MRI不同影像组学模型预测胶质瘤MGMT启动子甲基化状态的研究

目的 探讨MRI的不同影像组学模型预测术前脑胶质瘤O^(6)-甲基鸟嘌呤-DNA甲基转移酶(O^(6)-methylguanine-DNA methyltransferase,MGMT)启动子甲基化状态的效能。材料与方法 回顾性分析经手术病理证实的114例大脑胶质瘤患者的MRI影像资料,包括T1WI、T2WI、ADC及T1WI增强序列。其中MGMT启动子甲基化阳性58例,阴性56例,按8∶2比例分为训练组(91例)与验证组(23例),在T2WI及T1WI增强序列分别对肿瘤加水肿区及肿瘤核心区进行三维手工分割,提取总共688个影像组学特征,采用主成分分析进行特征降维,方差分析用于特征筛选,应用逻辑回归(Logistic regression,LR)算法、Lasso的逻辑回归算法(Logistic regression via Lasso, LR-Lasso)、支持向量机(support vector machine, SVM)、贝叶斯分类器(native Bayes,NB)构建诊断模型,5倍交叉验证方法用于训练模型,验证组数据用于评估模型的预测性能,ROC曲线用于计算模型的准确率、敏感度和特异度,ROC曲线下面积(area under curve,AUC)用于评估模型的预测性能。结果 LR模型的AUC值、准确率为0.90和91%,敏感度和特异度为92%和91%,LR-Lasso模型的AUC值、准确率为0.80和74%,敏感度和特异度为67%和82%,SVM模型的AUC值、准确率为0.89和87%,敏感度和特异度为83%和91%,NB模型的AUC值、准确率为0.69和74%,敏感度和特异度为75%和72%。基于LR模型预测效能最高。结论 MRI影像组学模型对预测术前脑胶质瘤MGMT启动子甲基化的状态具有一定应用价值,4种模型预测效能中LR模型预测效能最高。

基于特定领域解码的域泛化医学图像分割方法

多源域领域泛化是模型利用多个不同领域中的语义信息,并且能够很好地泛化到未知领域上。在医学图像中,不同领域之间的跨度比较大,模型泛化性能在未知域上会有较大程度的下降。为了解决这一问题,本文提出了一种编码特征再针对特定领域进行解码的网络结构。该模型使用一个通用编码器来学习所有领域上的领域不变特征,并通过特定领域解码器还原原有图像以加强其对图像特征的复原能力。此外,该模型还通过生成特征迁移图像与源域图像进行对抗学习来加强编码器学习领域不变特征的能力。同时,本文在模型中还引入了特殊构造的分割融合预处理步骤来扩充数据集以增强模型的泛化能力,并进一步提高了本文提出网络结构的性能。在两个医学图像的分割任务中,大量实验数据表明,本文提出的模型相比现有先进模型表现出了优异的性能,此外本文还进行了一系列消融实验,证明了模型的有效性。