对MRI-ADC图像的纹理特征分析,以使用机器学习技术来区分质瘤等级

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 在瘤学瘤学.

背景情况:

• 显微扩散系数 (ADC) 磁共振成像 (MRI) 对于在神经成像中量化水分子扩散至关重要.
• 质瘤分类 (世卫组织I-IV) 对于治疗计划和预后至关重要.
• 现有的质瘤分类方法可能是主观的,耗时的.

研究的目的:

• 开发一个强大的机器学习 (ML) 模型,使用ADC纹理特征来预测质瘤的攻击性.
• 分析ADC的人口统计,高阶时刻和GLCM纹理特征,用于瘤分级.
• 为了确定最有效的ML算法和特征,以准确地分类质瘤.

主要方法:

• 利用了722个MRI-ADC脑图片切片,来自88名手工划分瘤感兴趣区域 (ROI) 的受试者.
• 从ROI中的ADC值中提取了更高阶的时刻 (斜率,曲率) 和GLCM纹理特征 (平均值,方差,能量,,对比度,同质性,相关性,突出度,阴影).
• 采用ANOVA f-test用于特征选择,K折交叉验证用于算法选择,以及随机网格搜索用于超参数优化.

主要成果:

• 选择了一个随机森林分类器,获得0.8772 ± 0.0237.7的平均交叉验证得分.
• 最终的ML模型在测试组上预测了88.14%的精度的瘤类别.
• 患者的性别,GLCM能量和相关性被确定为预测不那么重要的特征.

结论:

• 开发的ML模型证明了对质瘤分级的高预测准确性.
• 该模型有效地利用ADC纹理特征进行非侵入性瘤分类.
• 这种方法可以支持实时瘤分类应用中的临床决策.