基于颅脑T1WI对比增强图像构建卷积神经网络模型鉴别肺癌与乳腺癌脑转移

作     者：宋若晨 褚相乐 黄勇华 刘海燕 张海深 SONG Ruochen;CHU Xiangle;HUANG Yonghua;LIU Haiyan;ZHANG Haishen

作者机构：新乡医学院附属濮阳市油田总医院放射科河南濮阳457001 

出 版 物：《中国医学影像技术》 (Chinese Journal of Medical Imaging Technology)

年 卷 期：2023年第39卷第7期

页      面：982-986页

核心收录：

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1002[医学-临床医学] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 100214[医学-肿瘤学] 10[医学] 

基　　金：河南省医学科技攻关计划项目(LHGJ20210936) 

主　　题：脑肿瘤 肺肿瘤 乳腺肿瘤 磁共振成像 神经网络,计算机 影像组学 

摘      要：目的分析基于对比增强颅脑T1WI(T1CE)构建的卷积神经网络(CNN)模型鉴别肺癌与乳腺癌脑转移的效能。方法回顾性分析97例经手术病理证实的乳腺癌脑转移(39例)与肺癌脑转移(58例)患者,于颅脑T1CE中手动勾画病灶ROI并提取其影像组学特征,采用单因素分析及最小绝对收缩和选择(LASSO)算法进行特征降维,筛选最优特征;分别构建传统机器学习支持向量机(SVM)、随机梯度下降(SGD)、K邻近(KNN)、决策树(DT)、随机森林(RF)、极端随机树(ET)、逻辑回归(LR)模型及深度学习CNN模型,将按7∶3数据分为训练集和验证集,采用受试者工作特征(ROC)曲线评估8种模型鉴别验证集中肺癌与乳腺癌脑转移的效能。结果共纳入202个脑转移癌,含乳腺癌、肺癌脑转移各101个。基于颅脑T1CE提取1050个特征,经单因素分析及LASSO算法降维后得到5个最优特征;以之构建的SVM、SGD、KNN、DT、RF、ET、LR及CNN模型鉴别验证集肺癌与乳腺癌脑转移的曲线下面积(AUC)分别为0.88、0.83、0.87、0.74、0.84、0.86、0.88及0.90,其中CNN模型的AUC最高。结论基于颅脑T1CE构建的CNN模型可有效鉴别肺癌与乳腺癌脑转移。