基于DCE-MRI影像组学模型对乳腺NME病变诊断价值的研究.pdf
《基于DCE-MRI影像组学模型对乳腺NME病变诊断价值的研究.pdf》由会员分享,可在线阅读,更多相关《基于DCE-MRI影像组学模型对乳腺NME病变诊断价值的研究.pdf(6页珍藏版)》请在咨信网上搜索。
1、医学影像学杂志2024年第34 卷第2 期 J Med Imaging Vol.34 No.2 2024基于 DCE-MRI 影像组学模型对乳腺 NME 病变诊断价值的研究李珍1,2,刘磊3,仲海4,王翠艳1,2,51.山东大学 山东 济南 250100;2.山东省立医院医学影像科 山东 济南 250021;3.山东众阳健康科技集团有限公司 山东 济南 250101;4.山东大学第二医院医学影像科 山东 济南 250031;5.山东第一医科大学附属省立医院医学影像科 山东 济南 250021【摘 要】目的探讨结合机器学习早期动态增强磁共振成像(DCE-MRI)的影像组学模型在鉴别良恶性乳腺非肿
2、块强化(NME)病变中的价值。方法选取行乳腺 DCE-MRI 检查并获得病理结果的 NME 病变患者 242 例,分为训练集 163例、测试集 55 例,外部验证集 24 例。基于早期 DCE-MRI 序列的特征选择,采用支持向量机(SVM)建立组学预测模型;由 2 位放射科医师独立评估 MRI 特征,建立传统诊断模型,预测病灶的良恶性;运用测试集和外部验证集进行测试和外部验证。采用受试者工作特征(ROC)曲线评价组学模型与放射医师的诊断效能。结果影像组学模型鉴别乳腺 NME病变良恶性达到了与高年资放射医师 曲线下面积(AUC)=0.82,95%CI 0.66,0.89 相当的诊断水平 (AU
3、C=0.82,95%CI 0.67,0.90);P=0.30 ,均优于低年资放射医师的评估结果(Z=2.63,P=0.01;Z=2.41,P=0.02),同时利用外部验证集进一步验证该模型的预测效能。结论基于早期 DCE-MRI 组学模型可以有效地鉴别 NME 病变的良恶性,与高年资放射医师诊断水平相当,并优于低年资医师诊断水平,可以辅助低年资医师做出更佳诊断。【关键词】影像组学;磁共振成像;乳腺非肿块强化病变中图分类号:R737.9;R445.2 文献标识码:A 文章编号:1006-9011(2024)02-0046-06Study on the diagnostic value of ra
4、diomics model based on dynamic contrast-enhanced magnetic resonance imaging for non-mass enhancement lesions of breastLI Zhen1,2,LIU Lei3,ZHONG Hai4,WANG Cuiyan1,2,51.Shandong University,Jinan 250100,China2.Department of Medical Imaging,Shandong Provincial Hospital,Jinan 250021,China3.Shandong Zhong
5、yang Health Technology Group Co.Ltd,Jinan 250101,China4.Department of Medical maging,The Second Hospital of Shandong University,Jinan 250031,China.5.Department of Medical Imaging,Shandong Provincial Hospital Affiliated to Shandong First Medical University,Jina 250021,China.【Abstract】ObjectiveTo expl
6、ore the value of radiomics model combined with machine learning of early dynamic contrast-enhanced magnetic resonance imaging(DCE-MRI)in distinguishing benign and malignant breast non-mass enhancement(NME)lesions.Methods242 patients with NME lesions,who underwent breast DCE-MRI examination and obtai
7、ned pathological results,were selected anddivided into training set of 163 lesions,testing set of 55 lesions,and external validation set of 24 lesions.Based on feature selection of early DCE-MRI,radiomics model was to established by support vector machine.Two radiologists independently evaluated MRI
8、 features,established a traditional diagnostic model,and predicted the benign and malignant lesions.Test sets and external validation sets were used for testing and external validation.The receiver operating characteristic(ROC)curve was used to evaluate the diagnostic efficiency of the radiomics mod
9、el and radiologists.ResultsThe differentiation of benign and malignant breast NME lesions using radiomics models reached a diagnostic level comparable to that of senior radiologists AUC=0.82,95%confidence interval(CI)0.66,0.89 (AUC=0.82,95%CI 0.67,0.90);P=0.30,both of which were superior to the eval
10、uation results of junior radiologists(Z=2.63,P=0.01;Z=2.41,P=0.02),Meanwhile,external validation sets were used to further validate the predictive performance of the model.ConclusionBased on the early DCE-MRI radiomics model,it can effectively distinguish between benign and malignant NME lesions,whi
11、ch is comparable to the diagnostic level of senior radiologists and superior to the diagnostic level of junior radiologists.This can assist junior radiologists in making better diagnoses.【Key words】Radiomics;Magnetic resonance imaging;Non-mass enhancement lesions of breast基金项目:山东省医学会乳腺疾病科研基金项目(编号:YX
12、H2020ZX068)作者简介:李珍(1990-),女,山东大学在读硕士研究生,住院医师,主要从事磁共振诊断工作。通信作者:王翠艳 E-mail:46医学影像学杂志2024年第34 卷第2 期 J Med Imaging Vol.34 No.2 2024近年来女性乳腺癌的发病率呈上升趋势,早期发现和及时治疗是癌症的重要控制策略1。动态对比增强磁共振(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)是目前乳腺癌的最佳检测方法,在乳腺癌筛查、乳腺病变诊断、治疗效果评价中发挥着重要作用2。乳腺非肿块强化(non-mass en
13、hancement,NME)的影像学特征不典型,良恶性病变特征相互交叉重叠,在临床诊疗中对放射科医师提出巨大挑战,易漏诊或误诊,导致过度活检或手术引起患者焦虑。影像组学作为一种无创的定量成像技术,可获取人眼不可评估的隐藏信息用于建立预测模型3。本文探讨基于早期DCE-MRI影像组学模型在鉴别乳腺 NME 病变良恶性中的诊断价值。1资料与方法1.1临床资料选取 2016 年 1 月至 2021 年 10 月在山东大学第二医院和山东省立医院接受 3.0T 乳腺检查,并进行活检或手术切除获得病理学诊断的女性患者242 例,年龄 2574 岁,平均年龄(46.7 9.9)岁。纳入标准:1)首次发现乳腺
14、病变;2)患者行乳腺MRI检查前没有接受任何治疗(手术、放化疗);3)根据第五版 MRI 乳腺影像报告与数据系统(breast imaging reporting and data system,BI-RADS)分类标准4:DCE-MRI表现为 NME 病变;4)MRI检查后 2周内行手术切除或穿刺活检获得病理学结果。排除标准:图像有伪影、技术故障或乳腺 MRI检查未发现病变。本文经医院伦理审查委员会审核批准。1.2检查方法采用3.0T MRI扫描仪(GE Discovery 750(标记为 MR1),Siemens,Skyra(MR2)和 Philips Inginia(MR3),乳腺专用线
15、圈,患者俯卧位,双乳自然下垂于线圈内。乳腺图像采集均使用3.0T专用乳腺扫描系统进行 3D 成像,扫描序列包括:轴位 T1WI序列、轴位T2WI序列、弥散加权序列及轴位DCE和矢状位三维T1WI序列,轴位DCE采用T1-LAVA-3D序列(MR1:TR/TE6.6/1.1,FOV360mm360mm,矩阵256320,层厚1.4mm,间距,共扫描8 期,每 期 61s;MR2:TR/TE4.49/1.68,FOV340mm340mm,矩阵 340340,层厚 1.2mm,间距,共扫描 8 期,每期 60s;MR3:TR/TE3.8/1.83,FOV317mm200mm,矩 阵 317200,层
16、 厚4mm,间距-2,共扫描 30期,每期 9.8s)。增强扫描采用高压注射器通过肘静脉注入钆喷酸葡胺(Gd-DTPA)0.1ml/kg,注射速率 2.0ml/s,随后以相同速率注射20ml生理盐水冲洗。DCE-MRI扫描包括注射对比剂前蒙片扫描和对比剂后多期连续扫描(MR1和MR2扫描第一期结束后开始注射对比剂,延迟 15s 扫描;MR3 连续扫描第三期开始注射对比剂)。1.3图像分析患者完成DCE-MRI扫描后,图像传输到后处理专用工作站。由2位不同经验水平的放射科医师独立(观察者1为3年工作经验;观察者2为10年以上工作经验)对MRI图像进行评估及确定病变的边界。病变特征的分类标准依据第
17、 5 版 BI-RADS-MRI4:包括病变分布方式(局灶、线性、节段、区域、多区域、弥漫),内部增强特征(均匀、不均匀、点状、簇状和簇环状),时间-信号强度曲线(TIC)分为流入型、平台型和流出型。1.4病灶分割将 DCE-MRI 图 像 传 输 至 3D Slicer(Version 4.10.0)软件处理,在观察者 1 不知病理结果情况下进行图像勾画,在动态增强的早期图像(MR1和 MR2 选择注射对比剂后第一期图像,MR3 选择注射对比剂后第五期图像)上沿 NME 病变边缘逐层手动勾画 ROI,并自动融合成一个 3D 图像(图1)。两个月后,随机抽取 20 例患者,由观察者 1再次勾画
18、 ROI,用组内相关系数评估观察者内部一致性。1.5特征提取运用Python中Pyradiomics软件包为每个ROI提取120个组学特征,分为:1)直方图特征;2)形态学特征;3)纹理特征:其中包括灰度共生矩阵特征、灰度尺寸区域矩阵特征、邻域灰度差矩阵特征、灰度依赖矩阵特征。1.6模型构建将 MR1和 MR2所有入组的病例按 3:1的比例随机分为训练集(163例)、测试集(55例),MR3入组的病例为外部验证集(24例)。采用最小绝对收缩和选择算子(LASSO)算法5筛选出区分NME病变性质相关性较大的特征(图2)。利用支持向量机(support vector machine,SVM)分类器
19、分别建立预测模型,基于特征选择的组学模型和基于2位放射科医师评估的MRI特征(包括分布方式、内部增强特征及TIC曲线)的传统诊断模型。1.7统计学分析采用SPSS 26.0和MedCalc 20.0软件进行统计分析。计量资料用-x s表示,行t检验。计数资料用47医学影像学杂志2024年第34 卷第2 期 J Med Imaging Vol.34 No.2 2024频数表示,用Wilcoxon秩和检验。采用受试者工作特征(ROC)曲线、准确率、特异性、敏感性评估模型的诊断效能。使用DeLong检验比较模型之间的差异,P0.05),恶性病变多见于节段或区域分布、不均匀强化和平台型强化曲线,而良性
20、病变常见于线性分布、均匀强化及流入型强化曲线(良恶性组之间分布方式、内部增强特征及TIC类型均差异有统计学意义(P0.05);组学模型与低年资放射科医师评估结果比较,差异均有统计学意义(P0.05),外部验证集进一步证实了预测模型的差异,见表2、3、(图37)3讨论本文选取多中心乳腺NME病变的MRI图像信息及临床、病理特征,采用机器学习算法建立影像组学模型来判断病变良恶性,得出了较高的诊断性能,1A1B1C2A2B图1勾画NME病变ROI示意图。图1A 轴位DCE-MRI显示NME病变;图1B 轴位DCE-MRI逐层勾画病灶边缘ROI;图1C 将DCE-MRI所有层面病灶ROI融合为三维图像
21、。图2 LASSO回归分析选择鉴别NME病变的特征。图2A 以最小偏差交叉验证选择调整参数特征图;图2B 调整参数与LASSO筛选特征图。48医学影像学杂志2024年第34 卷第2 期 J Med Imaging Vol.34 No.2 2024与经验丰富的放射科医师诊断水平相当,并显著优于低年资医师诊断水平,可以辅助低年资医师做出更加准确的诊断。近期有学者6-9进行相似的研究,得出的结论与本文一致。其中LI7-8等认为影像组学模型在鉴别NME病变良恶性方面具有良好的辨别能力,联合临床与MRI特征的组合模型可以进一步提高特异性;GOTO9等发现,精确分割的深度学习模型达到了与经验丰富的放射科医
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 DCE MRI 影像 模型 乳腺 NME 病变 诊断 价值 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。