基于放射组学在肺癌良恶性预测的初步研究

发布时间：2020-03-30 23:57

【摘要】：目的:肺癌是当今世界最常见的恶性肿瘤之一,是全球癌症死亡的主要原因。不能早期检测是其高死亡率的最重要因素。虽然全国肺部筛查试验主张筛查某些高危人群,但这些筛查工作的实际实施尚未成功,且需求量很大。在此基础上以及精准医学的大背景下,放射组学应运而生。2012年,荷兰研究员Lambin P首次提出了“Radiomics”的概念,并将其定义如下:使用高通量定量提取方法从影像学图像中提取大量图像特征。放射组学吸引了极大的关注,并且在2014年重新定义为:通过高通量自动(或半自动)提取方式,从放射学图像中感兴趣区(ROI)内提取大量可量化信息(或图像特征)。基于所捕获的图像特征类型,这些特征大致分为四类:强度,结构,纹理/渐变和小波。已有许多研究显示这些特征与肺结节的恶性潜能之间存在显著相关性。本文通过放射组学对肺癌病例进行定量特征提取,优化选择,然后通过机器学习方法实现肺癌病例讨论和分析。资料与方法:在公开数据库LIDC中挑选了224例以及医院收集的263例肺结节病例,提取了共867个放射组学特征。首先,对胸CT中肺结节进行分割;然后,进行肺结节感兴趣区域提取;最后,进行所有放射组学特征信息提取。针对肺结节的特点,研究中共设计了5组共62个放射组学特征构成每个样本的特征空间。采用十种降维算法对特征进行降维,最后通过七种机器学习方法进行分类比较。特征提取算法的代码全部基于Matlab R2017b实现。结果:本文给出了多种数据特征降维方法的研究,具体给出了50个,100个,200个,300个,400个,867个特征数据的分析结果,并针对不同机器学习分类算法进行研究比对,同时也对不同降维方法在不同机器学习算法中对我们的数据进行分类的结果分析,给出了最大相关最小冗余降维下的随机森林分类效果最佳,在随机森林的分类器情况下对数据进行了二维和三维特征分析。将放射组学特征区分为二维放射组学特征和三维放射组学特征。其中二维放射组学特征包括了一维放射组学特征、基本形状大小特征、二维灰度游程矩阵(GLRLM-2D)、Laws图像纹理特征(Law-Textures)、LoG二阶边缘信息特征;三维放射组学特征包括了三维灰度共生矩阵、三维灰度区域大小矩阵(GLSZM-3D)、多尺度三维小波特征;而这些特征合称混合放射组学特征。我们通过二维放射组学特征、三维放射组学特征、混合放射组学特征对于基于随机森林的肺结节良恶性分类器进行了分析。在3种特征分析中混合特征的识别精度要比其他两个高。来自LIDC数据库和来自医院的数据在基于随机森林的分类器中的结果分别为AUC=0.6571、ACC=76.26%,AUC=0.8667、ACC=76%;在基于支持向量机的分类器中的结果分别为AUC=0.6429,ACC=76.37%,AUC=0.7733、ACC=72%。由此可以发现,来自LIDC数据库的数据其分类准确度较高但是其AUC较低,而来自肿瘤医院的数据则正好与之相反。根据反复试验的数据证明,来自LIDC的数据准确度相比于来自与肿瘤医院的数据的准确度高约3%。由此我们推测不同来源的肺结节数据对于分类器的建立有一定的影响。结论:在肺癌良恶诊断鉴别中,使用放射组学特征方法可以鉴别良恶性。基于纹理特征的计算机辅助诊断系统可以提高对此类结节的诊断效能。
【图文】：

基于放射组学在肺癌良恶性预测的初步研究

数据ROI区域提取图2.1LIDC数据库的肺结节分割，数据均使用逐结节逐层分割的方法，，

基于放射组学在肺癌良恶性预测的初步研究

获取VOI区域的mask模板图像
【学位授予单位】：天津医科大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R734.2

【相似文献】