基于多模态MRI影像组学策略构建膀胱癌肌层浸润预测模型研究

发布时间：2021-07-16 20:06

　　目的:基于多模态磁共振成像（MRI）影像组学策略构建膀胱癌肌层浸润预测模型,实现膀胱癌肌层浸润术前准确预测。方法:选取在医院就诊的54例膀胱癌患者术前T2加权成像（T2WI）、弥散加权成像（DWI）和表观弥散系数（ADC）3种影像模态图谱资料,其中术后病理诊断为非肌层浸润膀胱癌（NMIBC）24例,肌层浸润膀胱癌（MIBC）30例。对肿瘤区域进行勾勒,并提取灰度直方特征、灰度共生矩阵（GLCM）特征和灰度游程矩阵（GLRLM）特征,共计提取3类特征中的1 104个影像特征。采用特征回归剔除算法进行特征选择,并利用非线性支持向量机（SVM）结合所选特征构建预测模型,用于计算MIBC与NMIBC的预测准确率和受试者特征（ROC）曲线下面积（AUC）。结果:经过对3种模态中提取的1 104个特征进行选择,最终选出19个最优特征。利用最优特征与SVM分类器构建的预测模型对MIBC与NMIBC的预测准确率和AUC分别为91.22%和0.9756。结论:提出的影像组学策略能够准确预测膀胱癌肌层浸润性,对于最佳治疗策略的制定具有重要指导意义。 

【文章来源】：中国医学装备. 2020,17(09)

【文章页数】：5 页

【部分图文】：

在1104个影像组学特征中选择的19个最优特征3.3最优特征在3种MRI模态中的分布

??羌?层浸润性膀胱癌(non-muscle-invasivebladdercancer，NMIBC)，临床常采用放化疗与经尿道膀胱肿瘤切除术(Transurethralresection，TUR)等治疗方式，其术后5年生存率高达96%[7-9]。25%～30%的患者确诊时其病灶已浸润至肌层，为肌层浸润性膀胱癌(muscle-invasivebladdercancer，MIBC)，临床常采用根治性膀胱全切术(radicalcystectomy，RC)进行治疗，其术后5年生存率为33%～75%[5,10]。因此，膀胱癌肌层浸润性早期精准诊断，对患者的治疗与预后至关重要。膀胱肿瘤分期与浸润位置对应关系[9]见图1。图1膀胱肿瘤分期与浸润位置对应关系(改编自文献[9])2基于多模态MRI影像组学的预测模型构建2.1膀胱肿瘤数据获取选取2012年6月至2017年3月在唐都医院就诊的54例术后确诊为膀胱癌患者资料，其中24例术后病理诊断为NMIBC，30例为MIBC。收集其相应的术前多模态MRI数据，其中包括T2-加权成像(T2weightedimaging，T2WI)、弥散加权成像(diffusion-weightedimaging，DWI)和相应的表观弥散系数(apparentdiffusioncoefficient，ADC)3种影像模态图谱。从每例患者的多模态MRI中寻找肿瘤最大的图层，然后从中勾勒出肿瘤感兴趣区域(regionofinterest，ROI)。采取多个灰阶尺度，对图像进行离散化处理，并从每个尺度的离散化图像中提取纹理特征。多尺度离散化过程计算为公式1：Irescale(x)=Grayscale×+1(1)I(x)-min[I(x)]max[I(x)]-min[I(x)]式中Grayscale为需要标准化到哪一个灰度等级，在本研究中Grayscale∈{8,16,32,64,128}[12]；Irescale为标准化到某一个Grayscale的图像数据；I(x)为原始图像像素灰度值，min[I(x)]和max[I(x)]分别

下面积(areaunderthecurve，AUC)等指标量化评估预测效果。3结果3.1影像组学特征的相关性分析由于从T2WI、DWI和ADC的3种MRI图像模态中分别提取了3类影像组学共计1104个特征，且存在一定的相关性。那些具有一定相关性的特征之间可能存在不同程度的特征冗余，若直接将其用于预测模型构建，往往导致模型过拟合，从而影响模型的稳定性与泛化能力。为了直观反应特征之间的相关性，利用相关性分析方法，对以上任意两个特征之间的相关性进行分析，并求取互相关系数绝对值，从而可视化表征以上特征的相关性程度，见图2。图2在1104个影像组学特征中的互相关系数绝对值图谱图2显示，所有1104个特征任意两个的相关性计算结果颜色越趋于暖色区域，表明特征之间的相关性越强，反之越趋于冷色区，表明相关性越弱。从中可直观显示：这1104个特征之间存在显著特征相关性，可能在这些两两严重相关的特征之间存在冗余。3.2基于SVM-RFE的最优特征选择在1104个影像组学特征之间存在一定的相关性，存在特征冗余。由于在基于SVM的分类模型构建中，特征冗余通常会造成模型过拟合，降低其预测稳定性与泛化能力。因此，采用SVM-RFE的特征选择算法，从以上1104个特征中选择一组具有最高分类AUC值的特征子集作为最佳特征集，用于进一步构建分类模型。基于SVM-RFE的特征选择结果中显示，经过SVM-RFE特征排序后，前19个特征在预分类中可获得高达0.9819的AUC值，因此被选为最优特征子集，用于接下来的预测模型构建，见图3。图3在1104个影像组学特征中选择的19个最优特征注：图中条棒的长度越短则排序越靠前图419个最优特征的具体名称及其在3种MRI模态中的分布3.3最优特征在3种MRI模态中的分?


本文编号：3287674