Page 153 - 磁共振成像2024年7期电子刊
P. 153

技术研究｜｜Technical Article              磁共振成像  2024年7月第15卷第7期  Chin J Magn Reson Imaging, Jul, 2024, Vol. 15, No. 7


           是组内变异均方（对象内平方和）。ICC 系数范围为
           [ − 1,  1]，ICC 越 接 近 1，衡 量 的 结 果 越 可 靠 ，小 于
           0.10（或为负）为无一致性。在 0.10~1.00 的区间内，
           可靠性得分又可分为：差（ICC≤0.25）、低（0.25<ICC≤
           0.40）、一般（0.40<ICC≤0.60）、良好（0.60<ICC≤0.75）
           与优秀（0.75<ICC≤1.00） 。
                                [29]
               根据不同表面形态指数、不同类型影像组学特征、                           图3 基于脑区影像组学特征的多动症症状指标预测。
           不同脑区的划分，对比复测信度可靠性得分在各级别                              Fig.  3  Prediction  of  attention  deficit  hyperactivity  disorder  (ADHD)
                                                                symptom indicators based on brain region radiomics features.
           的占比，并进行统计分析，以此实现对不同组别脑影像
           组学特征的评估。在不同形态指数下影像组学特征的                             维方法在 DK 脑图谱脑区映射中的效果，并将嵌入矩
           复测信度分析中，对不同形态指数在复测信度不同可                             阵后重合点的占比作为评价嵌入矩阵难易度的指
           靠性级别的比率，采用one-way ANOVA检验基于不同                       标，对脑区顶点数量与重合点占比进行相关分析。
           形态指数的提取是否具有显著差异，事后检验则采用                                  在验证本研究映射方法准确性方面，采用对所
           HSD（honestly significant difference）检验来得到具有         有被试每个脑区映射前后 CT 均值进行相关分析的
           显著性差异的组别。在不同影像组学特征类型间复                              方式（计算皮尔逊相关系数，并采用 Z 检验来检验显
           测信度差异的分析中，对于同种形态指数下，不同类                             著性，统计显著性水平设置为 P<0.05）来检验表面形
           型的影像组学特征，采用 one-way ANOVA（事后分析                      态特征的改变程度。
           采用 HSD）检验它们在 10种滤波方式的 ICC均值，得
           到具有显著性差异的组别。类似地，在不同脑区影                              2 结果
           像组学特征复测信度差异的分析中，对不同脑区在                              2.1 脑影像组学特征的复测信度差异
           4 种形态指数下各自的 ICC 均值序列采用 one-way                      2.1.1 不同形态指数间的复测信度差异
           ANOVA（事后分析采用 HSD）分析得到具有显著性                               由于脑区之间的形态、功能区域和面积差别明
           差异的区域。以上统计学方法均以 P<0.05 为差异具                         显，因此在同一级别的对比中方差均较大，而对于
           有统计学意义。                                             ICC 所评估的特征复测信度 ，基于 CT、GMV、CC、
           1.7 多动症症状指标预测                                       CSA 的 提 取 的 ICC 均 值 分 别 为 0.76、0.83、0.79 与
               为进一步验证本研究所设计的方法在临床方面                            0.83，其中基于 GMV 和 CSA 提取的影像组学特征相
           的应用价值，基于 ADHD-200 多动症数据，采用评估                        较其他形态指数具有更高的优秀率，与 CT 与 CC 组
           后的脑影像组学特征进行多动症症状指标的预测。                              差异具有统计学意义（P<0.05），如表1所示。
           使用复测信度对影像组学特征进行初步筛选后，再
           分别利用相关系数法、支持向量机的递归特征消除                                   表1  全脑68区关于4个形态指数的ICC多级比率
          （support vector machine-recursive feature elimination,   Tab. 1  ICC multi-level ratios of four morphological indices
                                                                                in 68 brain regions
           SVM-RFE）进行特征选择，对两种特征选择方式均                            形态指数        差       低     一般      良好     优秀
           选用前 15% 作为输入。数据集划分上使用留一法                             皮层厚度        3.92   7.87   20.78   26.45  34.64
          （leave-one-out cross-validation, LOOCV）进行交叉验          灰质体积        5.37   8.00   15.16   16.80  46.64
           证,最后采用线性回归实现对注意力缺陷指数、过动                              平均曲率        9.74   11.92  19.08   15.45  29.22
                                                                皮层表面积       8.01   8.49   14.12   13.78  41.43
           指数两种多动症症状指标的预测（步骤如图 3），线性
                                                                 注：表中数据为百分数，单位为%。ICC为组内相关系数。
           回归模型对于给定的含有 n个元素的数据集，假定因
           变量 Y 与自变量 X 的向量之间存在线性关联，并且                          2.1.2 不同影像组学特征类型间的复测信度差异
           这种线性关系中还包括误差变量 ε，以解释实际观测                                 综合全脑指标，应用了多种变换的影像组学特
           与模型预测之间的潜在偏差，见式（2）。                                 征对于不同形态指数表现出不同的特异性：常用的
                                                      （2）      一阶特征仅在皮层厚度上表现出优秀的可复测性，
                  Y i = β 0 + β 1 X i, 1 + ⋯⋯ + β n X i, n + ε i
               以 向 量 和 矩 阵 的 形 式 表 示 上 式 ，可 以 由 Y =            对比其他类型影像组学特征在所有滤波方式下的平
           Xβ + ε通过最小二乘法得到关于β的解[式（3）]。                         均优秀率 ，其优秀特征比其他 5 类特征平均多出
                      T
                         -1
                           T
                   ̂
                  β = (X X) X Y                       （3）      10.85%；而对于其他形态指数，一阶特征的优秀率处
               以脑区为单位得到线性回归的预测结果数值序                            于平均水平，在 GMV、CC、CSA三种形态指数上分别
           列后，计算和真实结果序列的 Pearson 相关系数并采                        为 45.55%、29.58%、39.93%（该三个区域的平均水平
           用 Z 检验来检验显著性（以 P<0.05 为具有统计学意                       为 46.64%、29.22%、41.43%，表 1）。GLCM 特征的性
           义），进行后续统计分析。                                        能与一阶特征相仿，仅在基于 CT 的提取中较为优
           1.8 映射方法的对比与准确性                                     秀 ，与 其 他 4 类 影 像 组 学 特 征（GLRLR、GLSZM、
               对比了基于球面局部投影的映射方法与基于主                            NGTDM、GLDM）差异具有统计学意义（P<0.05）。
           成分分析（principal components analysis, PCA）的降          GLRLM 特征则与它们相反——在除 CT 以外的形态

          ·146 ·                                                                      https://www.chinesemri.com
   148   149   150   151   152   153   154   155   156   157   158