影像组学在脑胶质瘤分级中的应用研究

目的利用影像组学与常规磁共振图像对脑胶质瘤进行分级。材料与方法利用BRATS2017公开数据集,自动从图像中的感兴趣区域提取多种特征,包括形态特征、灰度特征、纹理特征等,并运用特征选择方法进行特征选择,最后根据选出的特征对脑胶质瘤的高、低评级进行区分。对支持向量机、决策树与K近邻法等3种分类方法进行比较,也比较了基于遗传算法的包装方法和过滤方法这两种特征选择算法。结果采用过滤方法进行特征选择,支持向量机方法具有最高的准确率91.93%,受试者工作特征曲线下面积(area under the receiver operating characteristic curve,AUC)值为0.90。进一步采用遗传算法进行特征选择,准确率提升至93.33%,AUC值为0.94。结论基于常规磁共振图像,利用影像组学方法,选择合适的特征组合,可以对脑胶质瘤进行自动分级。     

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。     

基于轴位和矢状位T1WI增强图像影像组学模型术前预测脑膜瘤病理分级的初步研究

目的建立基于轴位及矢状位T1WI增强图像的影像组学模型术前预测脑膜瘤病理分级,并测试其表现。材料与方法回顾性收集2017年1月至2020年12月病理诊断为脑膜瘤且符合纳入标准患者(132例)的MRI图像。使用图像分割软件ITK-SNAP勾画感兴趣区,再采用pyradiomics从中提取影像组学特征,将数据以8∶2的比例分成训练集(105例)和测试集(27例)。通过组内相关系数评估特征的可重复性,之后筛选特征,采用RBF核支持向量机算法构建模型。最后,使用测试集数据评估模型表现,并绘制受试者工作特征(receiver operating characteristic,ROC)曲线。结果基于轴位和矢状位图像的综合模型表现优于其他单序列模型,各模型表现在应用少数类过采样技术(synthetic minority over-sampling technique,SMOTE)后均有不同程度的提升。应用SMOTE的综合模型测试表现最优,其ROC曲线下面积、敏感度、特异度、准确度分别为0.982、0.900、1.000和0.963。结论基于轴位和矢状位T1WI增强图像的影像组学模型有助于术前预测脑膜...     

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。      

基于MRI影像组学在诊断前交叉韧带损伤分级中的应用

目的 分析MRI影像组学对前交叉韧带损伤分级的诊断价值。方法 回顾性选择2017～2022年滨州医学院附属医院放射科质子加权成像提示前交叉韧带异常信号患者212例,以关节镜检查结果为金标准,将患者分为重度损伤组（n=141）和轻度损伤组（n=71）。提取前交叉韧带图像的组学特征包括形状特征、一阶特征、纹理特征和小波特征。通过SMOTE法进行过采样,解决数据不均衡问题。通过组内及组间相关系数进行一致性检验。在两组中通过7:3的比例随机分割为训练集和测试集。并用LASSO算法筛选出最佳影像组学特征,采用Logistic回归建立组学模型。基于影像组学特征建立影像组学模型,基于两组的临床参数建立临床模型,以及联合两者建立Nomogram模型。分别在训练集及测试集绘制ROC曲线,计算敏感度、特异性、准确度评估模型的诊断效能,通过绘制校准曲线来评估模型预测值和实际观测值之间的差异,通过绘制临床决策曲线分析评价其临床有效性。结果 通过特征提取在质子加权成像横断位、冠状位、矢状位共获得2553个特征,通过特征筛选及降维最终保留12个特征参数。影像组学模型训练集的曲线下面积（AUC）为0.9105,测试...     

基于灰阶超声影像组学在鉴别膀胱尿路上皮癌病理分级中的应用价值

目的 通过灰阶超声影像组学特征鉴别膀胱尿路上皮癌病理分级。方法 回顾性分析2016年4月～2023年5月山西白求恩医院153例经病理证实的膀胱尿路上皮癌患者。灰阶超声图像手工勾画肿瘤感兴趣区并提取组学特征,LASSO特征降维后采用3种机器学习方法建模并选出最优影像组学模型。采用ROC曲线对模型性能评估,采用Hosmer-Lemeshow适合度检验评价模型的拟合度,并绘制校正曲线,采用决策曲线分析进一步探讨模型的临床应用价值。结果 3种机器学习模型中的支持向量机算法模型性能表现最优,此模型在训练集和测试集的曲线下面积分别为0.858(95%CI:0.787～0.928)和0.832(95%CI:0.708～0.936),校准曲线显示出良好的一致性。决策曲线分析结果显示具有较高的净收益。结论 基于灰阶超声影像组学在鉴别膀胱尿路上皮癌病理分级具有术前诊断价值,有助于临床精准诊疗。     

基于脂肪抑制增强T1WIDelta影像组学预测鼻咽癌患者放射治疗后口干分级

目的 基于脂肪抑制(FS)增强T1WI构建预测放射治疗(放疗)后鼻咽癌(NPC)患者口干级别的Delta影像组学模型，并评估其效能。方法 回顾性分析227例于诱导化学治疗(IC)后接受放疗或同步放化疗(CCRT)NPC患者IC前2周内及IC结束后鼻咽部MRI。于放疗结束后1周根据放射治疗肿瘤协作组标准评估患者口干分级(0～4级),将0、1级口干归为轻度口干(n=81),≥2级口干归为重度口干(n=146)。基于IC前、后FS增强T1WI提取双侧腮腺影像组学特征，计算Delta影像组学特征值。采用最小绝对收缩和选择算子和随机森林算法降维，筛选最优Delta影像组学特征，构建Delta影像组学模型。按8∶2比例将患者分为训练集(n=182)及测试集(n=45),绘制受试者工作特征(ROC)曲线，计算曲线下面积(AUC),评估Delta影像组学模型预测训练集及测试集NPC患者放疗后口干分级的效能；绘制校准曲线，评估模型性能。结果 分别基于IC前、后FS增强T1WI提取2 286个影像组学特征，最终筛选出8个最优Delta影像组学特征并以之构建模型，其预测训练集和测试集NPC患者放疗后口干分级...     

急性脑卒中机械取栓术后出血转化风险的列线图模型构建

目的 基于多模态磁共振影像组学及临床危险因素构建急性脑卒中机械取栓术后出血转化的列线图模型。材料与方法 回顾性分析2017年1月至2020年12月在南京市第一医院就诊的急性缺血性脑卒中患者病例174例,将患者病例随机分为训练集(n=122)和测试集(n=52),根据治疗后24 h的磁共振图像将患者分成出血转化组和无出血转化组。采用A.K.软件提取弥散加权成像及灌注加权成像病变区影像组学特征并构建影像组学标签。通过多变量Logistic回归筛选最佳预测因子并构建列线图模型。利用受试者操作特征(receiver operating characteristic,ROC)曲线评估模型预测效能。结果 每例患者各提取1584个影像组学特征,降维后筛选出15个与卒中出血转化高度相关的特征。ROC曲线显示联合影像组学标签、房颤史、年龄及入院NIHSS评分构建的诺莫图模型预测训练集出血转化的曲线下面积(area under the curve,AUC)为0.979 (敏感度和特异度分别为0.950、0.989),预测测试集出血转化AUC为0.885 (敏感度和特异度分别为0.836、0.908),均优...     

基于CT影像组学和集成学习预测肝细胞癌微血管侵犯的研究

目的：研究计算机断层扫描（computed tomography,CT）影像组学的集成学习模型和融合模型方法模型在术前预测肝细胞癌（hepatocellular carcinoma,HCC）患者的微血管侵犯（microvascular invasion,MVI）状态的应用价值。方法：选取广西医科大学附属肿瘤医院2017年1—12月收治的孤立性HCC患者218例。通过ITK-SNAP软件勾画CT资料静脉期的肝脏肿瘤边缘,使用Python(3.8.1)提取影像组学特征,采用t检验,最小绝对收缩、算子回归算法和梯度下降树进行影像组学特征筛选。最后使用6种集成学习算法构建预测模型,并通过模型融合的方法构建了基于6种模型的融合预测模型。结果：共提取出组学特征1 046个,经过t检验,最小绝对收缩和算子回归和梯度下降树筛选出10个最重要影像组学特征。基于10个特征构建的梯度提升决策树、随机森林、极端梯度提升算法、极端随机树、轻梯度提升算法、自适应增强算法模型在验证集的曲线下面积（area under curve,AUC）值分别为0.79、0.81、0.80、0.78、0.76和0.77,6种集成学...     

影像组学诊断胶质母细胞瘤的Meta分析

目的系统评价影像组学方法对胶质母细胞瘤的诊断价值。方法计算机检索PubMed、EMbase、Web of Science和The Cochrane Library数据库,查找利用影像组学方法对脑胶质瘤进行分级或对脑胶质母细胞瘤和其他肿瘤进行鉴别诊断的相关研究,检索时限均为建库至2021年5月30日。由2名研究者独立筛选文献、提取资料并评价纳入研究的偏倚风险和研究质量后,使用Meta-Disc 1.4软件和RevMan 5.3软件进行Meta分析。结果共纳入37个研究,包括4748例患者。Meta分析结果显示:影像组学诊断胶质母细胞瘤的合并敏感度、特异度、诊断比值比和SROC曲线下面积分别为0.91[95%CI(0.89,0.92)]、0.88[95%CI(0.87,0.90)]、78.00[95%CI(50.81,119.72)]和0.95,正确诊断胶质母细胞瘤的关键影像组学特征是病灶区域的强度特征和纹理特征。结论当前证据显示,影像组学对胶质母细胞瘤的诊断具有较高准确性。受纳入研究数量和质量的限制,上述结论尚待更多高质量研究予以验证。