论文部分内容阅读
研究目的1.对比单次激发快速自旋回波(TSE)与单次激发平面回波成像(EPI)的单、双指数模型扩散加权成像(DWI)在肺癌成像的价值。2.探讨肺部TSE-DWI与EPI-DWI的影像组学特征的稳定性与再现性。3.建立和验证基于DWI及表观扩散系数(ADC)鉴别肺部良恶性病变的影像组学模型。材料与方法1.15例肺癌患者分别进行两次TSE-DWI和EPI-DWI扫描。比较了两种方法的变形率(Distortion ratio,DR)、信噪比(SNR)、对比噪声比(CNR)。采用Bland-Altman对两组参数进行重复性分析。采用变异系数(CV)和组内相关系数(ICC)评价重复扫描参数的重复性和观察者间一致性。2.两位观察者对30例肺部TSE-DWI和EPI-DWI各两次扫描的患者图像分别进行分割,并对每组图像提取6大类共396个影像组学特征。使用一致性相关系数(CCC)、动态范围(dynamic range,DR’)来评估两次扫描的特征稳健性。通过ICC评估观察者内和观察者间特征的再现性。3.139例肺部EPI-DWI检查的患者,按7:3的比例随机分为训练集和测试集,采用smote技术对训练集进行样本平衡。测量ADC值(ADC800)并从DWI及ADC图提取影像组学特征。采用最大相关最小冗余、Lasso回归及logistic回归进行特征筛选、构建影像组学标签;建立了包括临床特征、影像组学标签和ADC值的列线图。通过ROC和决策曲线评估不同模型诊断效能和临床应用价值。研究结果1.相比EPI-DWI,TSE-DWI具有相对较低的SNR、相似的CNR及显著低的DR(p<0.001)。两次重复扫描中ADC和D的重复性好(EPI-DWI CV分别为14.11-16.60%和 17.08-19.53%,TSE-DWI CV 为 4.3%-6.19%和6.05-8.71%);但两个序列D*和f值的重复性均较差(EPI中两者CV分别为25.95-27.70%和56.92-71.84%,TSE 中两者 CV 为 23.67-28.67%和 60.85-70.17%)。两个序列在ADC和D上都有良好到极好的观察者之间的一致性,而D*和f的观察者之间变异较大,其中TSE-DWI的D*重复性最差(ICC-0.27 to 0.12)。2.基于DWI图提取的稳定特征数量(CCC和DR’均≥0.85)均高于相应的ADC图。TSE-DWI、EPI-DWI、TSE-ADC、EPI-ADC 稳定特征占比分别为 49.7%(197/396)、42.7%(169/396)、31.8%(126/396)、37.4%(148/396)。396个特征中有54个(13.6%)在所有序列中表现出很好的稳健性(CCC和DR≥0.85)及观察者内和观察者间再现性(ICC≥0.75)。3.临床模型、ADC800、ADC组学标签及DWI组学标签在验证组中鉴别良恶性病变曲线下面积 AUC 分别为 0.694(95%CI 0.524-0.864)、0.802(0.666-0.937)、0.885(0.774-0.996)及 0.767(0.578-0.956)。ADC 与 DWI 联合组学模型(AUC=0.670(0.467-0.873))并未优于单个序列组学模型。联合影像组学、临床因素及ADC800的列线图具有最佳的鉴别效能(AUC=0.923(0.842-1))且显著优于临床模型及联合组学模型。决策曲线显示ADC组学模型优于ADC值及临床模型,列线图在大部分情况下能为患者带来更多的临床净获益。结论1.与EPI-DWI相比,肺部TSE-DWI或IVIM可以提供无变形的图像,提高ADC和D值的在两次扫描间的鲁棒性;但是TSE-DWI对灌注参数D*可能产生影响。2.不同序列中稳定特征的数量不同。部分特征在不同扫描间、不同观察者间、甚至不同序列间都有很好的稳定性和再现性。这些稳定特征可为将来扩散成像影像组学研究提供参考。3.相比常规ADC值及临床模型,ADC组学模型在鉴别肺良恶性病变中显示出更好的应用价值。包括影像组学标签、ADC值和临床特征在内的影像组学列线表能进一步提升诊断性能,具备更好的临床应用价值,为肺癌个性化精准诊断提供新的思路。