基于常规MRI图像的不同影像组学模型在脑胶质瘤术前分级中的应用

发布时间：2021-10-12 22:20

　　目的拟采用不同核磁共振图像、不同机器学习模型来建立胶质瘤术前分级的影像组学模型,探究影像组学模型在胶质瘤术前分级中的可行性。材料与方法回顾性分析术前行常规MRI检查的脑胶质瘤患者93例,分为低级别胶质瘤（LGG组）和高级别胶质瘤（HGG组）。将DICOM格式图像导入GE-AK软件,对T2WI和T1增强（T1CE）图像进行感兴趣区（region of interest,ROI）勾画,将提取得到的直方图特征和纹理特征导入R语言软件包进行特征预处理和降维,选择三种函数建立六种机器学习模型,将全部数据按照7︰3比例,分为训练集与测试集,利用10倍交叉验证对六种模型进行训练,然后通过测试集进行验证,并绘制ROC曲线,计算其分类LGG与HGG的敏感度、特异度、AUC。结果 LGG组平均年龄低于HGG组,差异有统计学意义（P<0.01）。LGG组与HGG组性别组成差异无统计学意义（P>0.05）。六种影像组学模型的AUC值均大于0.8,基于T1CE图像的影像组学模型的AUC值均大于基于T2WI图像模型的AUC,其中基于T1CE图像的RF模型的AUC最高,达到0.97。结论影像组学诊断模型... 

【文章来源】：磁共振成像. 2020,11(01)

【文章页数】：5 页

【部分图文】：

基于T2WI图像三种机器学习模型的ROC曲线

本研究分别选取T1增强(T1CE)图像和T2WI图像进行ROI勾画，将术前MRI图像导入GE-AK分析软件，在勾画ROI前对所有图像进行灰度和对比度调整，从而减小亮度和对比度变化对ROI勾画的影响。2名高年资神经影像诊断医师采用双盲法勾画ROI，如有意见不一致时，需经二者协商一致达成共识。ROI的大小取决于肿瘤大小，首先在T1CE图像勾画ROI，勾画时同时参考T1WI、T2WI、FLAIR图像，以区分肿瘤组成成分，然后以T1CE图像的ROI为标准，T2WI的ROI尽量与T1CE保持一致。软件经过自动计算得到基于T1CE图像的影像组学特征232个，其中直方图特征42个，灰度共生矩阵(GLCM)特征96个和灰度游程长度矩阵(GLRLM)特征94个；基于T2WI图像的影像组学特征232个，特征数目和名称与T1CE图像的影像组学特征相同。具体特征分类及名称详见表1。图1 基于T2WI图像三种机器学习模型的ROC曲线


本文编号：3433411