两组间定量资料,卡方检验(或Fisher’s确切概率检验)比较两组间的定性资料。将CT影像特征均纳入XGboost算法中进行特征筛选和CT影像诊断模型的构建。以动脉期和静脉期图像为基础,在ITK-SNAP软件上手动分割肿瘤病灶,采用XGboost回归模型建立动脉期和静脉期组学模型。将CT影像模型和动静脉期组学模型中的重要影响因素均纳入XGBoost回归分析中得到联合诊断模型。采用十倍交叉验证选出模型的最优参数。比较CT影像模型、动静脉期组学模型和联合诊断模型的性能,得到相应的准确性、均方误差(Mean Squared Error,MSE)和平均绝对误差(Mean Absolute Error,MAE)。采用Kruskal-Wallis检验比较各个模型的MSE和MAE,两两比较采用Bonferroni检验。结果:CT影像评估(病灶个数、肿瘤部位、肿瘤形态、淋巴结转移状态、最厚径及最长径)和临床特征(年龄、性别、是否吸烟)在中低(G1/G2)级别和高级别神经内分泌肿瘤(G3)组间差异有统计学意义(P0.05)。CT影像模型中重要性评分大于1400分的重要影响因素分别是最长径、肿瘤最厚径、CTPP、肿瘤部位、年龄和淋巴结转移。动脉期和静脉期影像组学模型中评分大于1000分的重要影响因素分别有6个和7个。联合诊断模型中排名前6位的重要影响因素分别是A_logarithm_glcm_Imc1、P_squareroot_glcm_Maximum Probability、最厚径、最长径、A_wavelet-HHL_glrlm_Gray Level Non Uniformity和P_waveletLLL_ngtdm_Contrast。CT影像模型、动脉期组学模型、静脉期组学模型和综合诊断模型的准确率分别为81.8%、86.0%、87.8%和91.0%;MSE分别为539.407、490.076、429.994和371.921;MAE分别为16.716、15.253、14.231和12.326。联合诊断模型的准确性最高,MSE和MAE在三种模型中均最低,与CT影像模型的诊断性能差异具有统计学差异(P=0.03,P0.001)。结论:1.CT影像诊断中,病灶数目、肿瘤部位、形态、淋巴结转移状态、肿瘤最厚径及最长径在中低级别和高级别胃神经内分泌肿瘤的鉴别中具有一定意义。2.构建CT影像模型、动静脉期影像组学模型和联合诊断模型来鉴别不同病理级别的胃NEN,其中联合诊断模型的诊断性能最高。
【学位单位】：郑州大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：R735.2;R730.44
【部分图文】：

示意图,胃神经,内分泌,示意图

4.3 影像组学特征提取通过美国癌症研究协会 (American Association for Cancer Research, AACR)的影像组学软件 Pyradiomics (Python2.1.0) 对分割后图像进行特征提取。一个病例中每期图像可提取 1037 个特征，其中包括 7 类组学特征，分别是“Shape”形态特征 (14)、“First Order”一阶统计 (18)、“Gray Level Co-occurrence Matrix(GLCM)”灰度共生矩阵特征 (24)、“GrayLevelRunLengthMatrix(GLRLM)”灰度游程矩阵特征 (16)、“Gray Level Size Zone Matrix (GLSZM)”灰度区域尺寸矩阵 (16)、“Gray Level Dependence Matrix (GLDM)” 灰度相关性矩阵 (14) 和“Neighbouring Gray Tone Difference Matrix (NGTDM)” 邻域灰度差分矩阵 (5)。在特征提取之前对图像进行预处理：(1)“Wavelet”小波滤波，每张图像产生8 个分解 (每个维度应用一个高通或低通滤波器)，得到滤波结果为 XLLL，XLLH，图 1.1 胃神经内分泌癌的手动分割示意图。 A 动脉期增强图像，贲门部可见溃疡型肿物，强化不均匀。B 同一层面手动勾画图像。C 经过逐层勾画所得胃神经内分泌癌的 3D 模型。图 1.1A 图 1.1B 图 1.1C

影像,重要性,影响因素,影像

肿瘤边界、最厚径和动脉-静脉期强化率是鉴别 NEC 和 ADC 的独立影响因素 (见表 1.5)。表 1.5 鉴别胃神经内分泌癌与胃腺癌的 Logistic 回归模型因素 B 值 S.E. Wald 值 P 值 OR 值(95%CI)肿瘤边界 -1.560 .512 9.271 0.002 0.210 (0.077 ~ 0.574)最厚径 -0.124 0.038 10.487 0.001 0.884 (0.820 ~ 0.952)动脉-静脉期强化率 0.877 0.336 6.792 0.009 2.404 (1.243 ~ 4.648)常量 1.679 0.883 3.614 0.057 5.361注：B：回归系数；S.E.：标准误；Wald 值：χ２检验值。将临床和 CT 影像特征纳入 XGBoost 算法中，通过 GridSearchCV 获取模型的最优参数，最终参数调整为 max_deep=5，gamma=0.l，n_estimators=2000，reg_lambda=2，获得 CT 影像模型，模型中各影响因素按重要性评分排序 (见图1.2)，排名前三位的分别是动脉-静脉期强化率 (190 分)、肿瘤最厚径 (174 分) 和肿瘤边界 (163 分)。

影像,影像,重要性,影响因素

5 影像组学模型构建将组学特征纳入 XGboost 算法中，得到影像组学预测模型。各影响因素按重要性评分排序，其中＞10 分的影像因素有 7 个特征 (见图 1.3)，可作为鉴别诊断模型的最优特征。位于前三位的是静脉期小波变化的偏度 (27 分)、平扫期表面流明 (21 分) 和动脉期平面度 (21 分)。

【相似文献】