论文部分内容阅读
第一章扩散加权成像直方图参数在脑胶质瘤分级中的应用价值目的 探讨扩散加权成像(DWI)直方图参数在脑胶质瘤分级中的应用价值。方法 回顾性分析经病理证实的30例(Ⅱ级)低级别胶质瘤(LGG)与97例(Ⅲ级46例,Ⅳ级51例)高级别胶质瘤(HGG),使用MaZda软件提取所有患者DWI图像中肿瘤实质信号最高区域的直方图参数,包括均值(mean)、方差(variance)、偏度(skewness)、峰度(kurtosis)和第 1、10、50、90、99 百分位数(Pere.1%、Pere.10%、Pere.50%、Pere.90%、Pere.99%)。LGG组与HGG组的直方图参数比较采用非参数秩和检验(Mann-Whitney U)或独立样本t检验(independent-samples t test),使用受试者工作特征曲线(ROC)分析差异有统计学意义参数在两组间的分类效能,最后使用两组间差异有统计学意义的直方图参数建立逻辑回归(LR)分类建模并绘制ROC曲线评价模型效能。结果 直方图参数中的均值、方差及第1、10、50、90、99百分位数在两组间的差异有统计学意义[(144.198±47.133)vs(185.609±40.341),(28.101±39.529)vs(160.143±211.832),(134.233±43.673)vs(162.577±40.478),(138.100±44.970)vs(172.814±39.384),(144.400±47.211)vs(186.247±40.473),(149.833±49.537)vs(197.443±42.977),(152.333± 50.384)vs(201.361±43.720),P均<0.001],同时方差在Ⅲ/Ⅳ之间的差异亦有统计学意义[(91.018±150.360)vs(160.143±211.832),P=0.001],而偏度、峰度在两组间的差异无统计学意义[(-0.322±0.499)vs(-0.369±0.542),P=0.669;(-0.171±0.587)vs(-0.135±0.973),P=0.440]。两组间的方差以29.23为阈值时具有最高的诊断效能,对应的灵敏度、特异度及曲线下面积(AUC)分别为72.16%、76.67%、0.793。通过两组间差异有统计学意义的7个直方图参数建立的LR分类模型的灵敏度、特异度及AUC分别为61.86%、86.67%、0.807。结论 基于DWI图像的直方图参数可于术前有效的鉴别HGG与LGG,其中方差具有较高的诊断效能。第二章MRI纹理分析在脑胶质瘤分级中的应用价值目的 本研究探讨基于磁共振成像(MRI)中扩散加权成像(DWI)、T1加权成像(T1WI)、T2加权成像(T2WI)以及对比增强T1加权成像(T1W-CE)的纹理分析(TA)在区分低级别脑胶质瘤(LGG)与高级别脑胶质瘤(HGG)中的应用价值。方法 回顾性分析经病理证实的29例(Ⅱ级)LGG与62例(Ⅲ级31例,Ⅳ级31例)HGG,使用MaZda软件提取所有患者DWI、T1WI、T2WI以及T1W-CE序列图像中肿瘤实质区域的纹理特征,包含了灰度直方图(GH)、灰度共生矩阵(GLCM)与灰度游程矩阵(GLRLM)。将Ⅲ级、Ⅳ级脑胶质瘤四个序列(DWI,T1WI,T2WI,T1W-CE)的特征参数分别与LGG组(Ⅱ级)进行比较,选取在两次比较中差异均有统计学意义的参数,再使用主成分分析(PCA)对选取的各序列特征参数分别降维并使用网格搜索法精简主成分(PC)数量,最后建立逻辑回归(LR)分类模型并绘制受试者工作特征曲线(ROC)评价模型效能。结果 Ⅱ级与Ⅲ级、Ⅱ级与Ⅳ级脑胶质瘤的比较中,差异有统计学意义的特征参数数量在T1W-CE序列中的最多,同时GLCM参数在各序列中所占比例均最大;T1WI、T2WI以及T1W-CE三个序列的特征参数中,Ⅱ/Ⅳ级中差异有统计学意义的数量均多于Ⅱ/Ⅲ级。在两次比较中差异均有统计学意义的特征参数数量在四个序列(DWI、T1WI、T2WI、T1W-CE)中分别为42、25、19、54,且在Ⅱ/Ⅲ级中所占比例较大,分别为55.6%、95.0%、80.6%及85.6%。各序列以PC建立的LR分类模型中,T1W-CE序列的LR分类模型效能最佳,敏感度、特异度、准确率及曲线下面积(AUC)分别为82.8%、79.0%、80.8%及0.869;四个序列的PC整合后建立的分类模型效能进一步提高,敏感度、特异度、准确率及AUC分别为81.0%、83.9%、82.5%及0.883;网格搜索法使T1WI序列建模的PC数量由5个精简到4个,仅AUC略增到0.809;四个序列所有12个PC经过网格搜索法缩减到6个,LR分类模型效能进一步提高,特异度、准确率分别提高至90.3%、85.0%,但敏感度、AUC略降至79.3%、0.850。结论 基于MRI的TA可于术前有效地区分HGG与LGG,其中基于T1W-CE序列的纹理特征建立的LR分类模型具有最佳的效能。PCA是一种有效的降维方式,联合网格搜索法,或可进一步简化模型并提高模型的分类效能。第三章MRI纹理分析在预测脑高级别脑胶质瘤复发时间中的应用价值目的 探讨基于磁共振成像(MRI)的纹理分析(TA)在预测高级别脑胶质瘤(HGG)复发时间(TTR)中的应用价值。方法 回顾性分析经病理证实的48例高级别脑胶质瘤患者(Ⅲ级22例,Ⅳ级26例),根据TTR的长短分为短期组(TTR≤6个月,n=23)与长期组(TTR>6个月,n=25),使用MaZda软件提取所有患者扩散加权成像(DWI)、T1加权成像(T1WI)、T2加权成像(T2WI)以及对比增强T1加权成像(T1W-CE)序列图像中肿瘤实质区域的纹理特征,包含了灰度直方图(GH)、灰度共生矩阵(GLCM)与灰度游程矩阵(GLRLM)。纹理特征的筛选使用支持向量机的递归特征消除方法(SVM-RFE),分类采用支持向量机(SVM)分类模型,使用受试者工作特征曲线(ROC)评估SVM分类模型的效能。最后,使用单因素生存分析(Kaplan-Meier)和对数秩检验(log-rank test)比较依据SVM分类模型所分的长期组与短期组的TTR。结果 经过初步的比较,三种SVM分类模型(LibLinear,LibSVM,SMO)中,SMO分类模型的效能最佳。当特征子集为前23个特征参数时,SMO分类模型的准确率最高,相应的敏感度、特异度、准确率及曲线下面积(AUC)最高,分别为87.0%、92.0%、89.6%及0.899。通过网格搜索法优化子集后,最优子集内的特征参数数量减少至15个,并且SMO分类模型的效能进一步提高,相应灵敏度、特异度、准确率及AUC分别为87.0%、96.0%、91.7%及0.921。最后,以最优SMO分类模型所分的长期组与短期组的TTR差异具有统计学意义(P<0.001)。结论 基于DWI、TIWI、T2WI及T1W-CE序列的纹理特征可客观评价HGG异质性对TTR的影响,对HGG的预后的评估具有一定的潜在价值。