论文部分内容阅读
第一部分矽肺、肺结核与正常肺组织基于CT图像的放射组学诊断价值目的:通过回顾性分析扫描协议一致的矽肺、肺结核和对照组正常肺组织的CT图像,对符合纳入标准的病例的0.625mm薄层CT图像的病灶和正常肺组织的感兴趣区进行分割及融合、计算、特征选择和机器学习,以区分矽肺、肺结核病灶与正常肺组织,建立基于放射组学诊断矽肺与肺结核的机器学习模型。材料和方法:所有入组对象包括:我院2018年1月到8月期间,符合矽肺纳入标准的患者53例、符合肺结核纳入标准的患者89例和正常对照组100例,按照AK软件运用要求,肺野内直径或宽度大于5mm的矽肺阴影139个、结核阴影119个、正常随机对照组肺组织感兴趣区100个作为研究资料。采用美国GE Discovery CT750 HD常规扫描的CT图像。扫描参数:管电压120kVp,旋转时间0.5s/r,螺距1.375:1,床速55mm/r,管电流为自动mA,层厚及间距均为5mm,FOV Medium Body,探测器准直64×0.625mm。扫描完成后采用chest算法重建,重建层厚0.625mm,重建间隔0.625mm,ASIR30%,所有图像传至GEADW4.6工作站,薄层数据拷贝。将纳入研究标准的重组薄层图像导入AK(Artificial Intelligence Kit)软件中,逐层进行分割、融合,生成相应NRRD文件,保存。计算:将3组病例的原始薄层图像数据和NRRD文件数据分别导入 AK 软件中,Calculation,选择 Histogram、Formfactor、Harlick、GLCM、RLM参数,选择位移矢量为1,4和7,每个病灶计算396个特征,添加相应标签(1或0)。特征选择:预处理分为三个步骤:第一步是异常值处理,用平均值代替异常值;第二步是将数据设置为训练数据和测试数据为7:3;第三步是对划分后的训练数据及对测试数据进行标准化预处理。使用特征选择组合1:ANOVA+MV、Correlation Analysis、Lasso 和特征选择组合 2:ANOVA+MV、Correlation Analysis、Lasso、PCA两组方法,降低分析指标个数,得到所需要的特征数据。机器学习:将以上这些特征数据按7:3的比例随机的分成训练组及测试组,分别进行SVM、BAYES、KNN、Logistic Regression、RT Tree、Boosting、ER Tree 分类器的机器学习。结果:1.矽肺和正常肺组织采用特征选择组合1方法,SVM、BAYES、KNN、Logistic Regression、RT Tree、Boosting、ER Tree 分类器的准确度、敏感性、特异性均为 1.00,RT Tree、ER Tree、Logistic Regression AUC 值均为 1.00;矽肺和正常肺组织采用特征选择组合 2 方法,SVM、BAYES、KNN、Logistic Regression、RT Tree、Boosting、ER Tree 分类器的准确度分别为:1.00、1.00、1.00、1.00、0.93、1.00、1.00;敏感性均为 1.00,特异性分别为:1.00、1.00、1.00、1.00、0.83、1.00、1.00;RT Tree、ER Tree、Logistic Regression AUC 值均为 1.00。2.肺结核和正常肺组织采用特征选择组合1方法,SVM、BAYES、KNN、Logistic Regression、RT Tree、Boosting、ER Tree分类器的准确度、敏感性、特异性均为1.00;RT Tree、ER Tree、Logistic Regression AUC值均为1.00;肺结核和正常肺组织采用特征选择组合 2 方法,SVM、BAYES、KNN、Logistic Regression、RT Tree、Boosting、ER Tree 分类器的准确度分别为:0.98、1.00、1.00、1.00、1.00、1.00、1.00;敏感性均为 1.00;特异性分别为:0.97、1.00、1.00、1.00、1.00、1.00、1.00;RT Tree、ER Tree、Logistic Regression AUC 值均为 1.00。结论:基于CT图像的放射组学可以准确区分正常肺组织和大于5mm的矽肺及肺结核结节。第二部分基于CT图像的放射组学对矽肺与肺结核结节鉴别诊断的价值目的:通过回顾性分析扫描协议一致的矽肺、肺结核患者的CT图像,对符合纳入标准病例的0.625mmCT图像行病灶分割及融合、计算、特征选择和机器学习,选择基于放射组学诊断矽肺与肺结核的机器学习的最佳分类器。材料和方法:所有入组对象包括:我院2018年1月到8月期间,符合矽肺纳入标准的患者53例、符合肺结核纳入标准的患者89例,按照AK软件运用要求,肺野内直径或宽度大于5mm的矽肺阴影139个、结核阴影119个作为研究资料。设备、扫描方法、分割及融合、计算、特征选择、机器学习同第一部分。结果:矽肺与肺结核采用特征选择组合1方法,SVM、BAYES、KNN、Logistic Regression、RT Tree、Boosting、ER Tree 分类器的准确度分别为:0.85、0.73、0.78、0.85、0.86、0.77、0.80;敏感性分别为:0.81、0.64、0.81、0.81、0、81、0.76、0.83;特异性分别为:0.86、0.83、0.75、0.89、0.92、0.78、0.75;RT Tree、ER Tree、Logistic Regression AUC值分别为0.88、0.89、0.89;矽肺与肺结核采用特征选择组合2方法,SVM、BAYES、KNN、Logistic Regression、RT Tree、Boosting、ER Tree 分类器的准确度分别为:0.84、0.81、0.86、0.81、0.86、0.70、0.86;敏感性分别为:0.81、0.74、0.79、0.76、0.81、0.70、0.79;特异性分别为 0.86、0.89、0.94、0.86、0.92、0.70、0.94;RT Tree、ER Tree、Logistic Regression AUC 值分别为 0.90、0.90、0.88。结论:放射组学的机器学习模型可以作为鉴别矽肺与肺结核的诊断手段,其中RT Tree分类器最佳。