形状放射组学和深层特征在深度学习下胶质母细胞瘤生存预测的功效.docx

《形状放射组学和深层特征在深度学习下胶质母细胞瘤生存预测的功效.docx》由会员分享，可在线阅读，更多相关《形状放射组学和深层特征在深度学习下胶质母细胞瘤生存预测的功效.docx（6页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、形状放射组学和深层特征在深度学习下胶质母细胞瘤生存预 测的功效t抽象胶质母细胞瘤（称为多形性胶质母细胞瘤）是最具侵袭性的脑恶性肿瘤之一，占所有原发性脑肿瘤的48%。因此，总体生存期 预测在胶质母细胞瘤患者的诊断和治疗计划中起着至关重要的作用。我们研究的主要目标是证明从整个肿瘤的组合中提取的特 征的有效性，并增强肿瘤对整体生存预测的影响。所提方法利用形状辐射组学和深层特征两种特征。首先，利用Cox比例风险 模型选择由球形度、最大三维直径和外表积组成的最优形状放射组学特征.其次，ResNet18直接从磁共振图像中提取深层特征。 最后，所选形状特征、深层特征和临床信息的组合拟合回归模型，用于总体生存

2、预测。所提方法取得了可喜的成绩，准确度和 均方误差指标分别获得57.1%和97, 531.8%的误差。此外，使用所选要素，均方误差指标上的结果略优于竞争方法。这些实 验是在脑肿瘤分割挑战（BraTS） 2018验证数据集上进行的。关键字:胶质母细胞瘤;塑造放射组学特征;总体生存预测;深层特征.引言神经胶质瘤是一种原发性脑肿瘤类型，当神经胶质细胞生长失控时形成。胶质瘤在大脑中生长，并在脊髓局部开展。最常 见的侵袭性脑肿瘤约占脑部原发肿瘤的80%山。胶质瘤分为四个等级（I, II, III和IV）,治疗计划取决于等级水平。虽然I级 和II级被认为是低级别胶质瘤（LGG）,但III级和IV级被称为高

3、级别胶质瘤（HGG）。与HGG组相比，LGG组（称为良性 肿瘤）具有长期生存期。IV级类型是最具侵袭性的原发性脑肿瘤，称为胶质母细胞瘤（GBM ）。胶质母细胞瘤可能发生在所有 年龄段，尤其是老年人。如今，GBM的治疗仅延长了不到2年的患者的生存时间，并且需要立即进行治疗2。GBM具有四种 肿瘤内结构，包括增强肿瘤（ET）,非增强性肿瘤（nET）,坏死和水肿，如图1所示。肿瘤内结构分为三个GBM肿瘤区域: 包含所有亚肿瘤结构的整个肿瘤，除水肿外的肿瘤核心结构以及单独的ET局部。磁共振成像（MRI）是神经肿瘤学中用于诊断和治疗计划的最广泛的侵入性技术之一。根据MRI机器上的模式设置，有 四种模式，

4、包括T1加权（T1） , T1加权比照度增强（T1Ce） , T2加权（T2）和流体衰减反转恢复（FLAIR）,如下列图2所 示。使用不同的MRI方式来评估肿瘤的水平、其演变和对治疗的反响2。虽然T1Ce模式具有增强剂铝，注射到体内并增强肿 瘤核心的亮度，但FLAIR模式抑制液体（主要是脑脊液）脑脊液）并增强水肿局部。最近，从MRI模式中提取的放射组学特征和肿瘤的分段图已被用于预测各种癌症类型的预后和治疗反响。放射组学特征 包括许多有价值的特征，这些特征描述了脑肿瘤的统计数据，形状和质地。研究说明，肿瘤的放射组学特征与GBM患者的生存 日之间存在关系。受形状特征对患者OS天数的重要性的启发2,

5、本研究旨在评估最重要的形状特征，以估计患者的生存时间。 此外，应用深度学习模型来预测患者的OS时间。在本文中，我们提出了一种预测患者生存时间的方法，包括两个阶段。首先，由于GBM中具有小尺寸增强的肿瘤，因此 DK-Net 4用于分割肿瘤区域。之后，应用单变量和多变量Cox比例风险模型（CoxPH）来寻找与GBM患者生存时间相关的 最显着的形状特征。接下来，使用3DResNet18提取深层特征，以利用分段地图中的肿瘤信息。最后，将选定的放射组学特征、 深层特征和临床信息串联起来，并适合多层感知器，以预测患者的生存时间（以天为单位）。我们在这项工作中的贡献如下：球形度、3D最大直径和外表积是与胶质

6、母细胞瘤患者生存分析相关的三个重要形状特征。此外，基于风险比的增强 肿瘤的这些特征对患者生存时间的影响大于整个肿瘤的特征。除了形状特征外，与仅从整个肿瘤中提取的特征相比，从增强肿瘤和整个肿瘤中提取的特征（称为深层特征）对于生存预测至关重要;因此，增强肿瘤特征会影响GBM患者的生存预测。1 .相关工作近年来，已经进行了很多研究来预测GBM患者的OS天数。大多数趋势分析方法包含两个阶段：分割和使用分割图中的 放射性组学特征来预测生存时间。Shboul等人利用随机森林（RF）和卷积神经网络（CNN）的融合来获得分段图，之后，RF 预测模型用于预测生存日，基于Kaplan-Meier曲线，使用1366

7、个特征中的240个最基本特征来预测生存日。在中，Baid 等人使用具有三阶段编码器-解码器架构的3D Unet模型来获得分段映射。之后，提取放射组学特征并拟合多层感知器（MLP） 网络以进行OS预测。Feng等人利用3D UNets的融合，结合输入大小、编码器/解码器模块的数量和层数的变化，对分割任务 的结果进行鲁棒性分析。根据分割结果，手动识别体积、形状和外表积，并与临床信息相结合，通过线性回归获得OS天数7。 在网中，应用了三个不同网络的增强融合，包括Unet，DFKZnet10和CA-CNN11,通过多数投票获得最终的分割结果。 14个选定的放射组学特征适合RF进行OS预测。Madjid

8、 12等人发现，基于位置的特征有效地增强了预测结果。他们通过 从肿瘤到大脑中心的距离，肿瘤的最大直径以及具有最大肿瘤直径的垂直载玻片数来识别基于位置的特征。结合所选的放射组 学功能，OS预测结果略有改善。根据13,通过描述肿瘤大小，形状和质地的CNN网络从MRI模式中提取深层特征。此外， 通过非局部模块和挤压激励模块的集成，提出NRSE模型，使分割结果鲁棒性。最后，应用因子分析来减少放射组学特征和深 层特征，其余所有特征拟合RF回归以获得OS天数。此外，由于肿瘤分割用于真实标记的时间消耗，一些研究人员提出直接使用从MRI模式中提取的特征。在14中，Renato 等人提出了一种不进行分割的OS预

9、测方法，方法是使用识别肿瘤位置的显着性图。结合临床信息，与其他方法相比，OS预测 结果很有希望。根据15, Linmin Pei等人直接从CNN网络中提取高维特征以获得OS预测结果年龄是用于改善结果的附 加特征。通过LASSO方法选择相关特征，并将所有特征拟合到线性回归以获得结果。2 .材料和方法概述受ET和WT 2的形状放射组学特征有效性的启发，我们的方法包含两个阶段，包括基于所选形状特征的分割和生存预测。 首先，由于增强肿瘤的重要性1,利用DK-Net4来增强ET分割图的结果。之后，从ET和WT局部提取所有形状放射组学特 征，并应用Cox比例风险模型评估的风险比，以证明每个特征对患者生存时

10、间的重要性。接下来，使用3DResNet18,从整个 肿瘤和增强肿瘤中提取深层特征。然后，应用随机森林算法从ET和WT中选择最主要的9个深度特征。最后，将选定的形状 特征、深层特征和临床特征拟合到多层感知器中，用于GBM患者的生存预测。我们模型的体系结构如图3所示。3 2数据集这些实验是在脑肿瘤分割（BraTS） 2018数据集上进行的3, 16, 17。BraTS 2018数据集包含285和66个训练和 有效数据集样本;然而，只有163和53个样本用于生存预测任务。每个患者样本由4种MRI模式组成，包括T1加权、后对 比T1加权（T1Ce）、T2加权（T2）和T2液体衰减倒置恢复（FLAIR

11、）。此外，还为训练数据提供了分割的基本领实, 包含用于nET/坏死的标签1、用于水肿的标签2、用于ET的标签4和用于背景的标签0。此外，在训练数据中为每个患者 提供生存天数。对于数据分析，由于标记的准确性，我们利用训练数据来了解形状放射组学特征对患者生存时间的有效性。此 外，该数据集中还提供了年龄，肿瘤分级和切除状态等临床信息。对于HGG患者，切除状态包括总切除术（GTR）、次全 切除术（STR）和NA （不可用）。3.3. 市场区隔DKNet4用于脑肿瘤分割任务，以分割成肿瘤亚区域，包括水肿，坏死和增强肿瘤。DKNet基于3D U-Net的一种变体, 称为扩展多光纤网络(DMFNet) 18

12、,具有编码器解码器架构。该模型的优点之一是它可以检测大脑中的小尺寸肿瘤，从而 显着增强胶质瘤中的肿瘤。此外，在保持良好整体性能的同时降低计算本钱和内存也是该模型的优势。在3DUNet和该网络的 任何变体中，下采样层的目的是提取特征并扩展感受场,但特征的分辨率可能会大大降低;因此,小物体的特征可能会丧失。DKNet 是具有两个任务的多任务学习。第一项任务是从四种MRI模式中分割脑肿瘤，这些MRI模式具有三段区域面罩，包括整个肿瘤 (WT),肿瘤核心(TC)和增强肿瘤(ET)。第二项任务是通过在每个编码器层之后添加一个上采样层和一个多光纤单元来 重建额外的特征。第二项任务仍然是以下各层的关键特征，

13、并最大限度地减少小物体上的信息丧失，特别是在ET上。肿瘤形状放射组学特征分析分割后，从训练数据中增强肿瘤和整个患者的整个肿瘤中提取形状放射组学特征。肿瘤形状特征在患者的OS预后中起着 至关重要的作用。此外，这些特征描述了肿瘤的形状，几何形状和特定外表。所有特征均来源于T1Ce和地面实况，以分析它 们之间的关系和生存时间。从开源Pyradiomics库19中提取了 14个形状特征，它们是网格体积，短轴长度，球形度，外表积，外表体积比，体素 体积，伸长率，平面度，最小轴长度，长轴长度，最大2D直径列，最大2D直径行，最大2D直径切片和最大3D直径。每个 特征描述肿瘤形状的特定性质。应用Cox比例风

14、险模型(CoxPH)和Kaplan-Meier (KM)估计相来评估患者形状特征与生存 时间之间的关系。Kaplan-Meier (KM)估计器是一种统计方法，用于测量治疗后一定时间内活体患者的比例。KM生存曲线是在给定时间 内存活的概率，同时考虑许多小间隔内的时间20。KM估计器由等式(1)计算得出。KM曲线基于KM估计器方法，是比 较不同群体生存函数随时间变化的图。（1） 哪里:是至少一名患者死亡的时间点。是死亡的患者人数.是存活至时间的患者数量.Cox比例风险模型(CoxPH)是一种回归模型，使用统计方法研究医学领域一个或多个预测因子与生存时间之间的关联。 CoxPH的目的是评估一个或多

15、个因素对患者生存时间的影响。Cox模型用危险函数力(0表示21。危险功能力(f)被认为是 每个患者在时间f死亡的风险。对于给定的预测因子z向量，CoxPH模型表示如下：（2） 哪里：h (flz)：由多个预测变量z的给定向量确定的危害函数。：是时间的非特定函数。：危险比（HR）。HR = 1：预测因子对生存时间没有影响，HR1：与风险增加或生 存时间减少相关21。或者，CoxPH也用累积危害函数表示如下：（3） 哪里是基线累积危险函数，由尼尔森阿伦估计器通过等式（4）计算得出。（4） 哪里是当时的死亡人数和是时间之前活着的病人数量.基于Breslow估计器，通过公式（5）建立累积危险函数与生存

16、函数之间的关系;因此，累积危害函数和生存函数具有相反 的关系，并且基于CoxPH模型，我们可以评估哪些形状特征与生存时间显着相关。此外，由于HR = 1表示特征对生存时间没 有影响，因此HR的95%置信区间（CD也不包括1（空值）。此外，如果p值在CoxPH回归模型中的值等于或小于0.05, 那么p值被视为显著的统计量。（5）通过Cox比例风险回归模型和KM曲线评估形状放射组学特征与患者生存天数之间的关系。首先，每个形状特征都拟合 到单变量Cox回归模型中，并通过风险比（HR）、95%置信区间（CI）和p值进行判断。然后，根据每个显著形状特征的中位 数将每个特征分为两组，可以按照KM生存曲线评

17、估每个特征对患者生存时间的影响。3.5.深度特征提取虽然FLAIR是放射科医生观察WT的最正确方式，但ET边界最好在T1ce中可视化22。因此，CNN架构被用于分别从 WT和ET的FLAIR和T1ce模态中提取高级特征。首先，将MRI模态裁剪为128x128x128以去除背景体素。之后，在ImageNet 中预先训练的ResNet18架构被应用于从MRI模式中提取有意义的信息。ResNet18有四层，每层包含两个基本块，其次是两 个修改的全连接（FC）层，分别具有512, 101个节点。跳过连接也应用于每个卷积层。ResNet18的输出是患者的生存日。深 层特征是从该网络的最后一个FC层中选择

18、的，其中包含最有意义的特征，以预测与每种肿瘤相关的患者的OS天数。网络的详 细架构如图4所示。特征选择技术对于生存预测任务中过度拟合问题的减少至关重要，并保持与患者生存时间相关的最有意义 的特征;因此，应用随机森林算法分别从ET和WT中查找9个基本特征中的大多数。整体生存预测有6个形状放射组学特征和18个提取的深度特征与年龄相结合，经过训练以预测GBM患者的生存时间。应用线性回归 （LR）、光梯度提升（LightGBM）和多层感知器（MLP）构建预测模型，分别评估各模型对该生存任务的有效性。训练数据集 按80： 20的比例拆分为训练数据集和验证数据集，以防止过度拟合问题。对于MLP模型，输出是

19、患者的生存天数，如上一节 所述，根据三个生存组的分类对其进行评估。MLP具有两个完全连接的（FC）层，随后是FC层之后的ReLU激活操作。4.结果4.1.市场区隔所有285个训练数据都用于训练过程。提供66名患者进行验证。骰子指数，95豪斯多夫（HD）增强肿瘤（ET）,整 个肿瘤（WT）和肿瘤核心（TC）的距离将通过提交给CBICA的图像处理门户来计算。通过此方法获得的结果见表1。生存预测的评估指标生存预测结果在三个不同的指标中评估，包括准确性、均方误差（MSE）和SpearmanR指标。所有结果都提交到在 线链接进行结果评估。主要任务是分类，分为三组：短幸存者（10个月），中型幸存者（210

20、个月和15个月）和长期幸存者（15个月）。精度指标按以下公式计算：（6）此外，MSE指标显示了数据集中提供的预测天数和患者实际生存天数（基本领实）之间的差异，因为这是监督学习方法。 MSE值越低，预测值越好。SpearmanR度量描述了预测结果与真实值（GT）之间单调关联的强度和方向。SpearmanR的值 在-1到+1的范围内。如果SpearmanR值接近1,那么患者生存时间的排名更接近GT的数量级。MSE和SpearmanR指标 由以下公式计算：哪里和分别是预测的天数和患者的实际生存日（GT）。（8）其中。是患者总数，是预测天数和GT天数之间的成对排名差异23。形状放射组学特征分析单变量C

21、oxPH回归模型证明了每种形状放射组学特征的重要性，如表2所示。如表所示，整个肿瘤和增强肿瘤的球形度、 外表积和肿瘤的3D最大直径是OS预后的重要预测因子，p值0.05。而且，HR及其95%CI小于1,这意味着球形度值较大 的患者生存时间更长。相反，最大3D直径和外表积值较小的患者基于HR及其95%CI的生存时间更长。其他一些特征的p值 v 0.05;然而，HR比率及其CI包含一个，因此OS预测的有效性很差并且没有方法;因此，其他要素不被视为此任务的重要预测 因子。此外，年龄是基于表2中的结果的生存预测的重要预测因子。下面描述了三个最重要的形状预测变量的含义：外表积测量3D维度上肿瘤外表的总面

22、积。最大3D直径是肿瘤外表网格顶点之间最重要的欧氏距离19。球形度测量肿瘤区域相对于球体的形状的圆度19。表2.基于单变量CoxPH模型的影像组学特征及临床信息分析.从表2可以看出，三种形状的放射组学特征（包括球形度、3D最大直径和外表积）被认为是生存任务的重要预测因子。 详细地说，从增强肿瘤中提取的选定形状特征对基于HR的生存时间具有更大的影响。因此，增强肿瘤在生存预测中起着至关 重要的作用。为了进行细节分析，利用Kaplan-Meier （KM）估计器来评估每个特征与GBM患者生存时间之间的关系。Kaplan-Meier 估计器是一种非参数方法，用于测量治疗后特定时间的患者比例20。对于实

23、验，根据每个选定特征的中值生成两个患者组。然 后，为两组患者的两个选定形状特征绘制KM曲线。此外，应用对数秩检验来比拟基于p值的每个形状特征的两组之间的生存 函数。如果对数秩检验的p值小于0.05,那么两个组具有统计显著性，并提到两个组之间的不同分布。根据KM曲线和对数等级 测试，对于ET和WT肿瘤，具有较小外表积，更长的3D最大直径和较小的球形度比的患者具有更长的生存时间。有关每个特 征的KM曲线和对数秩检验（p值）的详细信息如图5、图6和图7所示。整体生存预测除了三个重要的形状特征外，还利用深层特征来具有与ET和WT肿瘤患者的生存时间相关的高级含义。通过使用 ResNet18证明了 ET和

24、WT的深层特征的有效性。从表3中，使用从ET和WT中选择的深层特征，与分别使用ET和WT的 深层特征相比，精度和MSE结果略有提高。之后，结合选定的形状特征和年龄，在在线门户 （2022年2月1日访问）中评估预测结 果。有28名存活时间未知的验证患者。有三种预测模型的结果如表4所示。从表4来看，与其他机器学习模型相比，MLP获得了更好的结果，后者在准确性和MSE评估指标方面分别到达57.1% 和97, 531.8o与Linh等人2的结果相比，当我们仅使用选定的形状特征时，MSE指标的结果略有改善，从152, 250.8下降 到99, 482.7,而精度结果相同;因此，球形度、3D最大直径和外表

25、积是患者生存预测的三个重要预测因子。添加深度特征和 MLP预测模型可以改善分类和回归任务。此外，与表5中BraTS18验证数据集上的其他方法相比，我们的方法在准确性和MSE指标方面分别获得了 57.1%和97, 531.8的有希望的结果。5 .讨论本文基于CoxPH和KM生存曲线，有3个重要的预测因子，包括球形度、外表积和与胶质母细胞瘤患者生存时间相关的 最大3D直径。GBM患者具有较低的表皮肿瘤面积，较低的最大3D直径和较高的球形度比，具有更长的生存时间。此外，与 WT相比，从ET中提取的形状特征对基于危险比的患者生存时间具有更大的影响，这意味着ET对于GBM生存预测具有重要 意义。结合增强

26、型肿瘤和整个肿瘤的深层特征，生存时间预测前景广阔，可在未来应用于临床预后;然而，与Baid等人22相比, 我们结果中的SpearmanR系数并不好，这意味着预测生存时间的顺序对于时间序列分析是不稳定的。此外，来自ET和WT的 深层特征的医学意义是模糊的。对于未来的工作，我们将尝试以与实际生存日相同的顺序预测患者的生存时间。此外，我们需 要澄清和证明深厚特征在医疗领域的实际意义，以便进一步应用。6 .结论本文提出了一个框架，用于预测胶质母细胞瘤患者在两个阶段的总生存时间。第一阶段是基于DKNet的脑肿瘤分割，改 善了脑肿瘤中的分割增强肿瘤。第二阶段是形状放射组学，从增强肿瘤和整个肿瘤拟合的组合中

27、提取深层特征，形成多层感知 器模型，以预测整体生存时间。从BraTS18上与其他现有方法的实验结果22, 24相比，我们提出的方法分别到达了 57.1%和 97, 531.8,分别是精度指标的竞争结果，在均方误差度量上略高。对于另一个BraTS数据集，现有研究的准确性14约为55%, 机器学习或多层感知器预测模型是生存任务的首选。最正确特征查找和特征选择是确保生存预测任务稳健性能的趋势方法。与R 前的方法相比，我们的方法突出了每种形状的放射组学特征对胶质母细胞瘤患者生存时间的影响。球形度、外表积和最大3D直 径是通过Cox比例模型影响胶质母细胞瘤患者生存时间的三个最重要的预测因子。结合增强肿瘤和整个肿瘤提取的深层特征， 我们在BraTS18数据集上获得了有希望的生存结果。虽然我们的方法获得了有竞争力的结果，但所提出的模型的性能在小尺寸 数据集上得到了验证，这可以通过将来在更大的数据集上扩大患者数量来改善。