首页 > 论文范文 > 医药卫生论文 > 肿瘤科论文 > 脑胶质瘤论文 > 多序列磁共振成像U-net模型在脑胶质瘤预后评估中的应用价值

多序列磁共振成像U-net模型在脑胶质瘤预后评估中的应用价值

2025-04-10 77 上传者：管理员

摘要：目的探索基于磁共振T1WI和对比增强T1WI序列(CE-T1WI)的U-net模型对脑胶质瘤患者的预后评估价值｡方法回顾性分析316例脑胶质瘤患者的T1WI､CE-T1WI影像数据和临床资料,其中,低风险组163例,高风险组153例｡采用U-net深度学习算法建立预测模型｡受试者工作特征曲线下面积(AUC)被用于评价预测性能｡结果基于U-net算法的T1WI模型､CE-T1WI模型和多序列联合模型均可用于预测脑胶质瘤患者的生存风险,且与前两者相比,多序列联合模型有最高的诊断效能,训练集中AUC为0.913(95%CI:0.871~0.944),敏感度和特异度分别为90.16%和91.54%,验证集中AUC为0.883(95%CI:0.778~0.950),敏感度和特异度分别为90.32%和93.94%｡DeLong检验显示,训练集中多序列联合模型与T1WI模型之间AUC的差异具有统计学意义(Z=1.983,P<0.05)｡结论基于T1WI和CE-T1WI的U-net深度学习模型能够预测脑胶质瘤患者的预后生存率｡

关键词：
死亡率
深度学习
磁共振成像
脑胶质瘤
预后评估
加入收藏

脑胶质瘤是最常见的原发性中枢神经系统恶性肿瘤,发病率和死亡率极高[1,2],对其进行准确的预后评估,有助于临床及时制定个性化治疗方案､提高患者生存率｡MRI是脑胶质瘤诊断与评估的重要手段,T1WI和对比增强T1加权成像(contrastenhancedT1⁃weighted,CE⁃T1WI)序列能帮助医师识别胶质瘤的病灶区域,显示肿瘤的占位效应,但这些形态学信息尚不足以为预后评估提供可靠而精准的参考[3,4]｡深度学习为脑胶质瘤的预后评估提供了一种新型无创解决方案,它不仅能够从复杂的医学影像中高效提取关键信息,还能够通过构建精准的预测模型,为临床决策提供科学依据[5,6]｡U⁃net是一种基于卷积神经网络架构的深度学习方法,具有紧凑的网络结构､跳跃连接的方式以及多通道输入能力,在医学影像分析中表现出色[7,8]｡因此,本研究拟利用U⁃net深度学习方法提取T1WI和CE⁃T1WI影像信息并构建预测模型,用于评估脑胶质瘤患者的预后生存风险情况,以期为临床制定个体化治疗方案提供参考｡

1、资料与方法

1.1患者

纳入本研究遵守《赫尔辛基宣言》,回顾性分析脑胶质瘤患者的影像､临床和病理数据[9]｡纳入标准:(1)根据世界卫生组织组织学分类标准病理证实的脑胶质瘤;(2)在MRI检查前均未接受过手术､放､化疗等治疗;(3)T1WI和CE⁃T1WI影像､病理及总生存期(overallsurvival,OS)等临床资料完整;(4)随访时间超过2年或终点事件,OS定义为从手术病理确诊到患者死亡或最后一次随访的时间｡排除标准:MRI影像质量差,有明显的运动伪影｡最终,共316例患者被纳入,通过分层抽样的方法按照大约4∶1的比例分为训练集252例和验证集64例,同时记录包括患者性别､年龄､分级和亚型在内的相关临床资料｡

1.2扫描方法

MRI检查采用3.0T扫描仪(Discovery750,GEHealthcare,Waukesha,Wisconsin,USA)和专用8通道头部线圈｡成像方案为T1WI和CE⁃T1WI序列｡

1.3分割

图像将T1WI和CE⁃T1WI序列导入ITK‐SNAP软件(Version3.60,http://www.itk‐snap.org),由两名分别具有8年､15年影像学诊断经验且对患者临床病理资料不知情的医师对整个原发病灶的感兴趣体积(voxelofinterest,VOI)进行分割,如对勾画区域产生分歧时,请另一名放射诊断主任医师确定最终区域｡病变分割过程如图1､2所示｡

1.4图像预处理

首先通过FSL软件(Version5.0,https://fsl.fm⁃rib.ox.ac.uk)对T1WI和CE⁃T1WI序列进行配准,然后使用Z⁃score方法对图像进行标准化,接着裁剪去除图像中不相关的背景信息,只保留脑部区域,减少模型的计算量并提高预测性能,最后对图像进行重采样处理[10]｡

1.5深度学习模型构建

使用U⁃net建立脑胶质瘤的预后预测模型:首先,由多个卷积层和最大池化层组成编码器,通过卷积层提取图像特征,每个卷积层包括两个3×3的卷积操作,后接非线性激活函数,最大池化层用于下采样,通过2×2的最大池化操作降低数据的空间维度,同时增加特征通道的数量;然后,由一系列上采样层和卷积层组成解码器,上采样层通过反卷积操作提高图像的分辨率,逐步恢复图像的空间分辨率和细节,卷积层用于进一步细化结果,同时通过跳跃连接将编码器中的特征图与解码器中对应层的特征图连接起来;最后,使用全连接层得到最终的预测结果(图3)｡

1.6统计学分析

计数资料的组间对比采用卡方检验,计量资料的组间对比采用Mann⁃WhitneyU检验或独立样本t检验｡受试者工作特征曲线下面积(areaundercurve,AUC)､敏感度及特异度被用于评估预测模型的性能｡校准曲线和临床决策曲线(decisioncurveanalysis,DCA)被分别用于评估预测模型的稳定性和临床收益｡所有数据分析均使用SPSS软件,P<0.05为差异具有显著统计学意义｡

2、结果

2.1临床特征统计分析

共纳入脑胶质瘤患者316例,以OS=365天为截断值[11],将其划分为高风险组(153例)和低风险组(163例)｡临床信息及病理资料见表1,患者在性别方面差异无统计学意义,因此年龄､分级和亚型表现作为临床指标纳入到模型中｡

2.2模型构建

将T1WI影像结合临床特征､CE⁃T1WI影像结合临床特征以及多序列影像结合临床特征分别输入U⁃net算法,之后,依次构建出T1WI模型､CE⁃T1WI模型和多序列联合模型｡

2.3预测效能

训练集结果显示,T1WI模型､CE⁃T1WI模型和多序列联合模型的AUC分别为0.846､0.875和0.913;验证集结果显示,T1WI模型､CE⁃T1WI模型和多序列联合模型的AUC分别为0.823､0.847和0.883｡同时,DeLong检验显示,训练集中,T1WI模型与多序列联合模型之间AUC的差异具有统计学意义(表2,图4A､B)｡

2.4模型评估

校准曲线和DCA显示,多序列联合模型不仅预测值与实际观测值之间有较好的一致性,而且能够为脑胶质瘤患者带来较好的净收益(图5､6)｡

图1､2肿瘤的T1WI和CE⁃T1WI序列成像分割示意图｡

图1为76岁男性患者,OS为108天,属于高风险组;

图2为58岁女性患者,OS为471天,属于低风险组

图3U⁃net算法建模流程图

表1临床资料对比

图4A､B不同模型的ROC曲线图

图5A､B多序列联合模型的校准曲线

图6A､B不同模型的临床决策曲线

表2训练集和验证集中各模型的生存风险预测性能

3､讨论

脑胶质瘤作为最常见的原发性恶性脑肿瘤,即便结合了手术与后续的辅助放化疗措施,高级别的脑胶质瘤在临床上的预后依然不佳｡因此,在脑胶质瘤患者接受治疗之前进行预后风险评估,对于制定脑胶质瘤管理中的个性化治疗方案至关重要｡本研究基于T1WI和CE⁃T1WI影像数据,率先利用U⁃net深度学习算法,分别构建了T1WI､CE⁃T1WI和多序列联合模型,用以探索脑胶质瘤患者预后评估的价值｡

目前临床工作中对于T1WI和CE⁃T1WI影像的利用大都仍局限于宏观形态学领域,这使其难以对脑胶质瘤预后相关的病变微观信息进行有效评估｡在模型构建方面,深度学习作为一种先进的人工智能技术,能够模拟人类大脑的思维过程,自动学习并抽取大量数据中的知识,具备自动学习特征､自适应调整参数及强大的表示能力,为充分利用多序列影像信息,进而为实现脑胶质瘤患者生存风险评估提供了可能[12]｡U⁃net算法是一种经典的深度学习架构,它采用编码器⁃解码器结构,通过跳跃连接融合多尺度特征信息,实现了对图像中感兴趣区域的精确识别,在生物医学图像处理领域具有广泛的应用前景,特别是在处理具有复杂背景和细微结构的医学影像时表现出色｡韦祎等[13]的研究发现,基于U⁃net的深度学习模型有助于实现腰椎间盘突出的自动化定量诊断;许冬等[14]的研究也显示,U⁃net算法能够在糖尿病性黄斑水肿的智能化诊断中发挥作用｡本研究使用U⁃net方法提取脑胶质瘤患者的T1WI和CE⁃T1WI图像特征,并构建了用以评估脑胶质瘤患者预后风险状态的预测模型｡结果显示,相关预测模型能够有效鉴别脑胶质瘤患者的高风险组和低风险组｡这与上述研究结果类似,表明U⁃net算法能够作为一种较为可靠的分类器,对T1WI和CE⁃T1WI多序列影像评估脑胶质瘤的预后价值进行进一步拓展｡

在影像序列选择方面,单序列模型往往受限于其仅依赖的单一成像视角,如果该视角的数据质量不佳或受到噪声､伪影等干扰,模型的准确性和可靠性可能会下降｡相比之下,多序列联合模型通过整合来自多个成像序列的数据,能够捕捉到更丰富的病理生理信息｡这种信息的融合不仅增强了模型对噪声和伪影的鲁棒性,还使得模型能够更全面地理解疾病的复杂性和异质性｡Yang等[15]联合CE⁃T1WI和T2加权液体衰减反转恢复(T2⁃weightedfluidattenuationin⁃versionrecovery,T2FLAIR)影像序列,针对肿瘤和瘤周水肿区域分析发现,影像组学特征能够预测患者的OS,其中联合模型性能最佳,训练集C⁃index为0.770,测试集C⁃index为0.785｡牛文举等[16]针对术前CE⁃T1WI和T2FLAIR序列,通过多因素Cox等比例风险方法对胶质母细胞瘤进行风险分层预测研究,训练集和测试集中C⁃index结果分别达到0.768和0.724｡本研究结果显示,无论是在训练集还是在验证集中,T1WI和CE⁃T1WI多序列联合模型均具有最高的诊断性能,AUC分别为0.913和0.883,敏感度分别为90.16%和90.32%,特异度分别为91.54%和93.94%｡这与上述研究结果是一致的,进一步表明在胶质瘤的预后评估中,多序列联合将提供更为可靠的预测结果｡

本研究局限性:(1)本研究为回顾性分析,可能会对模型的预测价值造成一定限制;(2)研究纳入了独立的验证队列,但纳入患者均来自于同一机构,尚待进一步进行多中心研究｡

综上所述,基于T1WI和CE⁃T1WI的U⁃net深度学习模型能够对脑胶质瘤预后风险状态进行有效鉴别,有望为患者的个体化诊疗水平和总生存期预测准确性产生积极影响,提升患者生存获益｡

参考文献:

8张巨,朱文珍,张顺,等.MRI序列以及注意力门､残差网络对U⁃Net脑肿瘤分割模型的影响[J].放射学实践,2023,38:825⁃829.

12张斌,薛彩强,林晓强,等.深度学习在脑胶质瘤影像学的研究进展[J].中国医学物理学杂志,2021,38:1048⁃1052.

13韦祎,赵经纬,印宏坤,等.基于Unet的深度学习模型在腰椎间盘突出诊断中的应用研究[J].中国数字医学,2023,18:58⁃63.

14许冬,李浩,周利晓,等.基于卷积神经网络UNet构建糖尿病性黄斑水肿自动识别模型[J].眼科新进展,2020,40:357⁃361.

16牛文举,徐怀文,高宇翔,等.基于多序列MRI影像组学的胶质母细胞瘤风险分层预测研究[J].磁共振成像,2024,15:31⁃36,42.

基金资助:河南省医学科技公关计划联合共建项目(编号:LHGJ20230505);河南省高等学校重点科研项日计划(编号:24B320017);新乡医学院第一附属医院青年培育基金项目(编号:QN-2022-B11);

文章来源:段金辉,刘苏娟,张梦,等.基于多序列磁共振成像U-net模型在脑胶质瘤预后评估中的应用价值[J].临床放射学杂志,2025,44(04):606-610.