儿童后颅窝胶质瘤鉴别诊断,MB.EP.PA是儿童后颅窝常见的胶质瘤,其发病机制、恶性程度和治疗方案不同,成功应用于儿童后颅窝肿瘤的鉴别。通过对85例儿童后颅窝肿瘤T2WI图像的直方图分析,发现方差、偏度、峰度、50百分位数对EP和PA的鉴别具有统计意义,偏度对鉴别的敏感性和特异性较高,临界值为-0.764。
Rodriguezgutierrez等对40例后颅窝肿瘤MRI图像[T1WI.T2WI和表观扩散系数(ADC)图]进行形状、直方图和纹理特征分析,发现EP和MB的分类率通过SVM分类器达到69.7%~81.9%;ADC直方图特征(25和75百分位数。偏斜度)对儿童后颅窝胶质瘤分类较好,精度91.4%。
Orphanidou-Vlachou等以人工神经网络为分类器,研究T1WI和T2WI图像提取的纹理特征,结果表明,识别EP和MB的敏感性达到63%~94%。Fetit等多中心研究了48例后颅窝肿瘤的二维/三维纹理分析。结果表明,采用三维纹理特征比采用二维纹理特征具有更好的分类性能,这表明从传统T1WI和T2WI图像中提取三维纹理特征可以提高儿童后颅窝脑肿瘤的识别效率。较佳受试者的操作特征曲线下面积为76%~86%。
Wagner讨论了扩散张量成像(DTI)直方图特征对小脑PA和MB的识别价值,发现低级别和高级别肿瘤之间的差异具有统计意义;25个百分位数对PA和MB的识别效果较好。Li研究了基于机器学习的图像组学对儿童后颅窝肿瘤的识别价值,表明所选特征集的准确性和敏感性。特异性和AUC分别为0.875.0.9292.0.8000和0.8646;研究还表明,与其他图像组学特征相比,纹理特征的识别效果较好。
利用纹理分析软件分析19例MB和17例EP术前MRI图像。结果表明,MB组和EP组之间的差异具有统计意义,单个参数中5%的诊断效率较好;联合5和10%的诊断效率优于任何单个参数,AUC高达0.928,表明多参数组合的诊断效率高于单个参数。
王等先用小波变换系数将59例MB.13例EP和27例PA的术前MRI图像(T1WI.T2WI.ADC图像)将图像分解成四个子空间:ILL.ILH.IHL.IHHH,其中H和L分别代表高通带和低通带,然后计算不同半径同心圆内像素的平均值和标准差,利用三阶小波变换分析获得216个特征,再利用随机森林分类器进行特征选择。训练和测试,结果表明,对儿童后颅窝肿瘤鉴别诊断效率较高的前10个特征参数均来自子空间ILL和ADC图,其中1/4半径同心圆内像素的平均值与1/8半径同心圆内像素的平均值相结合。
Dong等3D肿瘤半自动分割24个EP.27个MB的术前增强T1WI和ADC图,提取形状特征。直方图和纹理特征共188个特征,采用三种特征选择方法(单变量分析、多变量Logistic回归、单因素分析筛选)和四种分类方法(随机森林、SVM.K近邻法、ADABost算法)对EP和MBAUC进行比较。结果发现,多变量Logistic回归与随机森林分类方法相结合,较合适地识别EP和MB,AUC为0.91;研究还提出了球面不均匀性(形状)、中值(ADC)、相关度量(增强T1WI)、低级区域增强值(ADC)和标准化逆差分矩(增强T1WI)五个相关特征。
通过对288例儿童后颅窝肿瘤术前MRI图像的回顾分析,在增强T1WI.T2WI和ADC图像的基础上,利用树型流水线优化工具(tree-basedpipelineoptimizationtol、TPOT)进行训练,并比较了基于图像组学不同机器学习方法对儿童后颅窝肿瘤分类的价值,结果显示TPOT诊断精度为0.83,AUC为0.91;对于二元分类,TPOT诊断MB.EP.PA的精度分别为0.85.0.80.88,AUC分别为0.94.0.84.0.94,优于其他机器学习方法。
以上就是“胶质瘤鉴别诊断”的全部内容。影像组学已经证实了儿童后颅窝胶质瘤的鉴别诊断价值,但目前研究中使用的软件、提取特性和分类器各不相同,大部分是基于常规MRI序列的研究,DTI、灌注加权成像等功能成像的影像组学研究相对较少。随着影像组学和人工智能的不断发展,未来影像组学可以快速识别和诊断儿童后颅窝胶质瘤,达到准确医疗的目的。