文献类型：期刊文章

作　　者：尹浩霖[1] 李冬宝[2] 蒋宇[3] 李仕红[1] 陈勇[3] 林光武[1]

Yin Haolin;Li Dongbao;Jiang Yu;Li Shihong;Chen Yong;Lin Guangwu(Department of Radiology,Huadong Hospital Affiliated to Fudan University,Shanghai 200040,Chin;School of Physics and Materials Science,East China Normal University,Shanghai 200062,China;Department of Radiology,Sichuan Key Laboratory of Medical Image,The Affiliated Hospital of North Sichuan Medical College.Nanchong 637000.China)

机构地区：[1]复旦大学附属华东医院放射科,上海200040 [2]华东师范大学物理与材料科学学院,上海200062 [3]川北医学院附属医院放射科四川省医学影像重点实验室,南充637000

出　　处：《中华肿瘤杂志》

基　　金：国家自然科学基金（81771816）

年　　份：2018

卷　　号：40

期　　号：11

起止页码：841-846

语　　种：中文

收录情况：BDHX、BDHX2017、BIOSISPREVIEWS、CAS、CSCD、CSCD2017_2018、EMBASE、IC、JST、PUBMED、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：目的探讨高通量纹理分析鉴别脑内单发转移瘤（SBM）和高级别胶质瘤（HGG）的可行性，并验证建立的诊断模型。方法回顾性收集病理确诊的SBM和HGG患者各43例，患者术前均行常规头部MRI扫描。从86例患者的MRI图像中选取236幅包含肿瘤信息的FLALR图像，将每幅图像视为1个样本。训练组200幅，其中SBM 106幅，HGG 94幅，用于建立诊断模型。验证组36幅，其中SBM 19幅，HGG 17幅，用于验证所建立的诊断模型。经过图像预处理、图像分割、特征萃取、特征选择，最终建立影像组学诊断模型。采用受试者工作特征（ROC）曲线评价诊断模型的诊断效能。采用分层聚类分析评价所提取图像特征数据的质量和诊断模型的分类效果。采用独立的验证组对模型进一步检验。结果每个样本有629个图像特征被萃取和量化，筛选出其中的41个特征建立特征子集，构建了诊断模型模型，分类决策函数为f（x）＝sign[N∑i=1 aiyiK（x,xi）＋b]，核函数为K（x，xi）＝exp（-‖x-xi‖2/2σ2）。在训练组中，诊断模型鉴别SBM和HGG的准确性为0.845，灵敏度为0.849，特异度为0.840，阳性预测值为0.857，阴性预测值为0.832，ROC曲线下面积达0.939。模型在验证组中具有相似的结果。结论高通量纹理分析对SBM和HGG的鉴别诊断具有较高准确性。

关 键 词：胶质瘤 脑转移 纹理分析 影像组学  诊断  鉴别  

分 类 号：R739.41]