Grading of Gliomas by Using Radiomic Features on Multiple Magnetic Resonance Imaging (MRI) Sequences

使用多种MRI序列中的影像特征对脑胶质瘤进行分级

背景：

• 神经胶质瘤是最常见的脑部肿瘤
• 常规MRI图像显示重叠会导致误诊
• 基于FLAIR T1-CE ADC序列的影像特征的合并进行分级

方法：

• 选取66个已经通过病理组织验证的脑胶质瘤患者，他们经过了T2-FLAIR 和 T1WI-CE扫描，其中63个还通过了DWI扫描
• 使用in-house软件通过影像组学方法提取了114个特征
• 所有特征在HGG和LGG两种级别下进行对比，选出具有显著统计差异的特征
• 评估具有显著差异的特征和胶质纤维酸性蛋白(GFAP)表达的关系

结果：

• 从三种MRI序列中选出8个具有显著统计差异的特征
• 把特征合并能提高精确率
• 发现了(GFAP)和T1-CE以及ADC之间有重要的联系

结论：

• 合并后的特征对于区分HGG与LLG有着更高的精确率

---

背景

根据世界卫生组的标准，脑胶质瘤分为四个等级，一级和二级为低级，三级和四级为高级。脑胶质瘤的分级准确度对治疗决策，化放疗的监测和管理以及预后评估有着重要的临床意义。Radiomics有优势也有三个缺点，1，处理数据麻烦，需要特定的步骤和软件，2，没有一个通用的标准，3，感兴趣区域的需要临床医生在图像中一层一层的画出来。以前的研究都是使用单一的序列和单一的特征，由于脑胶质瘤的异质性，使用多序列可能会更加有效。

数据和方法

病人的选择：66个在2012二月到2015十月之间接受MRI检查的病人，33为男性，年龄在22 73之间，平均年龄为51.5，有三位由于严重没有DWI序列。

影像数据获取：

肿瘤的分割：T2WI-FLAIR, T1WI-CE, 和 ADC maps序列的图像由具有经验的神经放射学家经过两次盲审，直到对肿瘤区域达到一个统一的意见。

数据处理：对于序列中的每一个切片中，如果有肿瘤，就用1表示，没有就用0表示，以这样的方式存到一个矩阵中，在矩阵中再加上切片序号，构成一个三维矩阵，所有的计算都在这个三为矩阵中实现。利用Aerts等的研究获取114个特征。

组织病理学：对65例神经胶质瘤进行总体切除，1例部分切除，除了对肿瘤进行分级外，还评估了GFAP的免疫组织化学（IHC）指数，计算细胞GFAP表达水平的平均值。

统计分析：使用SPSS软件进行统计分析。通过两个测试，在三个序列上的HGG和LGG对提取到的特征做比较。选出具有明显差异的特征，使用ROC曲线分析方法来确定那些具有显著特征的诊断能力。对这些特征进行归一化处理，然后将其合并成一个新的特征。对于每种序列上的影像特征和胶质瘤GFAP的IHC指数的关系的分析使用皮尔森相关系数方法，对于所有的统计测试，当P<0.056时，被认为是显著的。

特征的归一化和合并：使用z-score方法对特征进行归一化，使用第二个函数进行特征合并。

虽然浏览器存储大部分时候都比较可靠，但为了您的数据安全，在联网后，请务必及时发表或者保存到服务器草稿箱。

结果

对于三个序列上所有的特征，在HGG和LGG之间进行比较。得到了2个T2WI-FLAIR序列上的特征，3个T1WI-CE序列上的特征，3个ADC map上的特征。
方差 能量 熵 同质性 平均值

对于三个序列上所有的特征，在 II, III, 和 IV级肿瘤之间进行比较

对于三个序列上所有的特征和合并后的特征，使用ROC曲线分析在HGG和LGG之间进行比较

GFAP和影响特征之间的关联性

---