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

作     者：王诗耕 刘义军 童小雨 范勇 李贝贝 王旭 崔景景 陈安良 WANG Shi-geng;LIU Yi-jun;TONG Xiao-yu

作者机构：大连医科大学附属第一医院放射科辽宁大连116011 联影智能医疗科技(北京)有限公司北京100094 

出 版 物：《放射学实践》 (Radiologic Practice)

年 卷 期：2024年第39卷第8期

页      面：1081-1088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] 1006[医学-中西医结合] 1002[医学-临床医学] 1001[医学-基础医学(可授医学、理学学位)] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 100214[医学-肿瘤学] 100106[医学-放射医学] 100602[医学-中西医结合临床] 10[医学] 

主　　题：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 

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,P0.85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。