基于MR影像组学的肝细胞癌与血管瘤鉴别诊断的应用研究

发布时间：2020-09-11 21:12

　　背景:肝细胞癌是肝脏主要恶性病变,是当今世界范围内三大癌症杀手之一。血管瘤是肝脏常见的良性肿瘤。两者的治疗方法截然不同:肝细胞癌的最佳治疗方法是手术切除、肝移植或进行介入治疗,而血管瘤通常不需要特殊干预,仅当出现明显症状时才需要处理,因此两者间准确的鉴别诊断对于后续治疗方案的确定具有重大的临床意义。虽然肝细胞癌与血管瘤有着完全不同的病理结构,但却常常有相似的影像学表现,使得传统依靠人眼主观视觉进行诊断的方式准确性与一致性有限。影像组学是近年来医学影像领域新兴的研究方向,其通过从医学图像中提取的高通量特征,结合机器学习等分析方法辅助疾病诊断、分级、预后预测等,有望用于肝细胞癌与血管瘤的鉴别诊断。目的:探索基于增强MR的影像组学鉴别肝细胞癌(Hepatocellular Carcinoma,HCC)与血管瘤(Hepatic Hemangioma,HHE)的价值。方法:本文从南方医科大学南方医院回顾性地收集了 134例患者共186个病灶(HCC:105个,HHE:81个),从每个患者的普美显MRI增强扫描数据中选择肝胆管期图像用于分析。由两名经验丰富的影像科医生在最大横截面积层面手动勾画出病灶后,对病灶区域提取影像特征(共373个,包括一阶统计特征、灰度共生矩阵、邻域灰度差矩阵、游程矩阵以及灰度区域大小矩阵特征)。首先,通过组间相关系数(Inter-class Correlation Coefficient,ICC)评估特征的可重复性,T检验或Mann Whitney U检验比较特征在疾病组间的差异,ROC分析评估特征的分类能力。其次,分别通过LASSO算法、基于MIC(Maximal Information Coefficient)的 mRmR(minimal-Redundancy-maximal-Relevance)算法进行特征选择。最后训练支持向量机建立鉴别诊断模型。数据集根据采集时间划分为训练集(81个HCC、60个HHE)、测试集(24个HCC、21个HHE),训练集用于特征选择、建模,测试集用于最终模型的测试。模型的分类性能采用5次10折交叉验证进行评价,评价指标包括ROC曲线下面积(AUC)、敏感性、特异性以及分类准确率。两种特征选择方法下最终模型的测试ROC采用Delong检验进行比较。结果:特征可重复性评估的结果显示超过90%(343/373)的特征ICC0.9。这部分特征中超过23%(80/343)在HCC组与HHE组间的差异具有显著性(经过Bonferroni校正p0.000146),在之后的ROC分析结果中,分类性能最高的是灰度区域大小矩阵的 LZHGE 特征(Large Zone High Gray-Level Emphasis),其AUC值为0.81(p0.01),敏感性为0.70,特异性为0.80,分类准确率为0.74。在特征选择与分类器训练中,两种不同的算法得到的模型在训练集与测试集上均有着较好的分类性能。根据LASSO算法选择的11个特征,在训练集的平均AUC值、敏感性、特异性、准确率以及相应的95%置信区间分别为0.834(0.807-0.861)、0.795(0.755-0.836)、0.667(0.631-0.701)、0.741(0.716-0.764),测试结果为:AUC值0.851,敏感性0.791,特异性0.667,准确率0.733。而基于MIC的mRmR算法选择的15个特征获到的分类器平均AUC、敏感性、特异性、准确率分别为:0.915(0.891-0.940)、0.888(0.855-0.922)、0.803(90.756-0.850)、0.852(0.824-0.879),测试结果 AUC 为 0.892,敏感性 0.875,特异性 0.760,准确率0.822。基于MIC的mRmR算法下建立的模型分类性能略优于前者,但两模型的测试AUC差异无统计学意义(p = 0.21)。结论:通过对普美显MRI增强扫描肝胆管期图像提取影像组学特征,结合机器学习方法能够较好地鉴别诊断肝细胞癌与血管瘤,为影像科医生临床诊断提供有利的辅助手段,对于精准医疗的实现具有重要意义。
【学位单位】：南方医科大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：R735.7;R445.2
【部分图文】：

流程图,流程,影像,肝细胞癌

敏感性、特异性、准确率。两种特征选择方法所得到模型的测试ＡＵＣ值通过逡逑Ｄｅｌｏｎｇ检验比较。逡逑图１为本研宄流程：逡逑ＭＲ图像获取逦影像组学特征提取逦影像组学特征选择逡逑与病灶提取逦与性能评估逦与鉴别诊断模型建立逡逑丨丨邋：＼丨｜邋！邋１逡逑：邋＇ｉ１逦－邋ｒｖ邋ｉ逡逑丨｜邋W 暹：：：：．逡逑！！；－逦ｐ，邋＂ｒ．＾－－？逡逑Ｖ逦、一」逦八逦逡逑图１－１研宄流程逡逑Ｆｉｇ．１－１邋Ｗｏｒｋｆｌｏｗ邋ｏｆ邋ｔｈｉｓ邋ｓｔｕｄｙ．逡逑１．４本文结构逡逑本论文总共分为五章。逡逑第一章：介绍本文的研究背景及意义，影像组学的提出及发展，本文的工逡逑作、文章的结构。逡逑第二章：介绍肝细胞癌与血管瘤ＭＲ影像数据的获取以及病灶的提取。逡逑第三章：介绍所提取肝细胞癌与血管瘤影像组学特征的基本原理与方法，逡逑对所提取影像组学特征的可重复性、分类性能评估方法及结果。逡逑第四章：介绍肝细胞癌与血管瘤鉴别诊断模型的建立，包括：基于最大信逡逑７逡逑

病灶,示例,红色,医生

逑ＩＨＨＤ逡逑ｍｍａ逡逑图２－２病灶提取示例，Ａ：邋ＨＣＣ病灶；Ｂ：邋ＨＨＥ病灶逡逑Ｆｉｇ．２－２邋Ｅｘａｍｐｌｅ邋ｏｆ邋ｅｘｔｒａｃｔｉｏｎ邋ｌｅｓｉｏｎ邋ｒｅｇｉｏｎ，邋Ａ：邋ＨＣＣ邋ｌｅｓｉｏｎｓ，邋Ｂ：邋ＨＨＥ邋ｌｅｓｉｏｎｓ逡逑图２－１给出部分病灶的勾画示例，其中包含三个ＨＣＣ病灶（红色线标记），三个逡逑ＨＨＥ病灶（黄色线标记）。逡逑２．３小结逡逑本文回顾性收集了南方医科大学南方医院２０１４年８月到２０１６年１２月的肝逡逑细胞或血管瘤患者１３４例，共计１８６个病灶，其中ＨＣＣ病灶１０５个，ＨＨＥ病灶逡逑８１个。所有患者均经过普美显ＭＲＩ增强扫描，其中肝胆管期图像用于本文的分逡逑析。每个病灶勾画提取在最大横截面积层面进行，所使用的勾画工具基于Ｍａｔｌａｂ逡逑ＧＵＩ自主编程设计。所有病灶的勾画提取由两名经验丰富的影像科医生共同完逡逑成。病灶的勾画要求仅包含病灶区域而不包含周围正常组织或其他组织，两名逡逑医生的勾画结果经过相互的确认后才算完成。逡逑１２逡逑

灰度共生矩阵,计算示例,灰度级,旋转不变

Ｆｉｇ．３－１邋ＧＬＣＭ邋ｃｏｍｐｕｔａｔｉｏｎ邋ｅｘａｍｐｌｅ邋ｗｉｔｈ邋ｄ邋＝邋１邋ａｎｄ邋＾＝０°逡逑ｆｏｒａ邋４ｘ４邋ｉｍａｇｅ邋ｗｉｔｈ邋４邋ｇｒａｙ邋ｌｅｖｅｌｓ逡逑为ｄ。图３－１为灰度共生矩阵计算的简单示例。逡逑由于不同的参数设置（距离ｄ，方向角度０）可以得到不同的特征，而且所逡逑得到的特征并非旋转不变，为了克服这种缺陷，一般对不同角度所获取的灰度逡逑共生矩阵特征取平均来获得具有旋转不变形的特征［７６］，即逡逑７逦？，０。（２，邋／）邋＋邋￣，４５。（’，＊／）邋＋邋＼，９０。（’，７）邋＋邋￣，１３５。（’，？／）逡逑ｎｄ、ｌ，Ｊ）＝逦逦逦逡逑４逦３－５逡逑之后对矩阵进行归一化操作得到灰度共生矩阵的最终形式：逡逑ＰＡｈＪ）＝邋Ｎｓ邋■，ｉ，ｊ邋＝邋ｌ２，．．．Ｎｇ逡逑＇＝】；＝ｉ逦３－６逡逑本文为了简化特征提取分析的计算过程，使用上式的推广，仅对ＲＯＩ内每逡逑个像素与其８邻域所组成的像素对进行统计，对应距离ｄ＝ｌ，且不考虑方向角度。逡逑最终从获取的灰度共生矩阵中提取能量（也称Ａｎｇｕｌａｒ邋Ｓｅｃｏｎｄ邋Ｍｏｍｅｎｔ

【参考文献】