论文部分内容阅读
第一部分基于MRI成像的影像组学在肝纤维化评估中的应用价值研究目的 探讨基于磁共振成像(Magnetic resonance imaging,MRI)的影像组学在肝纤维化诊断和分期中的应用价值。材料与方法 通过皮下注射四氯化碳(Carbon tetrachloride,CCl4)诱导并建立大鼠肝纤维化模型进行前瞻性影像组学研究。使用Signa-HDx 3.0 Tesla MRI(GE Medical Systems,Milwaukee,WI)对麻醉后的大鼠进行扫描获得三维快速扰相梯度回波(3D fast spoiled gradient recalled echo,3D-FSPGR)T1加权DICOM格式图像。利用3D-Slicer软件(免费开源的医学图像分析可视化软件)和IBEX软件(MD Anderson Cancer Center,US)绘制感兴趣区(Region of interest,ROI)并提取特征纹理参数,经过数据预处理、数据降维后建立二分类影像组学模型。分别建立用于F0-F4期、F0期与F1-F2期、F1-F2期与F3-F4期诊断的七种影像组学模型。结果 每组图像能提取1767组特征纹理参数,通过数据预处理后剩余1742组。本研究使用最小绝对收缩与选择算子(Least absolute shrinkage and selection operator,LASSO)联合支持向量机(Support vector machine,SVM)建立了七种影像组学模型用于不同分组的研究,建立的模型在F0-F4期诊断中的曲线下面积(Area under curve,AUC)分别为0.90、0.85、0.71、0.89和0.83。正常肝脏(F0期)和早期肝纤维化(F1-F2期)的AUC为0.88,早期肝纤维化(F1-F2期)和晚期肝纤维化(F3-F4期)的AUC也是0.88,上述七种模型的敏感度、特异度和准确度均高于80%。结论 影像组学可以用于肝纤维化的无创性诊断和分期之中,是一种新兴的肝纤维化诊断方法。第二部分肝纤维化影像组学研究中的优化降维和模型的选择目的 探讨如何获得更优化的降维和建模方法用于肝纤维化的诊断和分期。材料与方法 将97只大鼠随机分为对照组(25只)和肝纤维化组(72只),使用CCl4诱导建立大鼠肝纤维化模型。使用Signa-HDx 3.0 Tesla MRI对大鼠进行扫描获得3D-FSPGR T1加权图像,扫描后立即进行肝组织病理活检并进行肝纤维化分期。使用3D-Slicer软件和IBEX软件进行肿瘤分割和特征纹理参数提取。运用PyCharm(JetBrains.ro,version4.5.4)和R-Studio软件进行数据预处理、降维并建立多分类影像组学模型,使用R-Studio软件绘制受试者工作特征曲线(Receiver operating characteristic curve,ROC曲线)并计算AUC,对不同模型进行Kappa检验并获得Kappa值,同时将数据可视化处理,绘制不同模型的决策者曲线(Decision curve analysis,DCA)。最后采用模糊综合评价法将三种统计学方法按照1:1:1的比例进行加权评价获得综合诊断能力最优的模型建立方法。结果 共获得1767组特征纹理参数,通过对数据预处理后删除部分不完整的特征参数后余下1742组。使用两种不同的降维方法结合六种建模方法建立出十二种多分类影像组学模型。LASSO+BP神经网络(Back propagation neural network,BPNet)以及主成分分析(Principal components analysis,PCA)+SVM对F0期具有较高的诊断效能和决策价值(AUC分别为0.92和0.91,Kappa值分别为0.81和0.87)。LASSO+BPNet是诊断F1期的满意模型(AUC=0.90,Kappa值为0.84),LASSO+K邻近(K-Nearest Neighbor,KNN)是诊断F2期的满意模型(AUC=0.75,Kappa值为0.67),LASSO+SVM和PCA+梯度提升树(Gradient boosting decision tree,GBDT)是诊断F3期的满意模型(AUC分别为0.89和0.91,Kappa值分别为0.92和0.95),LASSO+决策树(Decision Tree,DT)是诊断F4期的满意模型(AUC=0.90,Kappa值为0.88)。模糊综合评价法分析结果表明LASSO+SVM的综合评价得分为16分,得分最高。结论 在肝纤维化不同分期的最佳影像组学诊断模型并不相同,LASSO+SVM对诊断F0-F4期具有最佳的综合诊断能力。