Euro Radiol:如何发现结核性脑膜炎的肉眼不可见改变?MR放射组学的新尝试!

时间:2022-10-24 08:59:13   热度:37.1℃   作者:网络

据统计,结核病(TB)仍然是全球十大死因之一,在冠状病毒(COVID-19)大流行之前,TB是单一感染性病原体造成的主要死因。结核性脑膜炎(TBM)是结核病最严重的形式,约占肺外结核的5-10%。在早期,TBM的前驱症状通常是隐性发病,然后慢慢发展为脑膜炎,给疾病的早期诊断和随后的治疗带来巨大困难。即使在接受抗结核药物治疗后,TBM的死亡率仍高达10.0-36.5%。临床结预后要取决于治疗的初始阶段。因此,早期诊断和治疗对于改善TBM患者的预后具有重要意义。

磁共振成像(MRI)是诊断和管理TBM及相关并发症的最有用和最广泛的成像方法。基底池强化是TBM中最一致的神经影像学发现。然而,在晚期之前,传统的影像学检查很难发现这一影像学发现。因此,目前仍难以及时发现颅内病变,与临床不良预后密切相关。

作为一种定量分析方法,放射组学可以利用自动化的数据表征算法将ROI的图像数据转化为高分辨率、可发现的特征空间数据,最终实现对信息的深度分析和应用。放射组学已被广泛应用于肿瘤影像学领域,包括鉴别诊断、肿瘤分期、基因分型、治疗反应和患者生存预测。值得一提的是,由于非肿瘤性病变的常规影像诊断存在定性和定量的问题,非肿瘤性疾病的放射组学研究也具有重要的临床价值。要从图像中提取特征,首先应划定ROI。卷积神经网络在医学图像分割中得到了广泛的应用。nnU-Net是一个新提出的用于医学分割任务的模型,其核心设计思想是通过自适应预处理和模型训练策略,而不是人工参数调整,对各种数据集获得更可靠的分割结果。然而到目前为止,还没有相关研究将nnU- Net应用于基底池的分割。

近日,发表在European Radiology杂志的一项研究评估了nnU-Net在基底池自动分割中的应用,从nnU-Net分割的ROI中提取放射组学特征并构建了放射组学特征模型以探索TBM患者基底池的细微变化,为临床实现超早期的TBM诊断提供了技术支持。

本项回顾性研究招募了来自中国3家医院的184名TBM患者和187名非TBM对照者(训练数据集,158名TBM患者和159名非TBM对照者;测试数据集,26名TBM患者和28名非TBM对照者),使用nnU-Net对FLAIR图像中的基底池进行分割。随后,从FLAIR和T2加权(T2W)图像中分割的基底池中提取了放射组学特征,特征选择分三步进行。支持向量机(SVM)和逻辑回归(LR)分类器被应用于构建放射组学特征,以直接识别TBM患者的基底池变化。最后,通过接受者操作特征(ROC)曲线分析、校准曲线和决策曲线分析(DCA)评估了诊断性能。 

在训练和测试数据集中,分割模型的平均Dice系数分别达到0.920和0.727。带有7个基于T2WI的放射组学特征的SVM模型对基底池的变化取得了最佳的辨别能力,在训练数据集中AUC为0.796(95%CI,0.744-0.847),在测试数据集中AUC为0.751(95%CI,0.617-0.886),具有良好的校准。DCA证实了其临床实用性。 


图 基底池在轴位FLAIR图像上的ROI位置。红色表示桥前池(a)。橙色、黄色、蓝色、绿色和紫色分别表示小脑上池、硬脑膜池、环池、四叠体池和侧裂池(b)

本研究提出了一个全自动的基于深度学习的放射组学模型,可识别TBM中基底池肉眼不可见的细微变化,为TBM的超早期识别及诊断提供帮助改善其诊断。

原文出处:

Qiong Ma,Yinqiao Yi,Tiejun Liu,et al.MRI-based radiomics signature for identification of invisible basal cisterns changes in tuberculous meningitis: a preliminary multicenter study.DOI:10.1007/s00330-022-08911-3

上一篇: Nat Mach Intell:人工智能...

下一篇: 格列美脲再现神奇功效!居然能减轻tau病...


 本站广告