论文部分内容阅读
目的1.将纹理分析与非增强MRI相结合,尝试在无造影剂情况下识别颈动脉粥样硬化斑块内新生血管,建立斑块内新生血管的诊断模型。并结合传统临床血清学指标,构建斑块内新生血管的影像-临床诊断模型,为探究纹理分析在非增强图像上识别斑块内新生血管的可行性提供证明。2.基于纹理分析,在非增强MRI图像上进一步探究其对不同等级的颈动脉粥样硬化斑块内新生血管识别的可能性,为定量识别高、低等级斑块内新生血管开辟新的道路。方法1.招募颈动脉粥样硬化斑块患者作为研究对象。受试者均接受超声造影及颈动脉MRI检查,MRI检查包括T1、T2加权成像(T1WI和T2WI)和增强T1成像(CE-T1WI)。依据超声造影结果,将94例颈动脉斑块分为斑块内新生血管组和非斑块内新生血管组。在MRI图像上选定斑块最大层面,由一名经验丰富的诊断医生手动勾画感兴趣区(ROI),并进行特征提取。对提取的特征进行降维,通过组内相关系数(ICC)、随机森林及共线性检测进行筛选。分析最终获得的重要特征是否存在统计学差异,并构建诊断模型。此外,分别结合5个临床经典血清学指标,寻找最优诊断效力的血清指标,构建影像-临床诊断模型。2.依据超声造影,将65例颈动脉粥样硬化斑块新生血管,分为低等级组(1-2级)及高等级组(3-4级)。对ROI提取三维纹理特征,并基于ICC、递归特征消除(RFE)和共线性检测进行特征筛选,构建对不同等级的斑块内新生血管的诊断模型。结果1.根据超声造影的结果,将训练组94例颈动脉斑块分为斑块内新生血管组(n=65)和非斑块内新生血管组(n=29)。CE-T1WI识别斑块内新生血管的AUC值为0.733,敏感性为84.620%,特异性为62.070%。但是,在非增强的MRI(T1WI和T2WI)上无法识别斑块内新生血管。2.本实验共计提取558个纹理特征。首先排除了ICC<0.75的165个低重复性纹理特征,随后将剩余的393个特征中与方向相关的特征进行整合平均,剩余70个纹理特征。然后,经随机森林算法降维后剩余16个纹理特征。最终剔除高共线性特征,获得了基于T1WI+T2WI图像的5个重要并且互相独立的纹理特征。这5个特征包括来自Co-occurrence matrix的3个特征(T1_DifVarnc,T2_SumAverg和T2_Entropy),Absolute gradient的一个特征(T2_GrSkewness)和Autoregressive model的一个特征(T2_Teta 2)。3.除了特征T2_Entropy,其余四个特征在斑块内新生血管组和非斑块内新生血管组都存在统计学差异(P<0.05)。将这四个特征纳入Logistic回归方程发现,T1_DifVarnc,T2_SumAverg和T2_Teta 2满足方程。将这三个纹理特征进行联合构建斑块内新生血管的诊断模型,该模型的AUC为0.887,敏感性为89.230%,特异性为75.860%。4.将T1WI+T2WI的诊断模型与血清指标相结合,结果表明,综合模型的诊断性能得到显着改善,其中以纹理分析+T1WI+T2WI+低密度脂蛋白(LDL)的模型具有最强的诊断能力,AUC为0.934。5.在高低等级斑块内新生血管组中,通过特征提取及多步骤降维,发现差异性特征T1_GLCM_Contrast和T2_GLCM_Energy,将两者联合构建的诊断模型AUC为0.721,其对应的敏感度和特异度分别为84.210%和59.260%。结论1.纹理分析可以在非增强图像上实现对斑块内新生血管的识别,其中T1_DifVarnc,T2_SumAverg和T2_Teta2特征可作为反应斑块内新生血管有无的良好指标,在斑块内新生血管的诊断中发挥着重要的作用。2.联合血清学指标,构建影像-临床的综合诊断模型,可以更好提高诊断能力,为临床进一步检测斑块内新生血管提供给了可能。3.将纹理分析应用于识别高低等级的斑块内新生血管提供了更多的实验证据。