目的 肝包虫病的 CT 影像映射了不同亚型包虫病的病理学的差异性,本研究获取了可以 印证包虫病病理学改变的关键的影像组学特征,结合人工神经网络( artificial neural network,ANN)对肝 包虫病和正常肝脏进行分型,为肝包虫病的诊断、分型提供支持。 方法 提取基于灰度直方图、灰度共生 矩阵、灰度-梯度共生矩阵等 36 维特征值,构建肝包虫图像特征集;选取曲线下面积( area under curve, AUC) >0?? 72 以获取反映图像特征变化的关键影像组学特征,并绘制特征分布曲线;构建 BP 神经网络模 型并采用参数评估、受试者工作特征( receiver operating characteristic,ROC)曲线对模型进行定量评价。 结果 AUC 特征分布:正常肝脏的特征曲线分布均匀,各特征峰值明显低于肝包虫病影像;单囊型特征分 布曲线均显现出双峰分布,包虫病灶区域与正常组织形成明显灰度纹理差异性;多囊型特征分布集中且 峰值紧凑,灰度级和纹理分布更密集、更复杂,与 CT 影像中“囊内囊”表现相印证。 BP 神经网络分型: 多囊型、单囊型和正常肝脏影像的训练、验证、测试、全部样本分类准确率均达到 90%以上。 结论 BP 神 经网络模型对肝包虫病与正常肝脏 CT 图像灰度纹理特征差异具有较好的感知判别效果,为肝包虫疾 病的早期发现、确诊、治疗提供科学依据
|