基于多尺度多模态磁共振图像的直方图特征在脑胶质瘤分级上的应用

目的 提出一种基于多尺度多模态磁共振图像的直方图特征,并采用机器学习的方法进行脑胶质瘤的分级应用。方法 收集临床60例脑胶质瘤病例,其中Ⅱ级胶质瘤弥漫型星形细胞瘤和少突胶质细胞瘤22例,Ⅲ级胶质瘤间变型少突星形细胞瘤和间变星形细胞瘤18例,Ⅳ级胶质瘤胶质母细胞瘤例20例。病例图像信息包含平扫T2加权序列、T2加权压水压脂序列以及增强后的T1序列。对3种序列图像做多尺度化处理,对多尺度化后的图像做纹理分析,以病灶核心区域为感兴趣区,计算纹理参数,探究纹理参数与脑胶质瘤的内在关联含义,行Ⅱ级与Ⅲ级间纹理参数的ROC曲线分析,以及Ⅲ级与Ⅳ级间纹理参数的ROC曲线分析。以支持向量机作为机器学习核心,核过交叉验证法,得出本文纹理分析方法在不同级别胶质瘤的分级上的准确度和整体分级准确度。结果 多尺度多模态磁共振图像直方图特征结合支持向量机模型的鉴别系统在Ⅱ级和Ⅲ级脑胶质瘤间总体参数准确率为91.5%,在Ⅲ级和Ⅳ级脑胶质瘤间的总体参数准确率为97.9%。整体的三分类支持向量机模型在交叉验证法的分级准确率为91.67%。结论 多尺度多模态磁共振图像的直方图特征结合支持向量机模型的鉴别系统,可以在脑胶质...     

基于常规MRI图像的不同影像组学模型在脑胶质瘤术前分级中的应用

目的拟采用不同核磁共振图像、不同机器学习模型来建立胶质瘤术前分级的影像组学模型,探究影像组学模型在胶质瘤术前分级中的可行性。材料与方法回顾性分析术前行常规MRI检查的脑胶质瘤患者93例,分为低级别胶质瘤(LGG组)和高级别胶质瘤(HGG组)。将DICOM格式图像导入GE-AK软件,对T2WI和T1增强(T1CE)图像进行感兴趣区(region of interest,ROI)勾画,将提取得到的直方图特征和纹理特征导入R语言软件包进行特征预处理和降维,选择三种函数建立六种机器学习模型,将全部数据按照7︰3比例,分为训练集与测试集,利用10倍交叉验证对六种模型进行训练,然后通过测试集进行验证,并绘制ROC曲线,计算其分类LGG与HGG的敏感度、特异度、AUC。结果 LGG组平均年龄低于HGG组,差异有统计学意义(P0.01)。LGG组与HGG组性别组成差异无统计学意义(P0.05)。六种影像组学模型的AUC值均大于0.8,基于T1CE图像的影像组学模型的AUC值均大于基于T2WI图像模型的AUC,其中基于T1CE图像的RF模型的AUC最高,达到0.97。结论影像组学诊断模型对胶质瘤的病理分级具有较好的诊断价值,六种影像组学模型的诊断效能均较高,其中基于T1CE图像的RF模型诊断效能最高。     

基于DCE图像优化胶质瘤自动分级纹理模型

目的探讨不同纹理模型和灰阶对基于动态对比增强磁共振图像(dynamic contrast enhancement magnetic resonance imaging,DCE-MRI)的支持向量机的胶质瘤自动分级影响。材料与方法收集经磁共振扫描且经病理证实为胶质瘤Ⅱ、Ⅲ、Ⅳ级的患者共117例,计算DCE-MRI图像血流动力学参数(NordicICE 4.0),利用不同纹理模型和灰阶提取参数图肿瘤区域相应纹理特征。支持向量机递归特征消除算法选择特征后,输入线性SVM对胶质瘤级别进行分类并使用留一法交叉验证。分类结果使用Graphpad Prism 6统计软件分析。结果灰阶对分类效能的影响差异无统计学意义(P=0.1589),纹理模型对分类效能的影响差异存在统计学意义(P0.0001)。在使用灰度共生矩阵(gray-level cooccurrence matrix,GLCM)提取纹理特征并且灰阶为32和256时,分别选取前22个和前17个特征所得分类正确率最高(正确率=0.79)。结论基于DCE图像纹理对支持向量机胶质瘤分级中,纹理模型GLCM结合特征选择是胶质瘤分级的最优方案,并推荐在后期研究中使用。     

基于DCE-MRI定量参数的胶质瘤自动分级研究

目的研究一种基于动态对比增强磁共振成像(dynamic contrastenhanced MRI,DCE-MRI)定量参数的术前胶质瘤自动分级诊断技术。材料与方法对98例经手术病理证实的胶质瘤患者(低级别28例,高级别70例)均行常规磁共振和DCE-MRI检查,利用Nordic ICE软件计算定量参数AUC_(AIF)、K~(trans)、K_(ep)、V_e和V_p,进一步提取整个肿瘤区域内各参数的直方图统计特征。结合支持向量机递归特征剔除(support vector machine recursive feature elimination,SVMRFE)方法和支持向量机(support vector machine,SVM)分类器对各个参数特征构建分类模型,并通过10-fold交叉验证对各模型的分类性能进行评估。结果除Vp参数外,AUC_(AIF)、K~(trans)、K_(ep)和V_e参数分类模型都取得较高的正确率和AUC(均≥0.75)。联合使用五种参数特征构建的分级模型,比使用单一参数特征效果更优,其正确率和AUC均为0.864。结论结合DCE-MRI的各种定量参数信息,使用高效的机器学习技术,可以构建较为准确的无创术前胶质瘤自动分级模型,对于治疗方案选择和提高预后具有重要指导意义。     

基于YAP流水线的影像组学研究流程的实现

目的在又一条流水线(yet another pipeline,YAP)磁共振软件流水线框架基础上,增加对影像组学研究的支持。材料与方法在YAP中实现了对Python语言的支持,使得YAP流水线中可以嵌入Python语言编写的处理器;在此基础上,利用Py Radiomics软件包在YAP中实现了影像组学处理流水线。利用流水线,对BRATS2017公开数据集的高级别胶质瘤和低级别胶质瘤分级问题进行了研究。结果利用C++和Python混合编程,构建了完整的影像组学流水线,BRATS2017数据集的肿瘤分级在选择12个特征时,获得的最佳准确率达到了94.5%,受试者操作特性(receiver operating characteristic,ROC)曲线的曲线下面积(area under curve,AUC)达到了0.9650。结论利用Python和C++的混合编程以及YAP框架提供的基础设施,可以方便地进行影像组学研究。     

基于双参数MRI影像组学构建的支持向量机模型对乳腺癌人表皮生长因子受体-2和激素受体表达的预测效能

目的 构建基于磁共振T₂WI反转恢复压脂(TIRM)及扩散加权成像(DWI)序列图像的支持向量机(SVM)模型,评估其对乳腺癌人表皮生长因子受体-2(HER-2)和激素受体(HR)表达水平的预测效能。方法 收集128个于术前或治疗前接受乳腺MRI检查的乳腺癌病灶。根据免疫组织化学(IHC)或原位荧光杂交(FISH)检测结果进行分组。使用ITK-SNAP软件在磁共振TIRM和DWI序列图像上勾画三维容积感兴趣区(VOI),并导入Pyradiomics程序提取影像组学特征。对数据进行归一化处理后使用基于支持向量机的递归特征消除法(SVM-RFE)筛选特征。采用随机分层抽样方法将108例病例按照8∶2比例分为训练组及验证组,另外20例作为外部测试组。采用SVM机器学习分类器构建影像组学模型。采用受试者工作特征(ROC)曲线评估模型预测效能。采用DeLong检验评估各影像组学模型ROC曲线下面积(AUC)。采用SHAP算法进行可视化分析,并筛选最具贡献力的预测特征。结果 联合模型(训练组AUC=0.94;验证组AUC=0.90)对HER-2的预测效能均高于TIRM模型(训...     

基于表观扩散系数图像的影像组学联合PSA值对前列腺癌侵袭性的诊断价值

目的:研究基于磁共振表观扩散系数(ADC)图像的影像组学联合PSA值对前列腺癌Gleason分级的诊断价值。资料与方法:回顾性分析经手术切除或穿刺活检病理证实的77例前列腺癌患者的临床及影像资料,将患者分为低危组(Gleason评分≤3+4)和高危组(Gleason评分≥4+3)两组。其中高危组57例,低危组20例。基于ADC图像勾画感兴趣区(ROI),测取平均ADC值,另基于ADC图像利用MRIcroGL软件勾画全容积感兴趣区(VOI)提取影像组学特征,经曼惠尼检验及最小绝对值收敛和选择算子(LASSO)降维,结合平均ADC值及临床PSA值,利用Logistic回归建立临床模型,影像组学模型,联合模型(临床-影像组学模型),采用受试者工作曲线(ROC)及曲线下面积(AUC)来评价各种模型的诊断效能。结果:联合模型(临床-影像组学模型)的诊断效能最高(训练组AUC=0.87,测试组AUC=0.91),高于临床模型(训练组AUC=0.76,测试组AUC=0.73)及影像组学模型(训练组AUC=0.85,测试组AUC=0.87)。结论:基于表观扩散系数(ADC)图的影像组学特征对前列腺Gl...     

基于双参数磁共振影像组学模型评估前列腺癌风险分级的应用

目的 探讨基于双参数磁共振成像影像组学特征构建支持向量机(SVM)及随机森林(RF)两种机器学习模型预测前列腺癌风险分级的诊断作用。方法 回顾性纳入经病理确诊为前列腺癌患者119例,其中中低危组57例,高危组62例,入组患者均在术前2个月内行MRI检查。分别提取基于T₂WI、ADC序列的影像组学特征。将入组患者按7:3比例随机分为训练组和测试组。根据筛选后的影像组学特征分别建立基于T₂WI、ADC、T2WI+ADC的SVM模型及RF模型,用测试组对模型进行验模型验证,检验每一种模型的准确率、特异性、敏感性并绘制受试者操作特征曲线(ROC)。采用曲线下面积(AUC)评估影像组学模型对前列腺癌风险分级的预测效能。结果 基于T2WI序列建立的SVM模型、RF模型的AUC分别为0.797、0.713;基于ADC序列建立的SVM模型、RF模型的AUC分别为0.826、0.667;T2WI+ADC序列建立SVM模型、RF模型的AUC分别0.871、0.724。联合双参数的模型预测效能优于单参数模型。结论 本研究构建的基于双参数磁共振的SVM及RF模型在一...     

基于增强CT影像组学模型术前预测胰腺神经内分泌肿瘤病理分级

目的观察基于CT影像组学模型术前预测胰腺神经内分泌肿瘤(PNET)病理分级(G1和G2/3级)的价值。方法回顾性分析145例经病理证实的PNET,分为训练组91例、验证组54例,2组各自来源于同一医疗机构。基于训练组动脉期和门脉期CT图像提取PNET影像组学特征,以Pearson相关分析及ReliefF算法进行筛选;采用Logistic回归,针对差异有统计学意义的参数构建预测PNET病理分级的联合影像组学模型,绘制受试者工作特征(ROC)曲线,计算曲线下面积(AUC),以敏感度、特异度及准确率评估其诊断效能,并以验证组加以验证。结果基于训练组动脉期与门脉期CT图像构建的联合影像组学模型具有良好预测效能,AUC为0.86[95%CI(0.78,0.94)],截断值为0.63时,敏感度为78.95%,特异度为85.29%,准确率为81.32%。验证组预测PNET病理分级AUC为0.85[95%CI(0.75,0.95)],截断值为0.63时,敏感度为84.61%,特异度为75.00%,准确率为79.63%。结论基于增强CT图像构建的影像组学模型对于术前预测PNET病理分级具有一定价值。     

基于遗传算法与支持向量机的基因微阵列分析

背景:微阵列数据的特点是样本含量小,而变量数(基因)多达上万个.此时,传统的统计方法往往因为高维而失效了.遗传算法和支持向量机是近年来发展迅速的机器学习算法,具有很好的分类效果与降维优势.目的:提出将遗传算法与支持向量机结合起来对样本进行分类,并与直接采用支持向量机、筛选差异表达基因后采用支持向量机的结果进行比较.方法:采用Bioconductor提供的数据集golub,它是白血病微阵列芯片实验所得的基因表达数据集,对全部基因采用支持向量机进行分类.采用SAM软件对芯片数据的显著性分析确定不同的差异表达基因并估计错误发现率FDR,以筛选出的76个差异表达基因作为特征基因子集,再采用支持向量机进行分类.将筛选出的76个差异表达基因作为初始的特征基因集合,采用遗传算法一支持向量机再次进行特征基因选择,提高分类准确度,并与全部基因直接采用支持向量机、筛选差异表达基因后采用支持向量机的结果进行比较.同时也对特征基因在代谢通路上的分布和功能作了一定的研究.结果与结论:通过遗传算法降维可以提高支持向量机的分类准确率,特别是剔除了数据中的大量无关基因和噪声,使得经过特征选择后分类准确率提高.结果显示遗传算法与支持向量机结合方法对分类更加有效.此外,通路分析结果显示特征基因的主要功能体现在信号传导和氨基酸代谢上.     

基于非增强MRI的影像组学术前预测肝细胞癌微血管浸润的研究

目的建立基于非增强MRI的影像组学模型对肝细胞癌(hepatocellular carcinoma,HCC)的微血管侵犯(microvascularinvasion,MVI)进行术前预测。材料与方法回顾性分析经手术病理证实是否有MVI的HCC病人129例。所有患者术前2周内行3.0 T MRI。在T2WI-FS及ADC图中逐层勾画病灶区域提取影像组学特征。使用三步降维方法Variance Threshold、SelectKBest、LASSO算法依次进行降维来进行特征选择。分别使用六种分类器包括逻辑回归(logistic regression,LR)、支持向量机(supportvectormachine,SVM)、K近邻(K-NearestNeighbor,KNN)、决策树(decision tree,DT)、随机森林(random forest,RF)、极限梯度增强树(extreme gradient boosting,XGBoost)对提取的特征进行机器学习。通过绘制ROC曲线下面积(areaundercurve,AUC)、敏感度(sensitivity)、特异度(specificity)三个指标来评价各分类器所构建模型的效能。结果从T2WI-Fat suppressed (FS)及ADC图中分别提取出1409个影像组学特征。经过降维,最终从T2WI-FS图中筛选出12个以及从ADC图中选出8个最优特征来分别构建两个组学模型。两种分类器SVM、LR基于T2WI-FS特征所构建的模型性能最佳,对应的受试者工作特征AUC值分别为0.869、0.801,准确度为0.78、0.81。结论使用T2WI-FS的12个组学特征,可以获得较高的AUC值和准确度。因此,认为基于T2WI-FS的三维成像组学特征可以作为潜在的生物标志物来对肝细胞癌的微血管浸润进行术前非侵入性预测。     

Hybrid genetic algorithm for feature selection with hyperspectral data

This letter evaluates the performance of a wrapper–filter genetic algorithm (GA) for feature selection using Digital Airborne Imaging Spectrometer hyperspectral data set. Classification accuracy by k-nearest neighbour (k-NN) and support vector machine (SVM) were used as fitness function with four filter algorithms. Results of wrapper–filter GA-based feature selection approach were compared with a steady-state GA-based approach in terms of number of selected features and the accuracy with selected feature. Result indicates the unsuitability of SVM as wrapper due to large computational cost in comparison to k-NN. Choice of filter algorithm seems to be having no significant effect on classification accuracy obtained using selected features. Comparison in terms of number of selected features and the accuracy with selected features suggests comparable performance by both wrapper–filter and steady-state GAs for the used data set.     

基于颅脑T1WI对比增强图像构建卷积神经网络模型鉴别肺癌与乳腺癌脑转移

目的 分析基于对比增强颅脑T1WI(T1CE)构建的卷积神经网络(CNN)模型鉴别肺癌与乳腺癌脑转移的效能。方法 回顾性分析97例经手术病理证实的乳腺癌脑转移(39例)与肺癌脑转移(58例)患者，于颅脑T1CE中手动勾画病灶ROI并提取其影像组学特征，采用单因素分析及最小绝对收缩和选择(LASSO)算法进行特征降维，筛选最优特征；分别构建传统机器学习支持向量机(SVM)、随机梯度下降(SGD)、K邻近(KNN)、决策树(DT)、随机森林(RF)、极端随机树(ET)、逻辑回归(LR)模型及深度学习CNN模型，将按7∶3数据分为训练集和验证集，采用受试者工作特征(ROC)曲线评估8种模型鉴别验证集中肺癌与乳腺癌脑转移的效能。结果 共纳入202个脑转移癌，含乳腺癌、肺癌脑转移各101个。基于颅脑T1CE提取1 050个特征，经单因素分析及LASSO算法降维后得到5个最优特征；以之构建的SVM、SGD、KNN、DT、RF、ET、LR及CNN模型鉴别验证集肺癌与乳腺癌脑转移的曲线下面积(AUC)分别为0.88、0.83、0.87、0.74、0.84、0.86、0.88及0.90,其中CNN模型的...     

超声影像组学在鉴别诊断甲状旁腺腺瘤和甲状旁腺增生中的价值

目的 探讨超声影像组学方法在鉴别诊断甲状旁腺腺瘤（PA）和甲状旁腺增生（PH）中的临床应用价值。方法 选取2019年1月至2023年6月我院收治的133例甲状旁腺功能亢进症患者（共181枚病灶）,其中腺瘤66例（67枚）,增生67例（114枚）,比较两组临床资料及病灶常规超声特征。所有病灶按7:3分为训练集（126枚）和验证集（55枚）,基于灰阶超声图像勾画感兴趣区（ROI）并提取影像组学特征。应用最小绝对收缩和选择算子（LASSO）回归筛选特征并构建影像组学模型;应用多因素Logistic回归筛选重要的常规超声特征并构建常规超声模型;应用多因素Logistic回归构建基于影像组学特征和常规超声特征的联合模型。绘制受试者工作特征曲线（ROC）以评估各模型的效能并在验证集中进行验证;绘制校准曲线分析影像组学模型和联合模型预测结果与实际结果的一致性。结果 基于LASSO算法筛选出8个影像组学特征用于构建影像组学模型。单因素和多因素Logistic回归分析显示,病灶最大径、外周线状高回声和极性供支血管征为鉴别PA和PH的重要常规超声特征（均P＜0.05）。在训练集和验证集中,影像组学模型曲线下面积（AUC）分别为0.764和0.750,常规超声模型AUC分别为0.812和0.838,联合模型AUC分别为0.825和0.856。联合模型AUC在训练集和验证集中均高于影像组学模型,差异均有统计学意义（均P＜0.05）;其余各模型间AUC比较差异均无统计学意义。结论 影像组学联合模型能较准确地鉴别甲状旁腺腺瘤和甲状旁腺增生,可为临床制定手术方案提供一定的参考价值。     

基于CT影像组学结合机器学习模型预测食管胃结合部腺癌人表皮生长因子受体2状态

目的 评估基于C T影像组学结合机器学习模型术前预测食管胃交界处腺癌(A EG)人表皮生长因子受体2(HER2)状态的价值.方法 回顾性分析101例经术后病理证实的AEG患者,按7:3比例将其分为训练集(n=70)和验证集(n=31).基于门静脉期增强CT提取AEG影像组学特征,以最小绝对值选择与收缩算子回归模型针对训...     

Ultrasound Image–Based Deep Features and Radiomics for the Discrimination of Small Fat-Poor Angiomyolipoma and Small Renal Cell Carcinoma

We evaluated the performance of ultrasound image–based deep features and radiomics for differentiating small fat-poor angiomyolipoma (sfp-AML) from small renal cell carcinoma (SRCC). This retrospective study included 194 patients with pathologically proven small renal masses (diameter ≤4 cm; 67 in the sfp-AML group and 127 in the SRCC group). We obtained 206 and 364 images from the sfp-AML and SRCC groups with experienced radiologist identification, respectively. We extracted 4024 deep features from the autoencoder neural network and 1497 radiomics features from the Pyradiomics toolbox; the latter included first-order, shape, high-order, Laplacian of Gaussian and Wavelet features. All subjects were allocated to the training and testing sets with a ratio of 3:1 using stratified sampling. The least absolute shrinkage and selection operator (LASSO) regression model was applied to select the most diagnostic features. Support vector machine (SVM) was adopted as the discriminative classifier. An optimal feature subset including 45 deep and 7 radiomics features was screened by the LASSO model. The SVM classifier achieved good performance in discriminating between sfp-AMLs and SRCCs, with areas under the curve (AUCs) of 0.96 and 0.85 in the training and testing sets, respectively. The classifier built using deep and radiomics features can accurately differentiate sfp-AMLs from SRCCs on ultrasound imaging.     

基于T2WI影像组学模型可预测低级别胶质瘤1p/19q的缺失状态

  目的  基于磁共振T2WI构建影像组学模型,预测低级别胶质瘤1p/19q缺失状态的价值。  方法  回顾性分析本院经病理证实的154例低级别胶质瘤患者（1p/19q共缺失100例,1p/19q非共缺失54例）,按照分层抽样7∶3分成训练集和验证集。使用3D-Slicer软件对肿瘤区域进行手动分割,用pyradiomics进行特征提取。临床资料的分析采用t检验/χ2检验;影像组学特征采用方差法和10折交叉验证的LASSO算法进行筛选,最后建立支持向量机、高斯朴素贝叶斯、K-近邻、逻辑回归模型,采用ROC曲线的曲线下面积值和sklearn分类报告中的参考指标（准确度、敏感度、特异性、F1分数）进行效能评价。  结果  4种模型中,支持向量机的曲线下面积值最高,训练集和验证集分别为0.95、0.91;参考指标中表现最佳为K-近邻,其准确度、敏感度、特异性及F1分数分别为0.87、0.97、0.70、0.91;其次为支持向量机,各项指标与模型平均值相当。  结论  基于T2WI影像组学模型可以有效地预测低级别胶质瘤1p/19q的缺失状态。      

对比增强液体衰减反转恢复序列MRI影像组学评估成人弥漫性低级别胶质瘤1p/19q状态

目的 观察对比增强液体衰减反转恢复(CE-FLAIR)序列MRI影像组学模型判断成人弥漫性低级别胶质瘤(DLGG)1p/19q状态的价值。方法 纳入135例成人DLGG患者、含81例1p/19q共缺失,经分层抽样按7∶3比例将其分为训练集(n=95)及验证集(n=40)。基于训练集CE-FLAIR数据提取、筛选DLGG 1p/19q共缺失影像组学特征,构建支持向量机(SVM)、随机森林(RF)、极限梯度提升(XGBoost)、轻量梯度提升机(LightGBM)及逻辑回归(LR)模型;绘制受试者工作特征曲线,计算曲线下面积(AUC),评价影像组学模型判断训练集及验证集DLGG 1p/19q状态的价值,并以DeLong检验进行比较。结果 共提取851个影像组学特征,以Mann-Whitney U检验筛选出74个差异有统计学意义者,再经5折交叉验证的最小绝对收缩和选择算子选出12个与1p/19q状态显著相关者;以之构建的SVM、RF、XGBoost、LightGBM及LR模型评价训练集DLGG 1p/19q状态的AUC分别为0.89、0.97、0.97、0.96及0.85,评估验证集的AUC...     

Comparison of the application of B-mode and strain elastography ultrasound in the estimation of lymph node metastasis of papillary thyroid carcinoma based on a radiomics approach

Purpose

B-mode ultrasound (B-US) and strain elastography ultrasound (SE-US) images have a potential to distinguish thyroid tumor with different lymph node (LN) status. The purpose of our study is to investigate whether the application of multi-modality images including B-US and SE-US can improve the discriminability of thyroid tumor with LN metastasis based on a radiomics approach.

Methods

Ultrasound (US) images including B-US and SE-US images of 75 papillary thyroid carcinoma (PTC) cases were retrospectively collected. A radiomics approach was developed in this study to estimate LNs status of PTC patients. The approach included image segmentation, quantitative feature extraction, feature selection and classification. Three feature sets were extracted from B-US, SE-US, and multi-modality containing B-US and SE-US. They were used to evaluate the contribution of different modalities. A total of 684 radiomics features have been extracted in our study. We used sparse representation coefficient-based feature selection method with 10-bootstrap to reduce the dimension of feature sets. Support vector machine with leave-one-out cross-validation was used to build the model for estimating LN status.

Results

Using features extracted from both B-US and SE-US, the radiomics-based model produced an area under the receiver operating characteristic curve (AUC) \(=\) 0.90, accuracy (ACC) \(=\) 0.85, sensitivity (SENS) \(=\) 0.77 and specificity (SPEC) \(=\) 0.88, which was better than using features extracted from B-US or SE-US separately.

Conclusions

Multi-modality images provided more information in radiomics study. Combining use of B-US and SE-US could improve the LN metastasis estimation accuracy for PTC patients.