马会希望一码

当前位置: 代写一篇论文多少钱 > 代写硕士论文 > 胃癌临床诊断中CT影像技术的运用探析

胃癌临床诊断中CT影像技术的运用探析

时间:2019-12-20 09:26作者:赵建娜
本文导读:这是一篇关于胃癌临床诊断中CT影像技术的运用探析的文章,胃癌为全球最常见的消化系统恶性肿瘤之一,是起源于胃黏膜上皮的恶性肿瘤,在全球发病率居第4位,死亡率居第3位,发病年龄多在50岁以上,男女发病比例约为2:1。
  摘 要
  
  目的  探讨CT影像组学特征在胃癌的诊断及病理分型中的可行性研究。
  
  方法   回顾性收集2017年11月至2018年3月唐山市工人医院肿瘤外科及胃肠外科经手术病理证实的胃癌患者59例,病理结果为印戒细胞癌患者14例,腺癌患者39例,印戒细胞癌中有部分腺癌组织及腺癌中有部分印戒细胞癌组织的患者6例。以病理结果为金标准,对59例患者CT图像进行影像组学研究。首先,59例患者均进行CT平扫检查,CT检查前均行胃低张气体充盈。将CT图像导入汇医慧影Radcloud平台,进行手动感兴趣区(Region of interest ROI)勾画(包括病变组织及部分正常胃组织),提取特征,采用方差阈值法(variance threshold)、K最 优 法 (select K best) 和LASSO回 归 (Least absolute shrinkage and selectionoperator)算法逐步筛选特征,然后随机将计算机生成的80%的数据(纳入胃癌诊断中的47人;纳入胃癌病人中进行病理分型的腺癌31人和印戒细胞癌11人,共计42人)分配给训练组进行训练,20%(纳入胃癌胃癌诊断中的12人;纳入胃癌病人中进行病理分型的腺癌8人,印戒细胞癌3人,共计11人)分配给验证组,对训练组进行验证,用ROC曲线(receiver operating characteristic curve,受试者工作特征曲线)分析来说明放射特征的预测性能。最后,对其中提取的更为相关的特征进一步进行统计学分析。

胃癌临床诊断中CT影像技术的运用探析
  
  结果  在胃癌的诊断中,训练组选取了25个较有鉴别能力的特征,AUC均在0.9以上,敏感度及特异度也均较高。其中四分位数间距(Inter-quartile Range)、能量(Energy)、运行熵(Run Entropy)及最大值(Maximum)的诊断价值更大,对其进行统计学分析,其诊断效能较高。2在胃癌的病理类型的研究中,训练组选择 8 个特征对胃腺癌与印戒细胞癌进行鉴别,其中差分熵(DifferenceEntropy)及偏度(kewness)的诊断价值更大,对其进行统计学分析,其诊断效能中等。
  
  结论  1基于CT平扫的影像组学分析用于胃癌的诊断,可以为肿瘤的诊断提供参考,特别是四分位数间距、能量、运行熵、最大值的诊断价值更为重要,为胃癌的诊断提供参考。2基于CT平扫的影像组学分析在胃癌的病理分型的研究具有临床参考价值,其中差分熵、偏度的效能较大,可见减少有创检查,为临床选择胃癌的治疗方法提供参考。
  
  图11幅;表7个;参128篇。
  
  关键词:  影像组学;胃癌;腺癌;印戒细胞癌;计算机断层成像。
  
  Abstract
  
  Objectives To explore the easibility of radiomics about CT plain scan images in the diagnosis and pathological classification of gastric cancer.
  
  Methods 59 patients with gastric cancer confirmed by Tumor surgery and gastrointestinal surgery of Tangshan Workers' Hospital were reviewed from November2017 to March 2018. There were 14 cases of signet ring cell carcinoma, 39 cases of adenocarcinoma, 6 cases of adenocarcinoma in signet ring cell carcinoma and signet ring cell carcinoma in adenocarcinoma. CT plain scans were performed in all the 59 patients.The images of 59 patients with CT plain scan were studied by using the pathological results as the gold standard. First, all patients were filled with low-pressure gas before CT examination. The CT images were introduced into Huiyi Huiying Radcloud platform for manual mapping of Region of interest (including diseased tissues and some normal gastric tissues), extract 1029 features. Variance threshold, select K best and Least absolute shrinkage and selection operator algorithm methods were uesed to graduallyselect the optimal features. 80% of the computer-generated data (47 patients in the diagnosis of gastric cancer. 31 cases of adenocarcinoma and 11 cases of adenocarcinoma ring cell carcinoma, 42 patients in total in pathological classification of gastric cancer)were randomly assigned to the training data group for training, 20% (12 patients in the diagnosis of gastric cance. 8 cases of adenocarcinoma and 3 cases of signet ring cell cancer, 11 patients in total in pathological classification of gastric cancer )were assigned to the verification group to verify the training group. receiver operating characteristiccurve was used to illustrate the prediction performance of radiation characteristics.Finally, the more relevant features extracted from them were analyzed statistically.
  
  Results 1 In the diagnosis of gastric cancer, 25 features with differential ability were selected in the training set. AUC was above 0.9, and the sensitivity and specificity were also high. The diagnostic value of Inter-quartile Range, Energy, Run Entropy and Maximum were greater. The results were statistically significant. 2 In the study of pathological types of gastric cancerr, in the training group, 8 features were selected to distinguish gastric carcinoma from signet ring cell carcinoma. The AUC was above 0.9, the specificity was high and the sensitivity was relatively high. The diagnostic value ofDifference Entropy and Skewness were greater. The results were statistically significant.
  
  Conclusions 1 Radiomics about CT Plain scan images can be used to differentiate gastric cancer tissue from normal tissue, The diagnostic effectiveness of Inter-quartile Range, Energy, Run Entropy and Maximum were greater which can provide a reference for the diagnosis. 2 Radiomics about CT Plain scan images has reference value in the study of pathological classification of gastric cancer. The diagnostic effectiveness of Difference Entropy and Skewness were greater which can reduce the invasive examination and provide reference for the treatment of clinical gastric cancer.
  
  Figure 11; Table 7; Reference 128。
  
  Keywords:    radiomics, gastric cancer, adenocarcinoma, signet ring cell cancer ,computerized tomography。
  
  引 言
  
  胃癌为全球最常见的消化系统恶性肿瘤之一,是起源于胃黏膜上皮的恶性肿瘤,在全球发病率居第4位,死亡率居第3位,发病年龄多在50岁以上,男女发病比例约为2:1[1]。在我国各种消化道恶性肿瘤中发病率占首位,我国每年胃癌新发病例为67.9万,仅次肺癌,死亡率达60%-80%[2]。其高发病原因为[3]胃癌发病隐匿,容易被人们所忽视,且与居民饮食结构改变、工作压力大以及幽门螺杆菌感染有关。胃癌为一种高发病,常见病,隐匿性强,并有年轻化趋势。胃癌的诊断以病理学为金标准,胃粘膜活检[4]是诊断胃癌的常用检查手段,但是由于取材范围有限,使诊断的准确性存在不足。目前,胃癌的治疗不仅局限在单纯的手术治疗及放化疗等手段,新的辅助化疗、靶向药物及腹腔灌洗等方法逐渐用于临床[5],进行胃癌及胃癌的病理分型的无创性检查,对不能及不适合手术的胃癌患者很重要。
  
  胃的常规的检查方法有:(1)气钡双重造影,口服产气粉,使胃充分扩张,借助造影剂的涂抹情况,观察胃的粘膜及病变的形态学改变。该检查方法不能观察病变与周围组织结构的关系及淋巴结转移等情况[6]。(2)纤维胃镜检查,借助内镜可以直接清楚地观察胃黏膜病变情况,同时切取局部病变组织,作病理学检查。该检查只能观察胃粘膜情况,不能了解病变的整体情况及外侵范围等[7]。(3)超声检查在观察病变本身情况的同时可以观察病变周围情况,观察肝脏及胰腺等周围脏器受浸润范围以及是否有淋巴结转移等[8]。(4)螺旋CT平扫及增强检查,在三维重建及仿真内镜等技术的基础上,观察病变的部位、大小、形态、密度、强化方式及病变周围组织的情况等[9]。
  
  以上检查方法与检查者及诊断医师的操作技术水平及诊断水平有关,获取的为半定量及定性信息,不能观察肿瘤内部异质性及生物学行为,不能准确做出全面、客观的评价[10],随着大数据的发展,影像组学应运而生。影像组学(radiomics)的概念由Lambin等在2012年首次提出[11],是在大数据发展的前提下产生的,指的是高通量提取大量的成像特征,从而将医学图像转换成可获取的定量的高维数据。该技术[12]通过高通量分析和利用机器学习算法挖掘生物标记物,来预测患者的特定结果。它可以全面、动态、无创的对肿瘤等重大疾病进行评价[13]。其研究的[14]方向是达到个体化、全面、动态、精准诊断,更好的指导临床工作。
  
  CT影像组学的工作流程[15,16]:
  
  第一步图像获取,影像组学信息以CT、MR(Magnetic resonance,核磁共振)及PET(Positron Emission Tomography,正电子发射计算机断层扫描)等为媒介,得到精确数据的前提是获取优质的图像[17]。
  
  第二步图像分割,图像分割技术分为手动分割、半自动分割及自动分割。目前,常用于医学分割的算法为区域增长法、水平设置法、图像切割法、动态轮廓算法、基于容积CT的分割法等[18]。
  
  第三步特征提取,主要是针对图像中的正常组织与异常组织特征描述中的有用信息进行选择。包括强度、形状、大小、纹理等特征[19]。
  
  第四步特征值的选择,特征的选择过程也叫降维的过程,该过程可以通过机器学习或统计学途径实现,也可以通过合并或主成分分析等降维方法实现[20]。
  
  第五步预测模型及数据分析,把选定的特征输入到分类器进行进一步的分析和评估。分类器是机器学习中对特征值进行精确预测的机器学习算法,首先使用大量数据建立模型,进行训练,再用一部分数据进行验证[21]。常用的影像组学分析方法有决策树、神经网络、随机森林、支持向量机、贝叶斯分类器、K均值算法、高斯混合聚类、密度及层次聚类等[22]。建立一个关于某种疾病的特征库,不仅可以做出早期的诊断,还可以病变的疗效及预后进行评估,辅助临床工作。
  
  现阶段肺小结节的影像组学为研究的热点,在消化系统的报道相对较少,Dai等[23]在超声图像的影像组学研究预测原发性肝癌中Ki-67表达的可行性,利用m RNA(messenger RNA,信使RNA)和SRC(sparse representation-based classifier,稀疏分类)方法选取最优特征。Liang等[24]利用LASSO回归模型提取16个CT纹理,可以对直肠癌进行准确分期。Wei等[25]在CT图像上预测胰腺囊性肿瘤的Ki67分子表达的影像组学研究。Ba- Salaman等[26]对胃腺癌、胃间质瘤和胃淋巴瘤进行两两鉴别的研究。目前,鲜有关于胃癌的诊断及胃癌的病理分型的研究报道。
  
  在胃癌的CT增强扫描图像上做影像组学分析,一方面病变的边界显示的更为清晰,另一方面可以获取更多的特征值,但是增强扫描一方面增加患者的接受的X线剂量,同时增加造影剂对人体的损害,能否在CT平扫图像上完成影像组学对胃癌的诊断及评估,是本次研究的目的。其步骤为获取CT平扫图像,在图像上进行手 动 感 兴 趣 区 分 割 、 提 取 高 通 量 图 像 特 征 、 降 维 、 再 使 用 机 器 学 习(Machine Learning,ML)[27]算法建立数据模型。本课题尝试在CT平扫图像上做胃癌诊断及病理分型的研究,提取特征值,希望能够辅助临床工作。
  
  第 1 章  CT影像组学在胃癌诊断及病理分型的可行性研究。
  
  1.1  对象与方法。
  
  1.1.1  研究对象。

  
  选择2017年11月至2018年3月唐山市工人医院肿瘤外科及胃肠外科经手术病理证实的胃癌患者59例,其中男性患者38例,女性患者21例,年龄为28-81岁,平均年龄61±11.09岁。所有患者均进行CT平扫检查,逐层选取每位患者的病变组织及相应层面上的部分正常胃组织进行研究,并以病理诊断为金标准。按组织病理学分型:印戒细胞癌患者14例,腺癌患者39例,印戒细胞癌中有部分腺癌组织及腺癌中有部分印戒细胞癌组织的患者6例;其中病理报远端胃癌29例,胃窦部9例,胃底1例,全胃癌3例,胃体及胃角部13例,贲门癌4例。病变大小不等,较小者大小约1.5cm*1.5cm,较大者病变累及全胃大部分。患者主要临床症状为腹痛、食欲减退、上腹部不适、贫血、呕吐、呕血及黑边、上腹部包块、体重减轻等。
  
  (1)纳入标准:所有患者术前2周内均行CT平扫检查,胃腔充分气体充盈,病变显示清晰;病人均为术后病理证实为胃癌;所有患者的病变均是手术前,且未经过放化疗等治疗。
  
  (2)排除标准:胃部其它疾病,如胃炎、胃溃疡,其它肿瘤等,伴有其它胃部疾病;胃腔充盈不良,病变显示不清;病变为术后及放化疗后人为干预的病变。
  
  对59例胃癌患者的病变组织与正常组织进行研究,提取特征值,建立模型,并选择Inter-quartile Range(四分位数间距)、Energy(能量)、Run Entropy(运行熵)、Maximum(最大值)进行统计学分析。
  
  对其中53例胃癌患者的病变组织(包括腺癌39例,印戒细胞癌14例),进行病理分型的鉴别研究,提取特征值,建立模型,并选择Difference Entropy(能量差)、Skewness(偏度)进行统计学分析。
  
  1.1.2检查方法。
  
  1)检查设备设备采用Philips 256排i CT,管电压120k V,管电流150~300m A,扫描层厚5mm,重建层厚1mm,矩阵为512×512,扫描野为350-400mm,重建方式采用标准算法,窗宽400Hu,窗位40Hu。
  
  2)操作方法患者进行CT检查前空腹或禁食8小时,避免食物残渣对检查结果的影响。避免一周内做过消化道钡餐造影检查,导致钡餐造成的伪影,影响图像质量。扫描前[28]询问患者有无颅高压、急性期脑出血、青光眼、幽门梗阻及肠梗阻、前列腺肥大等盐酸山莨菪碱禁忌症者,无上述禁忌症者在扫描前约15分钟时肌肉注射盐酸山莨菪碱(654-2)20mg,用于解除胃的平滑肌痉挛状态,以减慢胃肠的蠕动、痉挛及其他不适等。扫描前嘱患者口服产气粉3mg,使胃腔充分充盈。指导患者做吸气后屏气训练。患者取仰卧位,双手上举,头先进,吸气后屏气,进行容积扫描,扫描范围为膈顶到脐部水平,包括整个胃组织。
  
  3)数据处理使用Huiying Medical Technology Co.Ltd分析数据及进行放射学统计分析,使用方差阈值法、K最优法和LASSO回归算法,进行特征值选择,在胃癌的诊断中使用KNN进行分类,在胃腺癌与印戒细胞癌的鉴别中,使用LR进行分类。
  
  1.1.3  图像处理及感兴趣区分割。
  
  本试验在汇医慧影Radcloud平台进行,先将采集的CT平扫图像的DICOM格式导入到汇医慧影uploader中,再将导入的图像在汇医慧影Radcloud平台进行手动ROI的勾画。以胃的正常组织作为参考,由3名高年资主治医师在双盲的情况下,在CT平扫横断面图像上手动逐层画出病变组织,并对其轮廓进行复查修正,对于差异大于5%,则共同进一步讨论,决定肿瘤的边界,并逐层在相应层面画出部分正常胃组织,方法如(图1)。因肿瘤大小不一,所勾画ROI层数自8层至34层不等。由于在平扫图像上病变组织与正常组织部分分界不清及部分容积效应存在,为达到数据的准确性,在软件系统中,ROI选取采用内缩0.1mm处理。
  
  
  
  1.1.4  特征提取及量化。
  
  1)特征提取影像组学的核心是定量的特征值提取。本研究利用Rad Cloud平台从CT图像中提取1029个定量图像特征,并将这些特征分为4组。第一组为一阶统计量(通过常用的基本指标定量描述CT图像中体素强度的分布),由95个特征值组成。第二组基于形状和尺寸的特征,包含15个三维特征。第三组为纹理特征(根据灰度游程和灰度共生纹理矩阵进行相关计算),包括295种纹理特征。第四组为高阶统计特征,包括从小波变换得到的强度和纹理特征,包括624个特征值。由于胃癌组织形态不规则,且胃本身处于不断运动,发生形态的改变,所以在本研究中剔除了与形状相关的15个特征,最后共提取了1014个特征。在原始图像中,我们使用了对数滤波、指数滤波、平方滤波和小波变换。
  
  2)特征量化特征提取后,特征维度很大,其中包括许多重复的冗余特征,Cui等人的研究表明特征的冗余会对机器学习算法的速度及分类性能有影响[29]。因此在数据量远小于特征量的情况下,必须进行特征值筛选,找到最佳子集,缩短机器学习算法时间,提高分类识别的准确率。特征筛选有基于单变量分析和多变量组合分析等不同的方法[30]。单变量分析指对每一个特征计算其与目标值之间的某种指标来衡量相关性,再对指标数值设定一定的阈值,筛选出高相关性的特征。常见方法有卡方检验法、相关系数法等[31]。此方法无法分析多个特征变量组合后的效果。多变量组合用于分析不同特征变量组合与目标之间的关系。常用方法有带有惩罚项的回归模型[32]。本研究既使用了单变量分析又使用了多变量组合分析。
  
  在胃癌组织与正常组织的鉴别分析及病理分型的分析中,为了降低特征的维数,均采用了方差阈值法、K最优法和LASSO回归算法,逐步选择具有统计学意义的特征。其中LASSO降维使用了5折交叉验证,迭代2000次选出了重复率最高、最优的特征值。
  
  (1)方差阈值法方差阈值法是[33]一种简单的特征选择方法,是特征选择的简单准则方法。它删除方差不符合某个阈值的所有特征。用于评估特征值的发散性,先计算各个特征的方差,然后根据阈值,选择方差大于阈值的特征。适合于[34]离散型的特征值,如果为连续性的则先进行离散处理,为特征选择的预处理,先处理掉取值变化小的特征,然后再用其它的特征选择方法进行特征选择。本研究中方差阈值设定为0.8,保留方差阈值大于0.8的特征值,去除减低variance的特征,进行下一步分析。
  
  (2)K最优法(Select K best)[35]属于单变量特征筛选方法,使用方差分析衡量特征和分类结果的关系。选择P值小于0.05的特征,去除其它特征。
  
  (3)LASSO全称为Least Absolute Shrinkage and Selection operator,为最小绝对收缩和选择算法[36],在多变量组合,构造一个惩罚函数来建立模型,压缩某些系数,同时设定某些系数为零,保留子集收缩的优点,是一种处理具有复共线性数据的有偏估计。使用L1正则化将线性模型系数的H范数作为惩罚项加到损失函数上,使用弱项相关特征所对应的系数为0,实现特征选择。此外,LASSO回归模型还可以将几个高度相关的特征保留一个,其他的收缩为0,从而最终选择出最优特征[37]。
  
  LASSO算法对变量进行筛选和对模型的复杂程度进行降低[38]。在本次研究中使用LASSO算法,筛选特征在最佳alpha(a类)时的coefficient(系数),选取对术后病理诊断有价值的特征。
  
  1.1.5  统计学分析。
  
  本试验使用Huiying Medical Technology Co.Ltd进行数据分析以及放射学统计分析。采用方差阈值法、K最优法和LASSO回归算法进行特征降维,用ROC分析曲线来说明放射特征的预测性能,当敏感性与特异性最大时,选择临界值作为临界点。曲线下面积(Area under curve,AUC)在0.5-0.7之间表示诊断价值较低,0.7-0.9之间表示其诊断价值为中等,0.9以上表示诊断价值较高[39]。指标还有敏感性及特异性。筛选的最优特征值采用IBM SPSS statistics19.0软件进行相关的统计学分析,数据间的比较采用配对t检验方法,进行灵敏度、特异度及AUC的计算。
  
  【由于本篇文章为硕士论文,如需全文请点击底部下载全文链接】
  
  1.1.6  分类判别及模型预测
  
  1.2  结果
  1.2.1  CT平扫影像组学在胃癌诊断的可行性研究
  1.2.2  CT平扫影像组学在胃癌的病理分型的可行性研究
  
  1.3  讨论
  1.3.1  CT平扫影像组学在胃癌诊断的可行性研究
  1.3.2  CT平扫影像组学在胃癌的病理分型的可行性研究
  
  1.4  小结
  
  参考文献
  
  第 2 章 综述
  

  2.1  研究背景
  2.2  胃的解剖及分类
  2.3  胃癌分类
  2.4  胃癌的检查技术
  
  2.5  影像组学的发展
  2.5.1  影像组学的提出
  2.5.2  影像组学在影像诊断中的优势
  
  2.6  影像组学的流程
  
  2.7  影像组学的临床应用

  结 论

  1 CT影像组学在胃癌诊断中的研究具有临床价值,特别是四分位数间距、能量、运行熵及最大值的价值更为重要。

  2 CT影像组学在胃癌的病理分型中的研究具有临床价值,特别是能量差及偏度的价值更为重要。

  参考文献

联系我们
  • 写作QQ:
  • 发表QQ:
  • 服务电话:18930620780
  • 售后电话:18930493766
  • 邮箱:lunwen021@163.com
快3www.qinlu999.com
沙巴体育www.gdxjabh.com
桐乡市屠甸卫生院www.txstdzwsy.com
沙巴体育www.snhealth.cn
快3www.shengtongsc.com
快3www.lajazzcollective.org
快3www.qdlanling.com
彩票代理www.sleecc.com
华泰银业www.huataiyin.com
澳门赌场www.llxlib.com
快3www.dqcfyy.com