论文部分内容阅读
第一部分CT影像组学对基底节区急性缺血性脑梗死早期诊断价值目的:探讨基于头颅CT平扫构建的影像组学分析模型对基底节区急性缺血性脑梗死的早期辅助诊断价值。方法:回顾性分析我院2020年2月至2021年2月诊断为急性缺血性脑梗死的1621例患者的影像及临床资料。以发病48h内磁共振弥散加权成像（Diffusion-Weighted Imaging,DWI）作为参考,筛选出发病6h内,梗死病灶位于单侧基底节区且双侧基底节区无其它病灶的301例患者头颅CT平扫进行影像组学研究。采用ITKSNAP软件注册配准（Registration）功能对CT平扫及DWI序列图像进行自动匹配,以DWI图像上高信号梗死灶的最大层面为参考,在CT平扫图像相应区域勾画ROI 1纳入梗死组;在同一层面的对侧正常区域勾画镜像ROI 2纳入对照组。使用联影智能科研平台对图像进行最大最小归一化处理并提取ROI影像组学特征,使用最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator,LASSO）进行特征筛选,采用逻辑回归分类器结合筛选出的特征参数进行建模,并利用五折交叉方法（即训练集:测试集=4:1）验证。最后计算模型的灵敏度、特异度和准确率,并使用受试者工作特征曲线（Receiver Operator Characteristic curve,ROC）评价影像组学模型对基底节区急性脑梗死的病灶的检出效能。在已建立的数据集中,根据基底节区梗死病灶面积中位数109mm2,将总样本分为组1（梗死面积＜109mm2）和组2（梗死面积≥109mm2）;根据急性脑梗死静脉溶栓时间窗4.5h将总样本分为组A（梗死时间＜4.5h）和组B（梗死时间≥4.5h）,按照7:3的比例将每组样本随机分为训练集与测试集,进行影像组学特征提取、筛选及模型构建,计算各组灵敏度、特异度和准确率,并使用ROC曲线评估其诊断效能。结果:最终提取筛选得到16个高相关性特征用于构建影像组学评分,在训练集与测试集中,该评分能够明显区分梗死灶和对侧正常脑组织,且差异具有统计学意义（训练集:P=0.017,测试集:P=0.009）。基于选出特征采用逻辑回归方法构建的模型在训练集及测试集平均诊断效能ROC曲线下面积（Area Under the Receiver Operating Characteristic Curve,AUC）分别为0.823、0.804,灵敏度分别为0.738、0.711,特异度分别是0.757、0.721,准确率分别为0.747、0.716。分层研究结果显示,组1训练集及测试集AUC值分别为0.811、0.708,组2训练集及测试集AUC值分别为0.831、0.744,组A训练集及测试集AUC值分别为0.739、0.691,组B训练集及测试集AUC值分别0.875、0.82。结论:基于头颅CT平扫对基底节区梗死病灶提取的影像组学特征,结合机器学习逻辑回归构建的预测模型,能够很好的鉴别基底节区急性梗死灶与正常组织,具有较高的诊断效能,且随着梗死发生时间的延长其诊断效能随之上升,提示了CT平扫影像组学分析在辅助急性基底节区脑梗死诊断中的应用潜在价值。第二部分CT影像组学对脑干急性缺血性脑梗死辅助诊断价值目的:探讨基于头颅CT平扫构建的影像组学分析模型对脑干急性缺血性脑梗死的辅助诊断价值。方法:回顾性分析我院2020年2月至2021年2月诊断为急性缺血性脑梗死的1621例患者的影像及临床资料。以发病48h内DWI图像作为参考,筛选出发病6h内,梗死灶位于脑干,且脑干无软化灶、钙化等病变的160例患者的头颅CT平扫图像纳入梗死组。按照梗死组:对照组=2:3比例,收集240例与梗死组年龄、性别分布相匹配的头颅CT平扫正常图像纳入对照组。然后,在联影智能科研平台上对所有CT图像进行最大最小归一化处理,使用自动分割功能提取脑干体积,即感兴趣区体积（Volume of Interest,VOI）,梗死组患者的VOI标注为VOI 1;对照组VOI标注为VOI 2。随后提取VOI影像组学特征,经LASSO进行特征筛选后,采用高斯过程分类器结合筛选出的特征参数建模,按照7:3的比例将影像资料随机分为训练集与测试集进行验证。最后,分别计算灵敏度、特异度和准确率,并使用ROC曲线评价影像组学模型的诊断效能。选取脑干梗死病灶的最大面积中位数95.5mm2作为节点,将160例梗死组样本分为组1（梗死面积＜95.5mm2）和组2（梗死面积≥95.5mm2）;选取梗死时间为4.5h作为节点,将160例梗死组样本分为组A（梗死时间＜4.5h）和组B（梗死时间≥4.5h）,并按照梗死样本:对照样本=2:3比例纳入对照样本。按照7:3的比例将每组样本随机分为训练集与测试集,进行影像组学特征提取、筛选及模型构建,计算各组灵敏度、特异度和准确率,并使用ROC曲线评估其诊断效能。结果:最终提取筛选得到13个高相关性特征用于构建影像组学评分,在训练集与测试集中,该评分能够明显区分急性脑干梗死和正常脑干CT平扫图像,且差异具有统计学意义（训练集:P=0.032,测试集:P=0.014）。基于选出特征采用高斯过程方法构建的模型在训练集及测试集的平均诊断效能AUC分别为0.929、0.829,灵敏度分别为0.795、0.708,特异度分别为0.899、0.778,准确率分别为0.857、0.750。分层研究结果中,组1训练集及测试集AUC值分别为0.959、0.904,组2训练集及测试集AUC值分别为0.962、0.924,组A训练集及测试集AUC值分别为0.873、0.803,组B训练集及测试集AUC值分别0.930、0.920。结论:基于头颅CT平扫对脑干进行自动分割及影像组学特征提取,结合机器学习高斯过程构建的脑干梗死预测模型,能够区分出急性脑干梗死和正常脑干CT平扫图像,且随着梗死发生时间的延长其诊断效能随之上升,初步证实了影像组学及自动分割技术在辅助急性脑干梗死诊断中的应用潜在价值。