多参数磁共振成像在前列腺癌诊断方面的放射组学初步研究
发布时间：2020-09-04 16:36
目的:本文拟探讨基于DWI、T2WI、DCE增强早期和DCE增强晚期的四种机器学习模型在前列腺癌诊断方面的价值研究。材料与方法:回顾性收集我院2015年1月1日至2017年6月30日进行MRI检查并且通过病理证实的前列腺癌患者127例和前列腺增生患者265例,所有患者包括完整的轴位T2WI、DWI和LAVA序列DCE动态增强序列。使用AW4.6工作站,从PACS系统(Picture Archiving and Communication Systems)导出患者数据,包括完整的T2WI横轴、DWI轴位、DCE轴位图像。了解组织病理学结果,审查了每个数据集,由两名五年以上工作经验的放射科医生根据组织病理学确定前列腺癌最可疑的位置,挑选出病灶面积最大的层面,同时确定病变边界范围,如有多发病变时,取最大病变,如有意见不一致时,需二者协商一致达成共识。在AK软件上,选取通过组织学-MRI匹配所确定的前列腺癌最大横截面所在的层面,沿病变边界手动勾画感兴趣区(ROI);前列腺增生病例选取前列腺最大横截面所在层面,沿前列腺边界手动勾画感兴趣区(ROI)。同时尝试保持绘制线在距病变边缘大约1-2mm的距离,使边缘的部分容积效应最小。计算得出了396个纹理特征。通过‘corrplot’包运行相关矩阵(Correlation Matrix)去除冗余特征,通过‘Boruta’特征提取方法,DWI提取了32个特征,T2WI提取了24个特征,DCE增强早期提取了26个特征,DCE增强晚期提取了17个特征。使用R软件(版本3.4.2)中的caret包,通过提取的特征分别建立基于DWI、T2WI、DCE增强早期、DCE增强晚期的线性判别分析(liner discriminant analysis,LDA)、随机森林(Random Forest,RF)、K邻近(K Nearest Neighbor,K-NN)、朴素贝叶斯(Naive Bayesian,NB)四种机器学习模型。将127例前列腺癌病例和265例前列腺增生病例按照70%比30%比例随机分成训练集和测试集,训练集由89例前列腺癌病例和186例前列腺增生病例构成,验证集由38例前列腺癌和79例前列腺增生病例构成,训练集随机分成十组,采用重复十次的十折交叉验证方法对分类器进行训练,得到机器学习模型。用测试集对其进行验证,得到准确率、敏感性、特异性、ROC曲线、ROC曲线下面积(AUC)及95%可信区间。结果:四种机器学习AUC值从最低的0.747到最高的0.9327,表现出较高的诊断性能,在基于不同序列纹理特征参数的同一种机器学习模型中,基于DWI的机器学习模型AUC值均高于其它,尤其是基于DWI的RF机器学习模型AUC值更是高达0.9327,达到了优秀的分类性能。四种机器学习模型中RF模型的AUC值高于LDA、K-NN、NB模型。结论:基于多参数磁共振成像(mpMRI)的放射组学特征建立机器学习模型,对于区分前列腺癌和前列腺增生,具有良好的诊断性能。对鉴别前列腺增生与前列腺癌有巨大的潜能和临床意义,未来可能将成为放射科医生的辅助诊断工具。
【学位单位】：中国医科大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：R445.2;R737.25
【部分图文】：
图 1 A-D 为病理证实前列腺癌的同一患者 MR 检查图像，A 为 DWI，B 为 T2WI，C 为 DCE 增强早期，D 为 DCE 增强晚期2.3.4 特征选择特征选择与分析使用 R 软件（版本 3.4.2）。特征选择使用 R 软件（版本 3.4.2）中的‘corrplot’包和‘Boruta’包（版本 5.2.0），‘corrplot’包运行相关矩阵(CorrelationMatrix)用于去除冗余特征，之后运行‘Boruta’包，‘Boruta’包是一个所有相关的特征选择包装算法，能够处理任何分类输出变量重要性度量的方法。该方法执行相关功能的自上向下搜索，通过比较原始特征的重要性和随机可获得的重要性，使用它们的排列副本进行估计，并逐步消除不相关的特征以稳定该测试。通过‘Boruta’特征提取方法，DWI 提取了 32 个特征，T2WI 提取了 24 个特征，DCE 增强早期提取了 26个特征，DCE 增强晚期提取了 17 个特征，如图 2 所示。
图 1 A-D 为病理证实前列腺癌的同一患者 MR 检查图像，A 为 DWI，B 为 T2WI，C 为 DCE 增强早期，D 为 DCE 增强晚期2.3.4 特征选择特征选择与分析使用 R 软件（版本 3.4.2）。特征选择使用 R 软件（版本 3.4.2）中的‘corrplot’包和‘Boruta’包（版本 5.2.0），‘corrplot’包运行相关矩阵(CorrelationMatrix)用于去除冗余特征，之后运行‘Boruta’包，‘Boruta’包是一个所有相关的特征选择包装算法，能够处理任何分类输出变量重要性度量的方法。该方法执行相关功能的自上向下搜索，通过比较原始特征的重要性和随机可获得的重要性，使用它们的排列副本进行估计，并逐步消除不相关的特征以稳定该测试。通过‘Boruta’特征提取方法，DWI 提取了 32 个特征，T2WI 提取了 24 个特征，DCE 增强早期提取了 26个特征，DCE 增强晚期提取了 17 个特征，如图 2 所示。
测试集验证基于DWI、T2WI、DCE增强早期和DCE增强晚期四种机器学习模型所得到的ROC曲线
【学位单位】：中国医科大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：R445.2;R737.25
【部分图文】：
图 1 A-D 为病理证实前列腺癌的同一患者 MR 检查图像，A 为 DWI，B 为 T2WI，C 为 DCE 增强早期，D 为 DCE 增强晚期2.3.4 特征选择特征选择与分析使用 R 软件（版本 3.4.2）。特征选择使用 R 软件（版本 3.4.2）中的‘corrplot’包和‘Boruta’包（版本 5.2.0），‘corrplot’包运行相关矩阵(CorrelationMatrix)用于去除冗余特征，之后运行‘Boruta’包，‘Boruta’包是一个所有相关的特征选择包装算法，能够处理任何分类输出变量重要性度量的方法。该方法执行相关功能的自上向下搜索，通过比较原始特征的重要性和随机可获得的重要性，使用它们的排列副本进行估计，并逐步消除不相关的特征以稳定该测试。通过‘Boruta’特征提取方法，DWI 提取了 32 个特征，T2WI 提取了 24 个特征，DCE 增强早期提取了 26个特征，DCE 增强晚期提取了 17 个特征，如图 2 所示。
图 1 A-D 为病理证实前列腺癌的同一患者 MR 检查图像，A 为 DWI，B 为 T2WI，C 为 DCE 增强早期，D 为 DCE 增强晚期2.3.4 特征选择特征选择与分析使用 R 软件（版本 3.4.2）。特征选择使用 R 软件（版本 3.4.2）中的‘corrplot’包和‘Boruta’包（版本 5.2.0），‘corrplot’包运行相关矩阵(CorrelationMatrix)用于去除冗余特征，之后运行‘Boruta’包，‘Boruta’包是一个所有相关的特征选择包装算法，能够处理任何分类输出变量重要性度量的方法。该方法执行相关功能的自上向下搜索，通过比较原始特征的重要性和随机可获得的重要性，使用它们的排列副本进行估计，并逐步消除不相关的特征以稳定该测试。通过‘Boruta’特征提取方法，DWI 提取了 32 个特征，T2WI 提取了 24 个特征，DCE 增强早期提取了 26个特征，DCE 增强晚期提取了 17 个特征，如图 2 所示。
测试集验证基于DWI、T2WI、DCE增强早期和DCE增强晚期四种机器学习模型所得到的ROC曲线
【参考文献】
相关期刊论文 前3条
1 瞿e
本文编号：2812344
本文链接：https://www.wllwen.com/linchuangyixuelunwen/2812344.html
最近更新
教材专著
