基于T1WI及IDEAL-T2WI影像组学模型鉴别腮腺多形性腺瘤和腺淋巴瘤

发布时间：2021-02-15 00:56

　　目的观察T1WI、IDEAL-T2WI影像组学特征及机器学习模型鉴别腮腺多形性腺瘤（PA）与腺淋巴瘤（AL）的价值。方法回顾性分析33例腮腺PA和25例AL患者。运用放射组学云平台,于轴位T1WI和IDEAL-T2WI上手动勾画病灶ROI,提取影像组学特征;以方差阈值法、SelectKBest及Lasso算法筛选最优特征。采用随机森林、逻辑回归算法建立机器学习模型,绘制ROC曲线,分析T1WI、IDEAL-T2WI、IDEAL-T2WI联合T1WI建立模型的诊断效能。结果 T1WI、IDEAL-T2WI、IDEAL-T2WI联合T1WI分别得到6、9、12个有效特征。基于IDEAL-T2WI联合T1WI建立随机森林模型的诊断效能最高,AUC为0.87,95%CI（0.59,1.00）,准确率0.83。结论基于T1WI、IDEAL-T2WI影像组学特征及机器学习模型可有效鉴别诊断腮腺PA和AL。 

【文章来源】：中国医学影像技术. 2020,36(05)北大核心

【文章页数】：5 页

【部分图文】：

图像特征及相关系数

影像组学是指从CT、MRI、PET/CT或超声等图像中提取大量影像学特征,并进行高通量定量数据分析,采用一系列精准数据综合评价肿瘤在空间、时间上的异质性[9]。基于MRI的影像组学对鉴别PA与AL有重要价值。MA等[10]从29例PA和13例AL中提取6种ADC直方图参数,发现PA的ADCmean、ADCmedian、ADC10、ADC90明显高于AL,而二者偏度和峰度无明显差异,以ADC10鉴别PA与AL最为准确。ZHANG等[11]发现ADCminimum、ADCmaximum、ADCmean、ADC10、ADC50、ADC90、ADC99、变异度及偏度在PA与AL之间存在差异,其中ADCmean、ADC50、偏度判别能力较高。此外,有学者[12]采用基于T2WI的全域直方图分析比较鉴别PA与AL的价值,发现PA的平均值和第10、50、90、99百分位数明显高于AL,第50、90百分位数鉴别的准确率更高。以上研究均基于一阶直方图特征,而一阶直方图特征是较为初级的影像组学特征,纹理特征及三阶特征则是中较为高级的影像组学特征。本研究自33例PA和25例AL病灶的每个VOI中提取1 409个影像组学特征,其中包括一阶直方图特征、纹理特征及三阶特征,扩充了影像组学特征,同时增加了成像序列,可更全面地覆盖肿瘤特征。图3 逻辑回归模型中IDEAL-T2WI联合T1WI构建模型的ROC曲线

图2 随机森林模型中IDEAL-T2WI联合T1WI构建模型的ROC曲线本研究从T1WI、IDEAL-T2WI及IDEAL-T2WI联合T1WI中分别得到6、9及12个有效特征,其中自IDEAL-T2WI联合T1WI得到的12个特征(包括5个T1WI特征和7个IDEAL-T2WI特征)与鉴别诊断PA和AL最为相关。上述5个T1WI特征分为3类:3个一阶统计特征,包括峰度、熵、第90百分位数,以及纹理特征及小波特征各1个,分别为NGTDM及wavelet-LLH;7个IDEAL-T2WI特征包括熵和中位数2个一阶统计特征,1个纹理分析特征GLDM以及4个经wavelet-LLH小波变换后的特征。峰度是反映肿瘤空间异质性总体特征的重要参数,用于描述像素分布形态的陡缓程度[13]。本研究中峰度呈正值,提示与正态分布相比,病灶像素的分布较尖锐。熵反映肿瘤内部结构复杂程度和不均质度。PA含有黏液样组织、软骨样组织和上皮细胞等,而AL主要由腺体及囊性成分构成,其内含有黏液及胶冻样物质[14];二者复杂程度及不均质度不同,故其熵有一定差异。一阶统计特征中第n百分位数的差异反映不同肿瘤间瘤体组织成分及瘤体内部构成或分布的异质性[15]。T1WI的第90百分位数描述高信号像素,T1WI 上PA呈低信号,AL若含蛋白质或胶体成分可呈高信号,第90百分位数有助于鉴别诊断。中位数即第50百分位数用于描述偏态分布的集中位置,本研究中PA和AL在IDEAL-T2WI的第50百分位数存在差异,与高鑫等[12]的结果一致。NGTDM及GLDM反映PA和AL肿瘤区域的体素或强度的空间排列信息,NGTDM衡量灰度值与邻域内平均灰度值之间的差异,而GLDM通过统计各灰度值与邻域体素上的相关性来描述纹理[16]。小波特征通过改变图像中高频与低频信号的比率而携带更大信息量,更能体现病变的异质性[17]。


本文编号：3034136