使用多模态影像组学特征对高评级和低评级胶质瘤进行分类
摘要
胶质瘤是一种起源于神经胶质细胞的原发性肿瘤。根据世界卫生组织的恶性肿瘤分集体系，肿瘤可分为不同的组织病理学分级。本文提出一种利用影像组学预测胶质瘤分级的方法。采用了MICCAI肿瘤分割挑战赛中的分割标注和数据集。基于直方图、形状和灰度共生矩阵从每幅FLAIR、T1、T1-Contrast和T2中提取45个影像组学特征量化胶质瘤的性质。通过L1范数正则化（LASSO）在180个特征中选取了显著特征。基于 LASSO系数和所选特征，计算LASSO评分，通过logistic回归将胶质瘤分为低级别（LGG）和高级别（HGG）。分类结果通过10折交叉验证进行验证。我们的方法的精确度为0.8981，灵敏度为0.8889， 特异性为0.9074，曲线下面积AUC=0.887。
方法
-
数据集
MICCA BRATs 2015训练数据集由220例HGG和54例LGG图像组成。所有图像已经对齐到相同的公共空间，并插值到1x1x1mm体素分辨率。在本研究中，为了排除偏差，我们仅使用54例HGG（随机选取）和54例LGG图像。我们使用了联合分割的ground truth，所有图像标注都是基于BRATs数据集描述。 -
特征提取
这项工作使用了三种类型的放射学特征。为了量化胶质瘤的强度分布特性，基于直方图提取了19个特征。使用10个形状描述符来描述使用3D ROI量化与形状相关的特征。为了测量叫胶质瘤的纹理特性，我们计算了灰度共生矩阵，从其中提取16个纹理特征，沿26个方向计算灰度共生矩阵，取其平均值。直方图和GLCM的例子如图1所示，采用的特征的详细信息如表1所示，所有的特征都是使用[2]中描述的公式计算的。
图1
表1
-
特征选择
在进行特征选择前，将计算出的特征值转换为z分数。为了选择出重要的特征，我们对180个特征进行了LASSO正则化，LASSO对每个特征参数的正则化如下：
y表明图像中的肿瘤是否是HGG，x表示每个特征值， \beta 表示LASSO的系数，\lambda 表示惩罚项。通过在特定范围内计算10折交叉验证来计算\lambda的均方残差，并使用网格搜索获得使得均方误差最小化的\lambda。 -
分类
通过10折交叉验证验证108个病例的分类过程。为了进行分类，将所选特征值的线性加权和作为影像组学特征的得分，LASSO系数如下：
其中，j表示样例索引，i表示特征索引。特征选择后，除了所选取特征外，其余的回归参数设置为0。
在训练过程中，将训练集上影像组学特征得分拟合到logistic回归模型中，在10折交叉验证的每一折使用测试数据测试。使用极大似然估计算法进行优化。通过对logistic回归分析的输出应用阈值，将胶质瘤分为LGG和HGG。
结论
本文描述了利用影像组学特征鉴别高级别胶质瘤和低级别胶质瘤的过程。我们的研究结果表明，使用影像组学特征可以很好的预测胶质瘤的级别，如果能在影像组学的基础上加入更多的临床参数，可能会得到更好的分类结果。
[1] 阅读原文直接搜索文章题目
[2] Aerts, Hugo JWL, et al."Decoding tumour phenotype by noninbasive imaging using a quantitative radiomics approach." Nature communications 5 (2014)
网友评论