简介:目的使用影像组学方法构建一个影像组学标签分类模型,对肺肿瘤良恶性进行分类预测。方法分析四川大学华西医院80例怖肿瘤患者的CT影像学数据,分割肿瘤区域,提取肿瘤形状、大小、强化程度、纹理和小波变换共485个影像组学特征。利用Lasso算法筛选出与肿瘤良恶性鉴别最密切的组学特征,并使用Logistic回归构建诊断肿瘤良恶性的预测模型。采用受试者工作特征(receiveroperatingcharacteristic.ROC)曲线及其曲线下面积(areaundercurve,AUC)来评估该影像组学标签在训练集和验证集中的效能。结果选取3个影像组学特征构建出影像组学标签,具有很好的预测分类效果。训练集的AUC为0870(95%CI:0760-0978J,灵敏度为0.870,特异度为0.818;验证集的AUC为0.853(95%CI:0.717-0.989),灵敏度为0.882,特异度为0.778。结论随着CT在临床诊断中的广泛使用,真有望成为辅助检测肿瘤良恶性的非侵入手段。
简介:目的:探讨基于影像组学的肺结节恶性程度预测。方法:对肺部图像影像数据库(TheLungImageDatabaseConsortium,LIDC)-IDRI(ImageDatabaseResourceInitiative)中604例肺结节患者的CT图像进行分析,其中含肺结节的CT图像共2803幅,医师手工勾画肺结节轮廓。根据肺结节诊断标准,共提取96个灰度、形态和纹理高通量特征,输入基于随机森林的多类分类器进行恶性程度预测。恶性程度分为5级,以数字1~5表示。随机选取1000幅CT图像作为训练样本,剩余的1803幅CT图像作为测试样本,实验重复10次。结果:对于单个肺结节,5类恶性程度的平均预测准确率为77.85%。对于每一类预测,曲线下面积(areaundercurve,AUC)均在0.94以上。对于每例患者,肺结节恶性程度的预测准确率为75.16%。结论:该研究提出的基于影像组学的方法对肺结节恶性程度的预测性能良好,可为临床诊断提供可靠的辅助信息,以利于早期发现病灶。
简介:目的:基于影像组学方法,分析超声医学影像信息,评估影像组学方法预测原发性肝细胞癌(hepatocellularcarcinoma,HCC)中Ki-67表达的可行性。方法:回顾性分析133例经术后病理证实的HCC患者的灰阶超声图像,通过图像分割、提取图像中肿瘤病灶的小波、纹理、形态特征,结合最大相关最小冗余(minimum-redundancy-maximum-relevance,mRMR)准则的遗传算法选出234个特征,之后再用稀疏表示(sparserepresentationcoefficient,SRC)方法进一步筛选,得到最优特征子集并用于分类。结果:利用支持向量机(supportvectormachine,SVM)和留一法(leave-one-outcrossvalidation,LOOCV)的预测模型对临床HCC超声图像进行分类和评价。结果显示,受试者操作特性曲线下面积(areaunderthereceiveroperatingcharacteristiccurve,AUC)达到了0.75。结论:基于HCC超声灰阶图像的影像组学分析和Ki-67表达存在相关性,可以为临床合理诊疗和预后预测提供有用的信息。
简介:目的:分析宫颈鳞癌分化程度与18F-脱氧葡萄糖(18F-FDG)PET/CT显像定量指标最大标准摄取值(SUVmax)之间的关系。方法:回顾性分析经手术或阴道镜病理证实的28例宫颈鳞癌患者,比较分析宫颈鳞癌病理分化程度及SUVmax,探讨18F-FDGPET/CT定量指标与恶性肿瘤分化程度之间的关系及相关程度。结果:不同分化程度宫颈鳞癌的18F-FDGPET/CT的SUVmax存在显著差异,分化程度与SUVmax呈负相关(r=-0.845,P<0.05)。结论:根据18F-FDGPET/CT显像的SUVmax可初步判断宫颈鳞癌的病理分化程度。
简介:目的:探讨超声影像组学定量特征对浸润性乳腺癌激素受体表达的预测价值。方法:回顾性分析204例浸润性乳腺癌患者的术前超声图像及术后病理结果。根据雌激素受体(estrogenreceptor,ER)、孕激素受体(progesteronereceptor,PR)及人表皮生长因子受体2(humanepidermalgrowthfactorreceptor2,HER-2)表达,将患者分为两组:激素受体阳性组(ER+、PR+、HER-2-),激素受体阴性组(ER-、PR-、HER-2-)。两名具有5年以上临床经验的超声科医师对乳腺癌肿块超声图像进行回顾性特征分析与评估,评估内容包括肿块的形态、边缘、内部回声、后方回声改变及钙化。然后,对同一个肿块利用基于相位信息的动态轮廓模型进行边缘分割。通过t检验,筛选出与激素受体相关性最强的特征参数,通过支持向量机分类器,运用径向基核函数进行分析与研究。为减少偏倚,采用留一法对分类性能进行验证。结果:激素受体阳性组与阴性组在形态、边缘毛刺成角、内部回声及后方回声改变等二维特征方面存在显著统计学差异(P<0.05)。定量分析选出54个定量特征,对激素受体表达具有较高准确率(准确率67.7%,曲线下面积73.2%)。此外,边缘、内部回声、后方回声及钙化等定量特征在激素受体阳性与阴性组之间均存在显著统计学差异(P<0.05)。结论:超声影像组学定量特征分析降低了传统超声影像的主观性,在预测浸润性乳腺癌激素受体表达方面具有较大优势,其在提高超声影像学特征对乳腺癌精准诊断及生物学行为预测方面的价值仍需进一步研究。
简介:目的:初步探索磁共振成像(magneticresonanceimaging,MRI)三维纹理(three-dimensionaltexture,3D-texture)特征结合临床参数构建预测模型,术前评估肝细胞癌(hepatocellularcarcinoma,HCC)患者术后早期复发的可行性。方法:回顾性纳入98例术后早期复发HCC患者,记录实验室检查结果、MRI影像征象、3D-texture,经数据去冗余、Lasso回归行主要特征提取,使用监督学习算法进行建模,并将模型用于预测83例前瞻性患者术后早期复发。结果:动脉期(arterialphase,AP)和门静脉期(portalvenousphase,PVP)分别提取出6和2个纹理特征进行建模,AP-3D-texture模型在训练集、验证集及测试集中的预测效能如下:预测准确性(accuracy,ACC)分别为0.735、0.735和0.651;受试者工作特征(receiveroperatingcharacteristic,ROC)曲线的曲线下面积(areaundercurve,AUC)分别为0.759、0.769和0.669。PVP-3D-texture模型在3个数据集中预测效能如下:训练集中ACC为0.721,AUC为0.591;验证集中ACC为0.367,AUC为0.498;测试集中ACC为0.402,AUC为0.560。AP-3D-texture结合临床参数后在3个数据集中的预测效能如下:训练集中ACC为0.838,AUC为0.876;验证集中ACC为0.833,AUC为0.864;测试集中ACC为0.663,AUC为0.656。结论:AP-3D-texture可以作为预测HCC术后早期复发的标记,与临床参数结合后预测效能进一步提高,但是在测试集中效能偏低,可能与训练集样本量偏少有关。