基于多模态MRI影像组学的胶质瘤分级预测模型研究

发布时间：2020-11-10 05:05

　　 目的:本研究旨在使用多模态MRI图像提取影像组学特征建立统计学模型预测胶质瘤分级。方法:本研究纳入了85例经手术后病理证实为胶质瘤的患者(训练组:56例,验证组:29例),所有患者术前均进行了磁共振T2加权成像、弥散加权成像(ADC表观弥散系数图)、对比增强T1加权成像序列。我们将肿瘤实质区域确定为本次研究的感兴趣区。应用计算机软件从以上三个序列的感兴趣区中提取大量影像组学特征(包括强度、小波、纹理特征等)。使用LASSO回归分析进行特征降维、筛选,将保留下来的特征进行线性组合计算影像组学分数Rad-score。使用训练组中的影像组学分数、年龄、性别等作为影响因素进行逻辑回归分析并在此基础上建立影像组学模型列线图预测胶质瘤分级。计算训练组和验证组的C-指数、绘制校准曲线评估模型的准确性。使用决策曲线分析评估模型的临床应用性。训练组和验证组患者的年龄、性别、影像组学分数的数据比较分别采用独立样本t检验、χ2检验、Mann–Whitney U检验进行。P0.05表示差异具有统计学意义。结果:从每个MRI序列中提取了218个影像组学特征,经过LASSO回归筛选后,从CET1WI序列选择了10个特征,T2WI序列中选择了6个特征,ADC图中选择了3个特征,然后结合三个序列,从654个特征中筛选了最具诊断价值的15个特征。训练组和验证组的影像组学分数在预测胶质瘤分级方面均具有明显统计学差异(p0.001),根据其最佳截断值(影像组学评分为0.504)可将患者分为高风险组和低风险组,高风险组则更大概率为高级别胶质瘤,而低风险组则更大概率为低级别胶质瘤。训练组和验证组的单独使用Rad-score评估胶质瘤分级计算得到的准确度分别为0.963、0.951。表明Rad-score在胶质瘤分级方面具有较高的准确性。结合三个序列的影像组学特征建立的预测模型相比单个序列(CET1WI、T2WI、ADC)建立的模型在胶质瘤分级方面具有更高的预测价值。结合三个序列建立的诺模图训练组和验证组的C指数分别为0.971/0.961。校准曲线显示胶质瘤分级的预测概率与实际概率存在良好的一致。决策曲线亦表明结合三个序列具有更高的临床应用价值。结论:本研究使用多模态的MRI序列提取大量影像组学特征建立的统计模型,相比传统的形态学标准,能更加全面、客观、准确地评价胶质瘤的分级。利用机器学习算法对影像组学特征进行筛选、降维、整合,构建了影像组学分数,并与临床因素相结合建立的统计模型列线图在胶质瘤分级方面具有很高的预测价值。
【学位单位】：安徽医科大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：R445.2;R739.4
【部分图文】：

17年美国肿瘤注册中心CBTRUS中枢神经系统肿瘤发病率分布图

图 2.对肿瘤边界进行勾画标注，a/b 为 T1 增强图像，用于确定肿瘤强化区域；c/d 为 T2W确定肿瘤水肿区域；e/f 分别为 T1 增强和 T2WI 上二者融合；g/h 为 ADC 图上两者区域计算两位放射科医师及一名放射医师重复两次分割后提取的特征之现明显的统计学差异（p 值分别为为 0.704、0.832，均>0.05）。基于

图 3：a.寻找最佳的惩罚系数 Lambda；选择 10 倍交叉验证误差最小时的 Lambda 值为模型最优值 b.654 个影像特征的惩罚系数图，随着惩罚系数变化，影像特征系数的变化情况，最优 Lambda 处为绘制的垂直线出，影像特征系数不为 0 及保留下来的 15 个特征。公式如下所示：
【相似文献】

相关期刊论文 前10条

1 吴聪;黄中勇;殷浩;刘罡;李江浩;;基于卷积神经网络的脑胶质瘤分级[J];湖北工业大学学报;2017年04期

2 姜亮;殷信道;周星帆;;扩散张量成像对胶质瘤分级的应用价值[J];国际医学放射学杂志;2015年06期

3 徐胜生;欧阳羽;罗天友;曾勇明;周翔平;肖家和;;氢质子磁共振波谱联合弥散加权成像对脑胶质瘤分级的临床应用[J];生物医学工程学杂志;2011年03期

4 刘晨彬;黄峰平;潘颖;张海石;夏顺仁;;基于磁共振影像分析的胶质瘤分级和生物标记检测技术研究进展[J];航天医学与医学工程;2013年05期

5 孙功能;朱虎;邱伟;杨彬;;磁共振弥散张量成像定量参数在胶质瘤分级诊断中的应用研究[J];医学影像学杂志;2019年04期

6 王怡,王涌,黄咏红,金毅,谢立乾;对术中超声在神经胶质瘤分级中的诊断价值的探讨[J];中国医学计算机成像杂志;2004年02期

7 蒋杰;周立绥;曲源;权光南;;双指数模型扩散成像及扩散峰度成像在胶质瘤分级中的应用[J];临床放射学杂志;2019年01期

8 S.V. Cauter;J. Veraart;J. Sijbers;R.R. Peeters;U. Himmelreich;F.D. Keyzer;唐光健;;胶质瘤分级的MRI扩散峰度研究[J];国际医学放射学杂志;2012年04期

9 黄文起;;磁共振扩散张量成像在胶质瘤分级中的应用[J];中国CT和MRI杂志;2012年02期

10 徐蒙莱;汤群锋;毛海霞;陈宏伟;方向明;;DKI在胶质瘤分级中的诊断应用[J];影像研究与医学应用;2019年16期

相关博士学位论文 前7条

1 陈小伟;T1-DCE动态对比增强磁共振在胶质瘤分级诊断及增殖活性预测中的应用[D];华中科技大学;2018年

2 李香营;3.0T MR-DTI参数FA评估胶质瘤分级及微观结构的实验研究及临床应用[D];南方医科大学;2018年

3 卢又燃;放射科随访数据库建立与粗糙集方法辅助诊断胶质瘤分级的应用分析[D];复旦大学;2009年

4 姜新义;功能小分子修饰的长循环碳酸酯纳米粒对脑胶质瘤分级靶向递药研究[D];复旦大学;2012年

5 曾强;一种新的多b值弥散加权成像后处理模型[D];浙江大学;2016年

6 张伟;系列~(68)Ga标记新型分子探针PET/CT显像初探[D];北京协和医学院;2016年

7 邹启桂;功能磁共振成像对幕上胶质瘤术前分级临床应用价值初探及优化指标选择[D];华中科技大学;2011年

相关硕士学位论文 前10条

1 王秋雨;基于多模态MRI影像组学的胶质瘤分级预测模型研究[D];安徽医科大学;2019年

2 杨志炜;基于常规磁共振图像的脑胶质瘤分级[D];华东师范大学;2018年

3 郭芳芳;多b值DWI在胶质瘤分级诊断中的应用价值[D];天津医科大学;2018年

4 赵瑞;动脉自旋标记在胶质瘤分级的应用[D];吉林大学;2014年

5 邓汉生;MRS脑胶质瘤分级诊断模型研究[D];复旦大学;2008年

6 张娜;微血管通透性与脑胶质瘤分级之间定量关系的研究[D];中南大学;2009年

7 钟林花;联合DTI与SWI在脑胶质瘤分级中的应用研究[D];南昌大学;2015年

8 刘晓虎;基于多体素的单体素~1H-MRS在脑胶质瘤分级中的初步应用[D];重庆医科大学;2013年

9 武江芬;基于BOLD-fMRI的脑胶质瘤分级及代偿机制的研究[D];南京航空航天大学;2014年

10 贾龙威;DCE-MRI在脑胶质瘤分级中的应用研究[D];青岛大学;2017年

本文编号：2877514