| 王诗耕，刘义军，童小雨，范勇，李贝贝，王旭，崔景景，陈安良.深度学习重建算法对肾上腺肿瘤的检出及鉴别效能的影响[J].放射学实践,2024,(08):1081-1088 |
| 深度学习重建算法对肾上腺肿瘤的检出及鉴别效能的影响 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2024.08.015 |
| 中文关键词: 体层摄影术，X 线计算机 影像组学 深度学习 重建算法 肾上腺肿瘤 可重复性 |
| 基金项目: |
|
| 摘要点击次数: 1321 |
| 全文下载次数: 1763 |
| 中文摘要: |
| 【摘要】目的：探讨不同等级深度学习图像重建（DLIR）算法对肾上腺肿瘤的检出、组学特征可重复性和组学模型鉴别肿瘤类型效能的影响。方法：回顾性收集41例肾上腺功能性腺瘤（FAA）和46例肾上腺转移瘤（AM）患者的临床和影像资料。CT增强扫描完成后，对静脉期的原始数据采用4种强度等级（DL1、DL2、DL3、DL4）的DLIR算法进行重建。首先采用主、客观指标比较4种等级间图像质量的差异；然后使用Research Portal V1.1科研平台对各组重建图像上肾上腺肿瘤进行分割并提取450个影像组学特征，包括原始图像特征90个和拉普拉斯（LoG）滤波后的高阶特征（高斯核：0.5、1.0、1.5、2.0）360个。采用一致性相关系数（CCC）评估采用不同图像重建等级测量的FAA和AM组学特征的可重复性。最后，在各组重建图像中采用逐步特征选择策略，筛选出最优特征集并构建鉴别FAA和AM的组学模型。利用五折交叉验证法验证4个组学模型的鉴别效能，利用分层交叉验证法测评4个模型的泛化能力。结果：DL2和DL3在肾显示上腺肿瘤的清晰度方面最优，得分为4（4，5），优于DL1相应得分4（3，5）和DL4相应得分4（3，4），且差异具有统计学意义（F=139.045，P<0.05）。随着DLIR降噪等级的提升，原始特征CCC值>0.85的个数逐渐减少，DL4中FAA和AM特征可重复的比例仅占39.3%（21/90）和50.9%（29/90）。组学特征经过LoG滤波（高斯核2.0）处理后，CCC值>0.85的个数增加，DL4中FAA和AM特征可重复的比例占91.1%（82/90）和93.3%（84/90）。4个组学模型在测试集中的曲线下面积（AUC）和符合率均>0.75，DeLong检验显示AUC的差异无统计学意义（Z=0.177~1.284，P=0.199~0.859）。但分层交叉验证显示，DL4重建图像的泛化能力最弱，AUC和符合率均＜0.75。结论：高降噪等级的DLIR算法会降低对肾上腺肿瘤显示的清晰度以及组学模型的泛化性。虽然LoG滤波器（高斯核：2.0）有助于提升组学特征测量的可重复性，但仍建议在肾上腺影像诊断和组学模型训练时，使用中低降噪等级的DLIR图像。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
