基于膝关节MRI影像组学的半月板撕裂自动鉴别算法研究
目的 基于膝关节MRI影像组学建立鉴别模型,以实现半月板撕裂自动鉴别,为精确诊断半月板损伤提供参考.方法 以2018年7月-2021年3月收治的228例(246膝)半月板损伤患者为研究对象.男146例,女82例;年龄9～76岁,中位年龄53岁.其中,单膝210例,双膝18例.患者均经关节镜检查明确诊断,其中撕裂半月板117膝、非撕裂半月板129膝.收集患者MRI矢状位质子密度加权频率衰减翻转恢复(proton density weighted-spectral attenuated inversion recovery,PDW-SPAIR)序列,由 2 名医生进行影像组学研究.将246膝按照7∶3比例随机分成训练组及测试组.首先,使用ITK-SNAP3.6.0软件提取半月板感兴趣区域(region of interest,ROI),进行影像组学特征提取.保留组内和组间相关系数(intraclass correlation coefficient,ICC)＞0.8的特征后,使用最大相关-最小冗余(max-relevance and min-redundancy,mRMR)和套索算法(least absolute shrinkage and selection operator,LASSO)进行筛选,建立半月板撕裂自动鉴别模型,绘制受试者工作特征曲线(receiver operator characteristic curve,ROC),并获取相对应曲线下面积(area under ROC curve,AUC);通过计算准确率、灵敏度、特异度对模型性能进行综合评估.结果 基于MRI矢状位PDW-SPAIR序列,于半月板ROI共提取1 316维影像组学特征,其中981维组内和组间ICC＞0.80.通过mRMR将981维影像组学特征中的冗余信息进行消除,保留20维.进一步通过LASSO选择最优特征子集、确定选用8维最显著影像组学特征,平均组内、组间 ICC 分别为 0.942、0.920.训练组 AUC 为 0.889±0.036[95％CI(0.845,0.942),P＜0.001],准确率、灵敏度、特异度分别为 0.873、0.869、0.842;测试组 AUC 为 0.876±0.036[95％CI(0.875,0.984),P＜0.001],准确率、敏感度、特异度分别为0.862、0.851、0.845.结论 采用影像组学方法建立的鉴别模型具有良好的半月板撕裂自动鉴别性能.
影像组学、半月板撕裂、MRI、膝关节
36
TN958;TP391.41;R684
福建省卫生健康科技计划项目2021QNA038
2023-01-13（万方平台首次上网日期，不代表论文的发表时间）
共5页
1395-1399
