基于MRI征象及影像组学评估高级别胶质瘤IDH1基因型的研究
发布时间：2022-02-11 18:08
目的:探讨常规MRI序列及弥散加权成像（diffusion weighted imaging,DWI）术前评估高级别胶质瘤异柠檬酸脱氢酶1（isocitrate dehydrogenase 1,IDH1）基因型的价值;探讨影像组学模型在术前预测高级别胶质瘤IDH1基因型中的价值。材料与方法:1.回顾性分析2016年3月-2019年8月兰州大学第二医院经手术病理证实的82例高级别星形胶质细胞瘤患者的临床及影像资料,其中IDH1突变型29例,IDH1野生型53例。所有患者均可获得IDH1基因检测结果及术前MRI扫描序列,包括T1WI、T2WI、FLAIR、CE-T1WI及DWI序列。对患者的性别、年龄、肿瘤发生部位、病变个数、肿瘤最大径、瘤周水肿最大径、瘤脑界面、囊变坏死、出血、是否累及岛叶和胼胝体、是否跨越中线、对比增强强化程度及DWI定量参数进行对比分析,采用受试者工作特征（receiver operating characteristic,ROC）曲线评估各参数对高级别胶质瘤IDH1基因型的诊断效能。2.回顾性收集2016年3月-2019年8月兰大二院经手术病理证实的高级别星形胶质细...
【文章来源】：兰州大学甘肃省211工程院校985工程院校教育部直属院校
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
肿瘤最大径、ADCmean值、ADCmin值、rADCmean值、rADCmin值鉴别诊断高级别胶质瘤中IDH1-mut与IDH1-wild的ROC曲线，曲线下面积分别为0.755、0.842、
基于MRI征象及影像组学评估兰州大学硕士学位论文高级别胶质瘤IDH1基因型的研究243.5影像组学诺模图的构建经多元逻辑回归，构建了包含有一个影像表型特征（强化程度）和多序列影像组学特征的影像组学诺模图（图5）。影像组学诺模图对高级别胶质瘤IDH1基因型的预测效能最优（图4、表5），其中训练集AUC为0.970[95％CI0.938-1.000]；验证集中AUC为0.889[95％CI0.762-1.000]。图5基于训练组构建的预测IDH1状态影像组学诺模图表5影像组学模型、影像表型特征模型及诺模图模型预测性能模型分组AUC准确性敏感性特异性影像组学训练集0.953(0.893-1.000)0.938(0.860-0.979)0.870(0.652-1.000)0.965(0.667-1.000)验证集0.873(0.734-1.000)0.788(0.611-0.910)0.750(0.500-1.000)0.810(0.429-1.000)影像表型特征训练集0.898(0.814-0.91)0.838(0.738-0.911)0.913(0.696-1.000)0.807(0.158-0.947)验证集0.861(0.738-0.984)0.727(0.545-0.867)1.000(0.750-1.000)0.571(0.476-0.905)诺模图训练集0.970(0.938-1.000)0.912(0.828-0.964)0.957(0.696-1.000)0.895(0.632-0.982)验证集0.889(0.762-1.000)0.788(0.611-0.910)0.833(0.583-1.000)0.762(0.333-1.000)
基于MRI征象及影像组学评估兰州大学硕士学位论文高级别胶质瘤IDH1基因型的研究253.6影像组学模型临床决策曲线决策曲线（图6）表明，与其他预测模型相比，影像组学诺模图在所有阈值范围内对高级别胶质瘤患者的IDH1基因预测提供了更大的净收益(netbenefit)，有较高的预测效能。图6不同模型的决策曲线，Y轴代表净收益，X轴代表阈值概率。不同颜色的曲线表示在不同阈值概率下各类模型的净收益
【参考文献】：
期刊论文
[1]基于深度学习的图像分类研究综述[J]. 苏赋,吕沁,罗仁泽. 电信科学. 2019(11)
[2]胶质母细胞瘤分子标志物的研究进展[J]. 余明辰,吴楠,孙冬琳,金焰. 癌变·畸变·突变. 2019(05)
[3]基于机器学习的医疗决策支持系统综述[J]. 梁书彤,郭茂祖,赵玲玲. 计算机工程与应用. 2019(19)
[4]磁共振征象评估间变性星形细胞瘤异柠檬酸脱氢酶-1突变状态的研究[J]. 柯晓艾,张巧莹,周青,韩蕾,张文娟,周俊林. 磁共振成像. 2019(07)
[5]胶质母细胞瘤IDH1突变型与野生型的MRI特征[J]. 张巧莹,柯晓艾,张文娟,黄晓宇,梁小红,周俊林. 中国医学影像学杂志. 2019(06)
[6]机器学习在鼻咽癌影像分析中的研究进展[J]. 黄斌,廖峰,叶裕丰,黄炳升. 国际医学放射学杂志. 2019(01)
[7]影像组学技术方法的研究及挑战[J]. 史张,刘崎. 放射学实践. 2018(06)
[8]MRI影像组学在脑胶质瘤分级中的价值研究[J]. 周晶,白岩,马玲,刘振宇,冯铭,魏巍,王嫣,时少杰,田捷,王梅云. 中国微侵袭神经外科杂志. 2018(06)
[9]多模态磁共振成像技术在胶质瘤细胞增殖诊断中的应用[J]. 林坤,次旦旺久,王晓明. 磁共振成像. 2017(06)
[10]对比分析血管瘤型脑膜瘤与非典型脑膜瘤的MRI征象[J]. 张培丽,赵建洪,张玲艳,张学凌,韩引萍,周俊林. 实用放射学杂志. 2016 (11)
本文编号：3620724
【文章来源】：兰州大学甘肃省211工程院校985工程院校教育部直属院校
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
肿瘤最大径、ADCmean值、ADCmin值、rADCmean值、rADCmin值鉴别诊断高级别胶质瘤中IDH1-mut与IDH1-wild的ROC曲线，曲线下面积分别为0.755、0.842、
基于MRI征象及影像组学评估兰州大学硕士学位论文高级别胶质瘤IDH1基因型的研究243.5影像组学诺模图的构建经多元逻辑回归，构建了包含有一个影像表型特征（强化程度）和多序列影像组学特征的影像组学诺模图（图5）。影像组学诺模图对高级别胶质瘤IDH1基因型的预测效能最优（图4、表5），其中训练集AUC为0.970[95％CI0.938-1.000]；验证集中AUC为0.889[95％CI0.762-1.000]。图5基于训练组构建的预测IDH1状态影像组学诺模图表5影像组学模型、影像表型特征模型及诺模图模型预测性能模型分组AUC准确性敏感性特异性影像组学训练集0.953(0.893-1.000)0.938(0.860-0.979)0.870(0.652-1.000)0.965(0.667-1.000)验证集0.873(0.734-1.000)0.788(0.611-0.910)0.750(0.500-1.000)0.810(0.429-1.000)影像表型特征训练集0.898(0.814-0.91)0.838(0.738-0.911)0.913(0.696-1.000)0.807(0.158-0.947)验证集0.861(0.738-0.984)0.727(0.545-0.867)1.000(0.750-1.000)0.571(0.476-0.905)诺模图训练集0.970(0.938-1.000)0.912(0.828-0.964)0.957(0.696-1.000)0.895(0.632-0.982)验证集0.889(0.762-1.000)0.788(0.611-0.910)0.833(0.583-1.000)0.762(0.333-1.000)
基于MRI征象及影像组学评估兰州大学硕士学位论文高级别胶质瘤IDH1基因型的研究253.6影像组学模型临床决策曲线决策曲线（图6）表明，与其他预测模型相比，影像组学诺模图在所有阈值范围内对高级别胶质瘤患者的IDH1基因预测提供了更大的净收益(netbenefit)，有较高的预测效能。图6不同模型的决策曲线，Y轴代表净收益，X轴代表阈值概率。不同颜色的曲线表示在不同阈值概率下各类模型的净收益
【参考文献】：
期刊论文
[1]基于深度学习的图像分类研究综述[J]. 苏赋,吕沁,罗仁泽. 电信科学. 2019(11)
[2]胶质母细胞瘤分子标志物的研究进展[J]. 余明辰,吴楠,孙冬琳,金焰. 癌变·畸变·突变. 2019(05)
[3]基于机器学习的医疗决策支持系统综述[J]. 梁书彤,郭茂祖,赵玲玲. 计算机工程与应用. 2019(19)
[4]磁共振征象评估间变性星形细胞瘤异柠檬酸脱氢酶-1突变状态的研究[J]. 柯晓艾,张巧莹,周青,韩蕾,张文娟,周俊林. 磁共振成像. 2019(07)
[5]胶质母细胞瘤IDH1突变型与野生型的MRI特征[J]. 张巧莹,柯晓艾,张文娟,黄晓宇,梁小红,周俊林. 中国医学影像学杂志. 2019(06)
[6]机器学习在鼻咽癌影像分析中的研究进展[J]. 黄斌,廖峰,叶裕丰,黄炳升. 国际医学放射学杂志. 2019(01)
[7]影像组学技术方法的研究及挑战[J]. 史张,刘崎. 放射学实践. 2018(06)
[8]MRI影像组学在脑胶质瘤分级中的价值研究[J]. 周晶,白岩,马玲,刘振宇,冯铭,魏巍,王嫣,时少杰,田捷,王梅云. 中国微侵袭神经外科杂志. 2018(06)
[9]多模态磁共振成像技术在胶质瘤细胞增殖诊断中的应用[J]. 林坤,次旦旺久,王晓明. 磁共振成像. 2017(06)
[10]对比分析血管瘤型脑膜瘤与非典型脑膜瘤的MRI征象[J]. 张培丽,赵建洪,张玲艳,张学凌,韩引萍,周俊林. 实用放射学杂志. 2016 (11)
本文编号：3620724
本文链接：https://www.wllwen.com/yixuelunwen/shenjingyixue/3620724.html
最近更新
教材专著
