扩散峰度成像直方图在脑胶质瘤分级中的应用

目的探讨MRI扩散峰度成像(diffusion kurtosis imaging,DKI)直方图分析在脑胶质瘤术前分级诊断中的价值。方法通过对经手术及病理证实的45例脑胶质瘤患者的DKI图像资料的回顾性分析。选取整个肿瘤的实质区作为感兴趣容积(volume of interest,VOI)进行直方图分析,获得表观扩散系数(apparent diffusion for gaussian distribution,Dapp)及表观扩散峰度(apparent kurtosis coefficient,Kapp)的直方图参数。使用独立样本t检验及Mann-Whitney U检验评估高级别和低级别神经胶质瘤各直方图参数间的差异。受试者工作特征曲线(receiver operating characteristic,ROC)用于分析各直方图参数对胶质瘤分级的诊断效能。应用组内相关系数(intra-class correlation coefficient,ICC)分析数据测量的可重复性。结果DKI直方图参数在高低级别胶质瘤中有显著性差异(P<0.05)。Dapp直方图参数中Dapp-10th的诊断效能最高,曲线下面积(area under the curve,AUC)、敏感性和特异性分别为0.856、74.1%、83.3%。Kapp直方图参数中Kapp-30th的诊断能力最高,AUC、敏感性和特异性分别为0.905、81.5%、94.4%。每个参数具有良好的观察者间信度,ICC范围为0.861~0.964。结论DKI直方图分析有助于提高低级别胶质瘤与高级别胶质瘤之间的鉴别诊断能力。     

MRI影像组学预测较低级别胶质瘤免疫亚型的临床研究

目的:探讨影像组学特征预测较低级别胶质瘤(LGG)与不同免疫亚型的相关性。方法:对133例LGG患者的MRI影像特征和免疫相关基因数据进行影像基因组学分析。利用3D-slicer软件提取胶质瘤患者的影像组学特征,通过最小绝对收缩和选择算子(LASSO)回归进一步筛选与预后显著相关的特征构建影像组学评分。利用聚类算法确定最佳的免疫分型,为了探索不同影像分型预后差异的遗传背景,差异性分析不同免疫分型与影像组学评分的关系。结果:共纳入133例LGG患者,异柠檬酸脱氢酶(IDH)野生型28例,IDH突变型105例,其中野生型1p19q共缺失68例。最终由11个影像组学特征构建影像组学风险评分,影像组学风险评分中位值将患者分为高风险组(n=66)和低风险组(n=67),高评分组患者生存期预后明显较差。受试者操作特征(ROC)曲线表明影像组学预测LGG患者1年、5年生存风险的ROC曲线下面积(AUC)分别为0.79和0.86。聚类分析将LGG患者分为免疫炎症型(n=13)和免疫沙漠型两种亚型(n=113)。免疫炎症型患者影像组学评分较高,提示肿瘤纯度较低,异质性较高,预后较差。结论:影像组学评分可...     

基于影像组学的人工智能在脑胶质瘤 MRI诊断中的应用

影像组学能够从影像大数据中挖掘潜在的信息以利于实现精准医疗。基于影像组学的人工智能（AI）技术能实现计算机模拟人类思维,代替人工高效地进行数据挖掘。医学影像学的AI技术能有效辅助放射科医生对脑胶质瘤的MR影像诊断。综述基于影像组学的AI技术在脑胶质瘤的分级诊断、鉴别诊断、预后评估等方面的应用研究。     

颅内胶质瘤MRI影像组学评估颅内高级别与低级别胶质瘤

目的:探讨MRI影像组学在颅内胶质瘤术前分级评估中的应用价值,提高MRI对颅内胶质瘤的诊断效能.方法:回顾分析58例经病理证实的颅内胶质瘤患者的MRI资料,使用Matlab软件提取病灶特征并使用Lasso软件(R语言3.4.0版)进行降维处理,降维后的特征再进行Logistic多元回归相关性分析,从而筛选出具有诊断价值且与肿瘤级别显著相关的影像组学特征,运用受试者工作特征(ROC)曲线对特征参数的诊断效能进行分析.结果:DWI序列降维后经Logistic多元回归分析筛选出影像组学相关特征为:均值(P=0.04)、RMS(P=0.04)、Percentile 65(P=0.023)、Percentile-70(P=0.03)和Percentile-75 (P=0.009).DWI提取特征中Percentile-75对高、低级别胶质瘤的诊断效能最高,ROC曲线下面积(AUC)为0.793.T2 WI序列及T1 WI增强序列未筛选出与肿瘤分级相关的参数.在热力图上DWI序列Percentile-75特征与肿瘤分级的相关性较明显.结论:在T2 WI、DWI和T1WI增强三个序列中,DWI序列对高低级别胶质瘤的鉴别效能较高,该序列上所筛选的特征参数中以Percentile-75的诊断价值最高.     

扩散峰度成像和3D动脉自旋标记成像对脑胶质瘤术前分级的诊断价值及相关性研究

目的：探讨扩散峰度成像（DKI）和3D动脉自旋标记成像（3D ASL）对脑胶质瘤术前分级的诊断价值及相关性。方法：收集36例经病理证实的脑胶质瘤患者,分别行常规MRI平扫、DKI、3D ASL及增强扫描,经后处理得到DKI、3D ASL相关参量图,选择肿瘤实性部分和对侧正常脑白质,分别测量平均扩散峰度（MK）、径向扩散峰度（Kr）、轴向扩散峰度（Ka）和部分各向异性（FA）、平均扩散系数（MD）、脑血流量（CBF）,并计算各相对参数值rMK、rKr、rKa、rFA、rMD和rCBF。采用两样本t检验,比较分析不同级别脑胶质瘤的各参数值及相对参数值。采用Spearman相关分析rMK值、rCBF值及病理级别三者间的相关性。绘制rMK值与rCBF值诊断高级别脑胶质瘤的ROC曲线,计算AUC,寻找最佳诊断界值,两者AUC比较行Z检验。结果 ：经检验分析,MK、Kr、Ka值在不同病理级别胶质瘤中差异均有统计学意义（均P<0.05）,FA、MD值在不同病理级别胶质瘤中差异无统计学意义（均P> 0.05）。不同病理级别胶质瘤的rMK、rKr、rKa、rFA、rMD值及rCBF值差异均有...     

基于扩散峰度成像序列平均扩散峰度图的影像组学鉴别宫颈鳞癌与腺癌的应用

目的 探讨基于扩散峰度成像(DKI)序列平均扩散峰度(MK)图的影像组学方法鉴别宫颈鳞状细胞癌(CSCC)和宫颈腺癌(CA)的价值.资料与方法 回顾性收集接受MRI检查(含DKI序列)并经手术病理证实的宫颈癌63例,分为训练组43例和验证组20例,构建多元Logistic回归预测模型,采用受试者工作特征(ROC)曲线评...     

影像组学在脑胶质瘤中的研究进展

影像组学可以高通量地提取医学影像的特征并进行分析,建立影像与肿瘤异质性、基因表达等信息之间的联系,进而提供更为精准的临床决策。目前脑胶质瘤的影像组学研究基于不同的成像方法,可以提取肿瘤灰度直方图特征、形态特征和表征肿瘤异质性的纹理特征等,主要应用于脑胶质瘤的分级和鉴别、预测基因表达及评估生存期和治疗反应等。就影像组学的流程、基于不同成像的影像组学处理方法以及影像组学方法在脑胶质瘤中的应用进展予以综述。     

基于MRI影像组学特征构建脑胶质瘤IDH1突变预测模型

目的:探讨基于不同MRI序列的影像组学特征构建的机器学习(ML)模型预测胶质瘤IDH1突变的价值。方法:回顾性搜集经手术病理证实的161例胶质瘤患者(70例IDH1突变型/91例野生型)的临床资料,主要包括年龄、性别、Karnofsky功能状态(KPS)评分和肿瘤的病理分级。所有患者术前行MRI检查获得T₂WI、T₂-FLAIR、ADC图及对比增强T₁WI图像,术后病理标本均行IDH1检测。将161例患者按照7∶3的比例随机分配为训练集和测试集。由2位影像医师利用Image J软件共同对病灶在配准过的T₂-FLAIR或对比增强T₁WI序列上进行逐层ROI的勾画,最后形成感兴趣区容积(VOI),然后使用FAE软件在各序列图像上提取VOI的影像组学特征,基于训练集的数据,通过均值归一化、方差分析的特征选择方法、皮尔逊相关系数的特征降维方法、4种ML分类器(线性判别分析、LASSO回归、逻辑回归、支持向量机)以及十折交叉验证法构建15种ML模型,并采用ROC曲线和Delong检验在测...     

基于常规MRI影像组学模型预测软组织肉瘤复发

【摘要】目的：探讨基于常规MRI的影像组学模型对预测软组织肉瘤（STS）复发的价值。方法：回顾性分析2012年1月－2021年6月在本院经手术病理证实的92例STS患者的临床和影像资料。术后每3个月进行一次影像学检查,随访时间至少12个月以上,根据随访结果有无复发或远处转移分为复发组（27例）,无复发组（65例）。采用完全随机方法将所有患者按7:3的比例分为训练集（n=65）和验证集（n=27）。使用ITK-SNAP软件,分别在T1WI和压脂T2WI上逐层沿肿瘤边缘手动勾画ROI并进行三维融合（VOI）,然后使用AK软件提取纹理特征,使用最小冗余最大相关（mRMR）和最小绝对值收敛和选择算子（LASSO）回归分析方法分别对T1WI序列、压脂T2WI序列和联合序列的纹理特征进行降维和筛选,并建立影像组学模型,根据各个组学特征的权重系数计算影像组学评分（Radscore）,运用100次留组交叉验证（LGOCV）方法来评估模型的可靠性。将临床病理、常规MRI特征与预测效能最高的影像组学模型的Radscore相结合,采用多因素logistic回归（LR）、随机森林（RF）和支持向量机（SVM）三种机器学习算法分别建立机器学习模型。采用受试者工作特征（ROC）曲线评价各模型的预测效能,应用决策曲线分析（DCA）评估模型的临床应用价值。结果：临床模型在训练集和验证集中预测STS复发的ROC曲线下面积（AUC）分别为0.71（95%CI:0.58~0.85）和0.74（95%CI:0.52~0.97）。基于T1WI、压脂T2WI和联合序列的影像组学模型在训练集中预测STS复发的AUC分别为0.81（95%CI:0.70~0.93）、0.92（95%CI:0.86~0.99）和0.91（95%CI:0.84~0.99）,在验证集中分别为0.84（95%CI:0.63~1.00）、0.92（95%CI:0.81~1.00）和0.86（95%CI:0.72~1.00）。采用机器学习算法构建的LR、RF和SVM模型在训练集中预测STS复发的AUC分别为0.93（95%CI:0.87~0.99）、0.91（95%CI:0.84~0.99）和0.77（95%CI:0.63~0.91）,在验证集中分别为0.93（95%CI:0.83~1.00）、0.86（95%CI:0.71~1.00）和0.83（95%CI:0.66~1.00）。DCA分析结果表明,压脂T2WI和联合序列的影像组学模型、以及LR和RF模型的临床受益均较好。结论：基于常规MRI序列中的压脂T2WI和联合序列构建的影像组学模型对预测STS复发具有较高的预测效能和较好的临床受益,基于不同机器学习算法构建的预测模型的预测效能并无明显提高。     

基于多序列MRI影像组学模型预测脑膜瘤病理分级的价值

【摘要】目的：探讨基于多序列MRI影像组学模型预测脑膜瘤病理分级的价值。方法：回顾性分析经手术病理证实的215例脑膜瘤患者的临床及MRI资料。其中,低级别组174例,高级别组41例。将所有患者按照7∶3的比例随机分为训练组和验证组。采用ITP-SNAP软件,分别在T2WI、DWI和对比增强T1WI图像上勾画肿瘤的三维ROI,使用AK软件提取影像组学特征。采用Spearman相关性分析及多元Logistic回归分析筛选组学特征并构建影像组学标签。使用ROC曲线下面积（AUC）评价影像组学模型的预测效能。结果：高级别组与低级别组之间年龄和性别构成的差异均无统计学意义（P>0.05）。基于T2WI、DWI和对比增强T1WI的单序列及多序列联合影像组学模型预测高、低级别脑膜瘤的AUC均大于0.700。基于单序列的影像组学模型中,增强T1WI在训练组和验证组的AUC分别为0.942和0.913,均高于其它两个序列。基于MRI多序列联合的影像组学模型预测高、低级别脑膜瘤的AUC值最高,在训练组的AUC为0.950,在验证组的AUC为0.923。结论：MRI影像组学模型能够预测脑膜瘤的病理分级,尤其是多序列联合的影像组学模型对脑膜瘤病理分级具有较高的预测效能。     

扩散峰度成像对高级别胶质瘤及单发脑转移瘤的鉴别诊断价值

【摘要】目的：探讨磁共振扩散峰度成像（DKI）的多参数值对高级别胶质瘤（HGG）和单发脑转移瘤（SBM）的鉴别诊断价值。方法：搜集经手术病理或临床随访证实的19例HGG患者和14例SBM患者的病例资料,术前均行常规MRI扫描、DKI扫描及增强扫描。选取兴趣区（ROI）测定其DKI参数,并进行矫正处理得到各向异性分数（FA）、平均扩散（MD）及平均峰度（MK）值。应用独立样本t检验对两组间各参数值进行统计学分析,绘制ROC曲线计算敏感度、特异度及曲线下面积（AUC）。结果：两组肿瘤实质区DKI各参数值差异无统计学意义（P＞0.05）;而瘤周区的FA值、MD值及MK值在两组间的差异有统计学意义（P＜0.05）。ROC曲线分析显示,瘤周区的MK值鉴别两种肿瘤的敏感度和特异度较FA值和MD值高,曲线下面积最大。结论：瘤周区的FA值、MD值及MK值对HGG和SBM有良好的鉴别诊断价值,且瘤周区MK值诊断效能最高。     

胶质瘤分级的MRI扩散峰度研究

正摘要目的评估MRI扩散峰度参数对胶质瘤分级的正确性。材料与方法此项前瞻性研究由机构审查委员会批准,所有病人均签署知情同意书。对照17例高级别胶质瘤与11例低级别胶质瘤实性部分的扩散参数--平均扩散度(MD)、节段性各向异性(FA)、平均峰度、径向与轴向峰度(P0.05为差异有统计学意义     

基于MR扩散加权成像影像组学模型预测宫颈鳞癌无疾病生存期

目的 探讨MR扩散加权成像(DWI)影像组学对宫颈鳞癌治疗后远期无疾病生存(DFS)的预测价值.方法 回顾性分析宫颈鳞癌行根治性同步放化疗基线盆腔MR及随访信息.在DWI上勾画全肿瘤作为感兴趣区(ROI)匹配至表观扩散系数(ADC)图,再行高通量数据采集,共提取1026个组学特征.采用最大相关最小冗余和LASSO-Co...     

扩散峰度成像与扩散加权成像在诊断宫颈鳞癌分级中的价值

目的对比分析扩散峰度成像(DKI)与扩散加权成像(DWI)诊断宫颈鳞癌分级的价值。方法回顾性纳入经术后病理证实的宫颈鳞癌病人42例,年龄39~69岁,平均(54.9±7.9)岁。以病理结果为金标准,分为高中分化组(27例)和低分化组(15例),分别测量2组肿瘤实质区平均扩散峰度(MK)值、平均扩散系数(MD)值及平均表观扩散系数(ADC)值、最小ADC值,采用独立样本t检验比较2组间各参数值的差异,采用受试者操作特征(ROC)曲线评价各参数值的诊断效能及最佳诊断阈值,并根据约登指数确定各参数相应的敏感度和特异度。结果2名观察者测得各参数的一致性均良好(均ICC>0.60,P<0.05)。低分化组的MK值高于高中分化组,而MD、平均ADC、最小ADC值均低于高中分化组(均P<0.05)。采用单一参数鉴别低分化与高中分化宫颈鳞癌时,MK为0.88时,AUC最大(0.877)、敏感度(92.6%)最高;MD为1.04×10^-3mm^2/s时,特异度(86.7%)最高。联合MK、MD和最小ADC值诊断时,AUC最大(0.937),敏感度最高(96.3%)。结论与传统DWI相比,DKI可更有效地鉴别低分化与高中分化宫颈鳞癌,联合应用DKI和DWI参数可有效提高诊断效能。     

基于MRI影像组学模型对食管癌淋巴结转移的预测价值

目的 探讨基于T₂WI及增强T₁WI序列MRI影像组学特征构建模型预测食管癌淋巴结转移的价值。 方法 回顾性收集经病理证实并行多模态MRI检查的食管癌病人120例,男89例,女31例,平均年龄（63.4±8.2）岁。将病人按7:3比例随机分为训练集84例和验证集36例。以手术病理为金标准将病人分为淋巴结转移阴性组（56例）和阳性组（64例）。采用A.K.软件基于T₂WI和增强T₁WI获取肿瘤兴趣区体积（VOI）,提取影像组学特征并进行降维筛选,并采用Logistic回归分析法构建基于T₂WI、增强T₁WI、联合T₂WI+增强T₁WI序列的影像组学模型。2组间一般临床资料比较采用独立样本t检验和χ²检验。采用组内相关系数（ICC）分析2名医师获取VOI的一致性。采用受试者操作特征（ROC）曲线评估预测模型的诊断效能,计算其曲线下面积（AUC）,并采用DeLong法比较不同模型的AUC值。 结果 淋巴结转移阴性和阳性组间病人的性别、年龄,肿瘤位置、病理类型及肿瘤长度的差异均无统计学意义（均P>0.05）。2名医师在T₂WI和增强T₁WI影像上获取VOI的一致性均较好（均P>0.8）。经筛选后,基于T₂WI、增强T₁WI、T₂WI+增强T₁WI联合序列获得的影像组学特征分别有5、6、9个。在训练集及验证集中联合模型的AUC高于增强T₁WI和T₂WI模型,且增强T₁WI模型的AUC高于T₂WI模型（均P<0.05）。 结论 基于MRI影像组学特征构建的模型对食管癌病人术前淋巴结转移具有良好的预测效能,且T₂WI+增强T₁WI联合模型较单序列模型的预测价值更高。     

基于ADC和增强MRI的影像组学模型预测低级别胶质瘤TERT启动子突变状态

目的:探讨基于ADC和增强MRI的影像组学模型对低级别胶质瘤端粒酶逆转录酶基因（TERT）启动子突变状态的预测价值。方法:回顾性搜集109例经病理证实的低级别胶质瘤患者,所有患者术前均行MRI检查,在ADC和对比增强T₁WI（T₁CE）图像上选取病灶最大层面,沿肿瘤边缘勾画ROI,提取影像组学特征。采用三联法（Fisher, POE+ACC,MI）和最小绝对收缩选择算子（LASSO）进行特征筛选,然后行多因素logistic回归分析,构建影像组学预测模型。采用ROC曲线评估预测模型的诊断效能。结果:在ADC和T₁CE图像上分别提取279个影像组学特征,最终筛选出11个影像组学特征,分别建立ADC模型、T₁CE模型和联合分析（ADC+T1CE）模型共3个影像组学模型。联合分析模型的预测效能最佳,训练集中曲线下面积（AUC）为0.928（95%CI:0.859～0.996）,验证集中AUC为0.878（95%CI:0.758～0.997）。结论:基于ADC和增强MRI的影像组学模型能有效预测低级别胶质瘤...