论文部分内容阅读
第一部分胶质瘤术前分级的扩散张量成像影像组学研究目的:胶质瘤准确病理分级是临床制定治疗方案的关键,也是分子分型的基础。本研究旨在探讨基于扩散张量成像各向异性分数（fractional anisotropy,FA）和平均扩散系数（mean diffusivity,MD）影像组学分析在胶质瘤术前病理分级中的价值。方法:回顾性分析经手术病理证实的108例脑胶质瘤患者的DTI资料,其中43例为低级别胶质瘤（low-grade gliomas,LGGs）,均为WHO II级;65例为高级别胶质瘤（high-grade gliomas,HGGs）,包括WHO III级25例和WHO IV级40例。首先在B0图像上分割肿瘤感兴趣区（region of interest,ROI）,分割时使用了两种方法,第一种方法勾画全部异常信号区,即肿瘤实质成分、坏死区、囊变区和肿瘤周位水肿,第二种方法仅勾画肿瘤实质成分。然后分别提取FA图和MD图中以上两种ROI的一组影像组学特征,包括传统人工纹理特征、形态特征和预先训练卷积神经网络（convolutional neural network,CNN）第三卷积层和第四卷积层的深度特征。使用这些影像组学特征建立基于支持向量机（support vector machine,SVM）的两项分类预测模型:（1）LGGs与HGGs;（2）WHO III级与WHO IV级胶质瘤。最后,将受试者工作特征（receiver operating characteristic,ROC）曲线下面积（area under the curve,AUC）、准确性、灵敏性和特异性等作为留一法交叉验证预测模型效能优劣的指标。结果:成功建立了基于DTI影像组学胶质瘤术前分级的预测模型,最优特征主要来自预先训练CNN的深度特征。预测LGGs与HGGs分类时,基于MD图建立的预测模型具有最优的预测效果,其AUC=0.96,准确性为98%,敏感性为98%,特异性为98%;预测WHO III级与WHO IV级分类时,（FA+MD）的联合模态有更好的预测效果,其AUC=0.99,准确性为98%,敏感性为98%,特异性为100%。当ROI不包含坏死、囊变区和瘤周水肿时,基于FA图的模型预测效果改变明显:预测LGGs与HGGs分类模型时,第三卷积层的FA特征的预测效果,除了敏感性,AUC=0.92,准确性为93%,特异性为88%,分别降为AUC=0.90,准确性为91%,特异性为81%,;第四卷积层的FA特征的预测效果从AUC=0.96,准确性为97%,敏感性为98%,特异性为95%,分别降为AUC=0.84,准确性为85%,敏感性为86%,特异性为84%。预测WHO III级与WHO IV级分类时,第三卷积层的FA特征的预测效果从AUC=0.94,准确性为94%,敏感性为98%,特异性为88%分别降为AUC=0.88,准确性为83%,敏感性为95%,特异性为64%;第四卷积层的FA特征的预测效果,除了特异性,AUC=0.95,准确性为95%,敏感性为100%,分别降为AUC=0.85,准确性为81%,敏感性为75%。结论:基于FA图和MD图的影像组学可用于术前无创地预测胶质瘤分级,其中深度特征发挥了重要作用;FA的预测效果易受肿瘤分割ROI的影响。第二部分磁共振影像组学预测低级胶质瘤1p/19q共缺失状态价值的研究目的:异柠檬酸脱氢酶（isocitrate dehydrogenase,IDH）突变和1p/19q共缺失状态与低级胶质瘤（Low-grade gliomas,LGGs）患者的预后和临床治疗策略密切相关。本文旨在探讨基于T2-FLAIR和表观扩散系数（apparent diffusion coefficient,ADC）图的无创性影像组学方法预测IDH突变型LGGs的1p/19q共缺失状态的价值,以期为治疗方案的制定和预后评估提供更多信息。方法:回顾性分析经手术病理和分子基因检测证实的44例IDH突变阳性的LGGs（WHOⅡ级）患者的MRI资料,所有患者均取得了1p/19q共缺失状态的分子检测结果。首先提取T2-FLAIR和ADC图上肿瘤区的影像组学特征,包括传统人工纹理特征、形态学特征和预先训练卷积神经网络（convolutional neural network,CNN）的深度特征。然后使用这些特征建立基于支持向量机（support vector machine,SVM）预测1p/19q共缺失状态的机器学习模型。最后,将计算受试者工作特征（receiver operating characteristic,ROC）曲线下面积（area under the curve,AUC）、准确性、灵敏性和特异性等作为留一法交叉验证预测模型的效能优劣的指标。结果:成功建立了基于SVM预测LGGs的1p/19q共缺失状态的机器学习模型,最优特征全部来自预先训练CNN的深度特征。ROC分析显示,基于T2-FLAIR的模型（其AUC=0.95,准确性为95%,敏感性为96%,特异性为95%）预测效果最好;其次是基于ADC图的模型（其AUC=0.91,准确性为91%,敏感性为96%,特异性为85%）;最后是基于（T2-FLAIR+ADC）的联合模态模型（其AUC=0.91,准确性为88.64%,敏感性为91.67%,特异性为85%）。结论:基于T2-FLAIR和ADC图的影像组学分析可用于术前无创预测IDH突变型LGGs的1p/19q共缺失状态,其中深度特征最具有预测价值。