基于多模态MRI影像组学策略的胶质瘤术前分级预测研究

胶质瘤是最常见的原发中枢神经系统恶性肿瘤,日益上升的发病率与死亡率已经严重危害人类的健康。世界卫生组织（World Health Organization,WHO）依据肿瘤恶性程度将胶质瘤分成四级。术前能够对胶质瘤进行精准分级,对患者下一步的治疗计划制定和预后评估至关重要。回顾以往研究,多模态磁共振影像（Magnetic Resonance Imaging,MRI）能在术前利用传统结构像、功能成像对胶质瘤进行病理生理方面的评估,一定程度的帮助分级诊断,但诸多研究存在着模态间彼此割裂,研究参数单一,结果存在争议等问题。近年来,影像组学在影像诊断领域日益兴起,为常规的影像判读模式提供了新的思路和技术。它通过挖掘图像内部深层次的肿瘤组织形态学和生理学特征,利用机器学习的方法建立分类模型,有望进一步为基于多模态影像的胶质瘤术前分级提供强有力的帮助。目的:本研究旨在:1)挖掘具有胶质瘤术前分级效能的最优多模态纹理特征;2)建立用于胶质瘤术前分级的分类模型;3)探讨基于多模态MRI技术的影像组学策略在胶质瘤分级诊断中的价值。方法:经本研究的纳入排除标准,最终收集弥漫性胶质瘤患者153例,术前对每例患者术前进行了MR传统结构像、多b值弥散加权像、三维动脉自旋标记（Three-Dimensional Arterial Spin Labeling,3D-ASL）灌注加权像扫描,预处理图像。将取得的10个序列或参数图谱定义为10个模态,分别组成（1）结构模态组:T1加权成像（T1-Weighted Imaging,T1WI）、T2加权成像（T2-Weighted Imaging,T2WI）、对比增强T1加权成像（Contrast Enhanced T1-Weighted Imaging,T1-CE）;（2）扩散模态组:表观扩散系数（Apparent Diffusion Coefficient,ADC）、慢扩散系数(Slow Apparent Diffusion Coefficient,ADCslow)、Alpha、扩散分布系数（Distributed Diffusion Coefficient,DDC）;（3）灌注模态组:快扩散系数（Fast Apparent Diffusion Coefficient,ADCfast）、灌注分数（Perfusion Fraction,Fp）、脑血流量（Cerebral Blood Flow,CBF）。基于T1-CE序列手动划取感兴趣区域（Volume Of Interest,VOI）配准至其它参数。针对每个VOI提取基于3D的灰度共生矩阵（Gray-Level Co-Occurrence Matrix,GLCM）和灰度梯度共生矩阵（Gray-Level Gradient Co-Occurrence Matrix,GLGCM）的Haralick纹理特征,并同时提取直方图特征和均值特征为后续的比较做准备。针对区分低级别与高级别胶质瘤和高级别组中的III级与IV级胶质瘤两个分类任务,利用基于支持向量机（Support Vector Machine,SVM）的算法进行样本重采样、纹理特征选择,得到最优特征子集进行分类器的训练、建立。利用受试者工作特征（Receiver Operating Characteristic,ROC）曲线评价基于多模态磁共振纹理特征的分类模型对于两个分类任务的效能,并与传统的直方图特征和均值特征做比较。此外,对基于纹理特征的最佳特征和特征序列进行了评价。结果:153例胶质瘤患者中包含42例低级别胶质瘤（Low Grade Glioma,LGG）患者与111例高级别胶质瘤（High Grade Glioma,HGG）患者,其中WHO III级33例,IV级78例。153例胶质瘤患者多模态影像数据提取出的纹理特征、直方图特征和均值分别组成了维度为420×153、90×153和10×153的特征矩阵。随后利用综合的少数类过采样技术（Synthetic Minority Oversampling Technique,SMOTE）法进行样本量扩充,利用基于SVM的循环特征消除（SVM-Based Recursive Feature Elimination,SVM-RFE）法对纹理特征进行选择得到最优特征子集（LGG vs.HGG任务,前30个特征组成最优特征子集;对于III vs.IV任务,前28个特征组成最优特征子集）。利用最优特征子集建立分类模型。在LGG vs.HGG分类任务中,全部模态组合情况下纹理特征的分类准确性和曲线下面积（Area Under the Curve,AUC）分别为96.8%和0.987,直方图特征的准确性和AUC为91.4%和0.984,均值特征为89.6%,0.961。基于结构模态组、扩散模态组和灌注模态组的纹理特征的分类准确性和AUC分别为:（92.8%,0.975）、（93.2%,0.965）和（87.8%,0.931）,相应模态直方图特征的分类准确性和AUC分别为（91.9%,0.974）、（90.5%,0.971）和（86.9%,0.911）,均值特征的分类准确性和AUC为（82.4%,0.889）、（86.0%,0.944）和（79.3%,0.840）。无论选取哪一种模态组合,纹理特征均表现出显著的优势。同时,无论使用哪一种特征,结构模态组和扩散模态组的诊断效能都高于灌注模态组。当进行单个模态分类效能对比时,基于T1-CE序列的纹理特征效能最高（89.2%,0.964）,在大多数的模态中,特征间的效能比较由高到低顺序为“纹理特征>直方图特征>均值特征”,但对于Alpha参数,呈现出相反的趋势。在区分III vs.IV的任务中,全部模态组合情况下纹理特征的分类准确性和AUC分别为98.1%和0.992。对最优子集中每个特征和模态的分类权重进行比较,两个分类任务的最优子集中,T1-CE和ADCslow提取出的纹理特征权重最高。此外本研究过程中还发现,在解决样本量不均衡的问题中,利用SMOTE法对样本进行过采样比T-Link欠采样法效果更佳。通过比较利用SVM-RFE特征选择前后的分类效能,特征选择后分类模型的效能要高于特征选择前。特征选择过程中分类效能曲线先骤然爬升,然后缓慢下降,这说明了获取最优特征子集的前提:包括足够数量的特征和特征选择算法,才能使分类器的效能最佳。结论本研究利用影像组学的分析流程,提取出多模态磁共振图像的纹理特征,对最具代表性的特征进行整合、分析,构建出最佳胶质瘤术前分级模型,能够有效的用于术前胶质瘤分级诊断。相比于传统的影像诊断分析流程,影像组学策略更具优势,能够更好的辅助临床制定患者个性化手术与治疗方案,为预后评估提供有力的证据。