基于MR-T2WI的深度学习与影像组学联合临床特征预测宫颈癌淋巴脉管间隙浸润

目的 观察基于MR-T2WI的深度迁移学习(deep transfer learning,DTL)特征、影像组学特征及临床特征构建的联合模型(列线图)在术前预测宫颈癌淋巴脉管间隙浸润(lymph vascular space invasion,LVSI)的价值。材料与方法 回顾性分析178例经术后病理证实为宫颈癌的患者病例,其中70例LVSI(+)、108例LVSI(-),按照8∶2划分为训练集[142例,54例LVSI(+)、88例LVSI(-)]和测试集[36例,16例LVSI(+)、20例LVSI(-)]。对临床因素行单因素logistic分析,筛选出LVSI(+)独立预测因素。使用DTL方法和传统影像组学方法提取矢状位T2WI图像中病灶的DTL特征和影像组学特征,构建DTL特征数据集、影像组学特征数据集和DTL特征与影像组学特征融合的数据集,分别以t检验、Pearson分析和最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归对训练集各特征数据集进行特征降维,以其最佳者构建影像组学(radiom...     

基于MRI影像组学对评估术前直肠癌周边纤维脂肪组织浸润的应用价值

目的 评估基于MRI影像组学模型对术前直肠癌周边纤维脂肪组织浸润的应用价值。方法 回顾性分析2019年12月～2022年3月于铜陵市人民医院术后经病理证实直肠癌75例患者术前MRI图像资料,根据病理结果分为纤维脂肪组织浸润组（n=33）及纤维脂肪组织未浸润组（n=42）。基于T2WI及动脉期对比增强T1WI(CE-T1WI)提取影像组学特征,将数据按照7:3的比例分为训练组（n=54）与验证组（n=21）,采用最大相关最小冗余和最小绝对收缩和选择算子回归的方法对训练集数据进行特征降维,并将特征降维后作为特征向量,筛选出最佳的影像组学特征,构建出T2WI模型、CE-T1WI模型及T2WI+CE-T1WI模型3种影像组学模型,根据ROC曲线确定其中最优模型;根据肿瘤上下径、肿瘤最厚径、CE-T1WI相对信号强度比值（RCE-T1WI）、T2WI相对信号强度比值（RT2）、DWI相对信号强度比值（RDWI）及ADC值多因素Logistic回归分析构建出联合模型;评估最优模型与联合模型二者效能及临床效益。结果 基于T2WI和CE-T1W1各提取851个影像组学特征,最终分别获得10个和14个最...     

T2WI及对比增强T1WI影像组学模型鉴别纤维型与非纤维型脑膜瘤

目的 观察T2WI及对比增强T1WI(T1C)影像组学模型鉴别纤维型与非纤维型脑膜瘤的价值。方法 回顾性分析423例经病理证实的单发低级别脑膜瘤患者,按7∶3比例分为训练集(n=296)和验证集(n=127);提取训练集T2WI和T1C中病灶3 376个影像组学特征,以SelectPercentile单因素分析法及最小绝对收缩和选择算子(LASSO)筛选最优影像组学特征,分别以分类器逻辑回归(LR)、支持向量机(SVM)、随机森林(RF)、线性SVC(LinearSVC)、自适应增强(Adaboost)及决策树(DT)构建鉴别纤维型与非纤维型脑膜瘤的影像组学模型,即模型_LR、模型_SVM、模型_RF、模型_linearSVC、模型_Adaboost及模型_DT,以验证集验证其效能。结果 基于T2WI和T1C共筛出13个最优影像组学特征,以之构建的模型_LR、模型_SVM、模型_RF、模型_linea...     

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...     

T2WI-FS序列影像组学诊断宫颈癌转移及脉管间隙浸润的价值

目的研究T2加权脂肪抑制序列(T2-weighted imaging fat suppression,T2WI-FS)影像组学诊断宫颈癌(cervical cancer,CC)淋巴转移及脉管间隙浸润(lymph vascular space invasion,LVSI)的价值.材料与方法回顾性分析2017年6月至2020年6月间66例CC患者临床资料及术前磁共振成像横轴位T2WI-FS图像,勾画病灶感兴趣区域(region of interest,ROI),将患者预处理图像与ROI图像依次导入A.K.软件,提取T2WI-FS图像上病灶组学特征,经特征降维处理后,建立逻辑回归模型影像组学标签,绘制受试者工作特征(receiver operating characteristic,ROC)曲线,分析T2WI-FS组学标签在诊断CC淋巴转移及LVSI中的价值.结果病理检查结果提示存在淋巴转移者共22例,无转移者44例,分析发现,淋巴转移与患者宫颈间质浸润深度及LVSI有关(P值均<0.01);LVSI阳性患者共27例,阴性患者39例,分析发现,LVSI与患者组织分化程度、宫颈间质浸润深度及淋巴结转移有关(P值均<0.01);T2WI-FS影像组学标签评估患者淋巴转移的曲线下面积(area under the area under the curve,AUC)=0.857,诊断敏感度(sensitivity,Sen)=85.0％,特异度(specificity,Spe)=86.7％,评估患者LVSI的AUC=0.807,诊断Sen=68.3％,Spe=88.3％.结论淋巴结转移及LVSI间相互影响,两者均受到宫颈间质浸润深度的影响,T2WI-FS影像组学标签在评估患者淋巴转移及LVSI中均具有较高的效能,在宫颈癌患者术前病情评估,指导手术治疗方案及预后预测中均具有较高的应用价值.     

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...     

影像组学评估宫颈癌淋巴结转移与脉管间隙浸润的研究

目的:探讨基于磁共振T2WI-FS与ADC图影像组学标签评估宫颈癌患者淋巴结转移与脉管间隙浸润(LVSI)的诊断价值.方法:回顾性分析兰州大学第一医院经手术病理证实的77例宫颈癌患者,收集患者临床基本资料、术后病理特征以及横轴位T2WI-FS与ADC(b=0/900 s/mm2)图像.利用A.K.软件对影像学资料进行标...     

术前MRI影像组学模型预测子宫内膜癌风险分层

目的 观察术前MRI影像组学模型预测子宫内膜癌(EC)风险分层的价值。方法 回顾性分析219例术前接受盆腔MR检查的EC患者,根据术后病理结果将其分为高风险组(n=104)及低风险组(n=115);按照不同检查时间将患者分别归入训练集(n=153)或测试集(n=66),并于集内划分亚组。以3D Slicer软件于MRI中手动勾画ROI,分别基于轴位、矢状位脂肪抑制(FS)T2WI及轴位、矢状位增强FS-T1WI中提取1 130个特征,之后以最小绝对收缩和选择算子(LASSO)算法分别选出12、14、16及12个(共54个)影像组学特征(联合MRI特征);再以LASSO降维并筛选出25个特征(联合LASSO特征)。以极度随机树算法分别基于各序列特征、联合MRI特征及联合LASSO特征构建模型;绘制受试者工作特征曲线,以曲线下面积(AUC)、准确度及F1评分评估各模型预测效能;以各模型在测试集中的AUC及主观阅片的AUC评估其预测效能。结果 训练集中,联合MRI模型与联合LASSO模型的准确率(0.784、0.777)、F1评分(0.730、0.731)及AUC(0.835、0.855)均...     

基于深度学习重建常规头部2D T1WI超分辨率图像质量

目的 评价基于深度学习改良U-net(M U-net)模型的常规厚层2D T1WI超分辨率重建图像质量及其在脑形态学研究中的应用价值.方法 回顾性分析730例头部M RI,包含常规厚层2D T1WI及3D T1WI,按7:3比例将其分为训练集(n=500)和测试集(n=230).采用M U-net模型和传统插值算法对2...     

MRT1WI瘤体及瘤周影像组学联合临床特征预测乳腺癌新辅助化疗疗效

目的 观察MR T1WI瘤体和瘤周影像组学联合临床特征预测新辅助化疗(NAC)疗效的价值。方法 回顾性分析110例接受NAC的乳腺癌患者，其中43例NAC后病理完全缓解(pCR)、67例为非pCR(non-pCR);按7∶3比例将其分为训练集(n=76,30例pCR、46例non-pCR)和测试集(n=34,13例pCR、21例non-pCR)。以单因素及多因素logistic回归分析训练集临床及MRI表现，筛选NAC用于乳腺癌疗效的独立预测因子，并建立临床模型；于训练集NAC前MR T1WI所示瘤体及瘤周感兴趣体积(VOI)提取并筛选最佳影像组学特征，构建NAC治疗乳腺癌效果预测模型，包括模型_瘤体、模型_瘤周及模型_{瘤体+瘤周};联合瘤体及瘤周影像组学及临床相关独立预测因子建立联合模型。采用受试者工作特征(ROC)曲线评估模型诊断效能。结果 淋巴结转移(OR=0.17)、人表皮生长因子受体2(OR=4.52)及孕激素受体表达(OR=0.20)均为临床相关独立预测因子(P均<0.05)。于瘤体及瘤周VOI各选出4个最佳影...     

MRI影像组学术前预测乳腺浸润性导管癌Ki-67表达

目的 观察基于MR弥散加权成像(DWI)及表观弥散系数(ADC)图影像组学术前预测乳腺浸润性导管癌Ki-67表达的价值.方法 回顾性分析212例经组织穿刺活检或手术病理证实的乳腺浸润性导管癌患者的乳腺DWI,以分层抽样方法按7∶3比例将其分为训练集(n=148)和验证集(n=64).分别基于DWI、ADC图及DWI+ ...     

基于乳腺二维超声及自动乳腺容积扫描构建影像组学及列线图模型预测乳腺癌分子分型

目的 观察基于乳腺二维超声及自动乳腺容积扫描(ABVS)构建的影像组学及列线图模型预测乳腺癌分子分型的价值。方法 回顾性分析326例经病理证实的女性单发乳腺癌患者资料,以8∶2比例将其分为训练集(n=260)及验证集(n=66),根据免疫组织化学结果划分Luminal与非Luminal亚组;基于乳腺二维超声及ABVS图像提取影像组学特征构建相应模型及联合模型。采用单因素及多因素logistic回归分析筛选乳腺癌分子分型的独立预测因素,联合影像组学评分构建列线图模型。绘制受试者工作特征(ROC)曲线,评估各模型预测乳腺癌分子分型的效能。结果 肿瘤最大径(OR=1.029)及有无汇聚征(OR=0.408)均为乳腺癌分子分型的独立预测因素(P均<0.05)。二维超声、ABVS、联合影像组学模型及列线图模型预测验证集乳腺癌分子分型的曲线下面积(AUC)分别为0.67、0.75、0.84及0.83,其中,联合影像组学模型与列线图模型AUC差异无统计学意义(P>0.05)并均高于二维超声及ABVS模型(P均<0.05)。结论 基于二维超声及ABVS构建的联合影像组学模型及列线图模...     

基于MRI影像组学预测肝泡型包虫病边缘微血管侵犯

目的 评估基于MR T2WI影像组学模型预测肝泡型包虫病（HAE）病灶边缘微血管侵犯的价值。方法 回顾性分析89例经术后病理证实的HAE患者,其中32例病灶边缘存在微血管侵犯、57例无侵犯。提取病灶MR T2WI影像组学特征,以方差阈值法和单变量选择法筛选最优特征,以随机森林（RF）、极限梯度增强树（XGBoost）和逻辑回归（LR）三种分类器构建预测HAE病灶边缘微血管侵犯的机器学习（ML）模型。按8：2比例将患者分为训练集（n=70）和测试集（n=19）,验证模型的预测效能;绘制受试者工作特征（ROC）曲线,计算其曲线下面积（AUC）。结果 共提取1 409个影像组学特征,经特征降维选出7个最优影像组学特征,并以之构建模型。ROC曲线显示,XGBoost模型在训练集及测试集中的AUC分别为0.96和0.89。结论 基于MR T2WI影像组学XGBoost模型可有效预测HAE病灶边缘微血管侵犯。     

基于T1WI及IDEAL-T2WI影像组学模型鉴别腮腺多形性腺瘤和腺淋巴瘤

目的 观察T1WI、IDEAL-T2WI影像组学特征及机器学习模型鉴别腮腺多形性腺瘤（PA）与腺淋巴瘤（AL）的价值。方法 回顾性分析33例腮腺PA和25例AL患者。运用放射组学云平台，于轴位T1WI和IDEAL-T2WI上手动勾画病灶ROI，提取影像组学特征；以方差阈值法、SelectKBest及Lasso算法筛选最优特征。采用随机森林、逻辑回归算法建立机器学习模型，绘制ROC曲线，分析T1WI、IDEAL-T2WI、IDEAL-T2WI联合T1WI建立模型的诊断效能。结果 T1WI、IDEAL-T2WI、IDEAL-T2WI联合T1WI分别得到6、9、12个有效特征。基于IDEAL-T2WI联合T1WI建立随机森林模型的诊断效能最高，AUC为0.87，95%CI（0.59，1.00），准确率0.83。结论 基于T1WI、IDEAL-T2WI影像组学特征及机器学习模型可有效鉴别诊断腮腺PA和AL。     

基于T2WI影像组学标签预测乳腺癌人表皮生长因子受体2表达状态

目的 探讨基于MR T2WI的影像组学标签在术前预测乳腺癌人表皮生长因子受体2（HER2）表达状态的价值。方法 回顾性收集209例乳腺癌患者的T2WI,将患者随机分为训练组（n=145）和验证组（n=64）。手动勾画病灶ROI,并于Matlab 2013a平台中提取组学特征。通过组间相关系数及最小绝对收缩和选择算子逻辑回归模型筛选组学特征并构建组学标签。比较HER2表达阳性与阴性亚组患者的影像组学得分差异,采用ROC曲线评价训练组中影像组学标签预测HER2的效能,并以获得的预测阈值用于验证组中进行验证。结果 最终获得由13个组学特征构成的影像组学标签。在训练组及验证组中,HER2阳性亚组与阴性亚组患者间组学得分差异均有统计学意义（P均<0.05）。基于T2WI的影像组学标签在训练组及验证组中的AUC分别为0.798、0.707。结论 基于T2WI构建的影像组学标签对术前预测乳腺癌HER2表达状态具有一定价值。     

基于高分辨T2WI影像组学判定直肠癌术前T分期

目的 探讨基于高分辨T2WI提取的影像组学特征判定直肠癌术前T分期的应用价值。方法 回顾性分析191例术后病理证实为直肠腺癌患者的临床及影像学资料,在术前高分辨T2WI上勾画整个肿瘤为ROI,通过一般线性LASSO分析提取14个影像组学特征,并构建影像组学模型。根据病理结果,将T0~T2期归为早期,T3~T4期归为局部进展期,将患者分为训练组（n=134）和验证组（n=57）,对模型进行训练和验证。绘制ROC曲线及决策曲线（DCA）,评估模型的可预测性。结果 191例直肠癌中,早期68例,局部进展期123例。在训练组和验证组中,影像组学预测模型区分早期与局部进展期直肠癌的AUC为0.927、0.885,准确率为0.851、0.842,特异度为0.917、0.700,敏感度为0.814、0.919,F1值为0.861、0.829,Brier值为0.149、0.159。结论 术前以基于高分辨T2WI构建的影像组学模型判定直肠癌T分期具有可行性。     

平扫及钆塞酸二钠增强MRI鉴别诊断透明细胞型与普通型肝细胞癌

目的 探讨平扫及钆塞酸二钠（Gd-EOB-DTPA）增强MRI对鉴别诊断透明细胞型肝细胞癌（CCHCC）与普通型肝细胞癌（NOS-HCC）的价值。方法 纳入经手术病理证实的36例CCHCC（CCHCC组）和72例年龄匹配的NOS-HCC患者（NOS-HCC组）,以单因素及分析多因素logistic回归分析回顾性评估其临床、病理及上腹部平扫+Gd-EOB-DTPA增强MRI,筛选鉴别CCHCC与NOS-HCC的独立预测因素;绘制受试者工作特征（ROC）曲线,计算曲线下面积（AUC）,评价MRI相关独立预测因素及其联合鉴别CCHCC与NOS-HCC的效能。结果 病理Edmondson-Steiner分级及MRI见病灶含脂肪成分、平扫T1WI病灶与肝脏信号强度比值（LLR_T1WI）及病灶与肌肉信号强度比值（LMR_T1WI）均为CCHCC与NOS-HCC的独立预测因素（P均<0.05）。以病灶含脂肪成分及LLR_T1WI、LMR_T1WI鉴别CCHCC与NOS-HCC的AUC分别为0.652、0.689、0.687,三者联合的AUC为0.762,高于单一病灶内含脂肪成分（Z=-2.401,P=0.016）,而与单一LLR_T1WI（Z=-1.841,P=0.066）及LMR_T1WI（Z=-1.440,P=0.150）差异均无统计学意义。结论 平扫及Gd-EOB-DTPA增强MRI可用于鉴别CCHCC与NOS-HCC。     

瘤内及瘤周表观弥散系数影像组学特征预测髓母细胞瘤患儿预后

目的 观察瘤内及瘤周表观弥散系数（ADC）影像组学特征预测髓母细胞瘤（MB）患儿预后的价值。方法 回顾性分析74例MB患儿资料,根据术后2年随访结果将其分为进展组（n=29）及无进展组（n=45）,并按6：4比例分为训练集（n=44）或验证集（n=30）。基于ADC图提取并筛选瘤内及瘤周影像组学特征,分别建立瘤内、瘤周及瘤内+瘤周影像组学模型,并以之结合临床及常规影像学特征建立联合模型;比较各模型预测MB患儿预后的效能。结果 训练集中,临床-常规影像-瘤周影像组学模型、临床-常规影像-瘤内+瘤周影像组学模型曲线下面积（AUC）均大于单一瘤周影像组学模型（P均<0.05）;验证集中,临床-常规影像学-瘤内+瘤周影像组学模型的AUC最大,但与其他模型差异均无统计学意义（P均>0.05）。结论 瘤内及瘤周ADC影像组学特征可用于预测MB患儿预后;联合临床及常规影像学特征或有助于提高预测效能。