换一批基于深度学习超分辨率MRI影像组学整合瘤周特征的脑膜瘤骨侵犯术前预测模型
Development of a deep learning-based super-resolution MRI radiomics model integrating peritumoral features for preoperative prediction of bone invasion in meningioma
摘要目的:构建并验证一种整合瘤内与瘤周特征的超分辨率(SR)影像组学模型,用于术前预测脑膜瘤骨侵犯风险.方法:回顾性收集中心1(温州医科大学附属第一医院)和中心2(温州医科大学附属第二医院育英儿童医院)1 072例经病理证实的脑膜瘤患者,获取临床资料及增强T1加权(CE-T1)MRI影像.中心1病例按8∶2比例随机分为训练集和内部验证集;中心2病例作为外部验证集.利用基于生成对抗网络(GAN)的SR算法对CE-T1图像进行重建,生成SR-CE-T1图像.随后,在原始CE-T1及SR-CE-T1图像上分别分割瘤内及2、4、6 mm瘤周区域,共形成7组感兴趣区,并提取影像组学特征.特征经筛选后,分别采用逻辑回归(LR)、K近邻和极端随机树算法构建预测模型.通过ROC曲线及AUC、决策曲线分析(DCA)以及Bootstrap重采样,评估模型性能及临床应用价值.结果:单因素分析显示仅WHO分级(P=0.004)和血清总蛋白(P=0.049)与骨侵犯具有显著相关性.最佳模型为融合瘤内及 2 mm 瘤周特征的 SR_LR 模型(s_IntraPeri2mm_LR),在外部验证集AUC为0.891,DCA亦显示其具有最高的临床净收益.结论:基于SR重建并整合瘤内及2 mm瘤周特征的LR影像组学模型可显著提升脑膜瘤骨侵犯的术前预测效能,为临床精准诊疗提供可靠的无创工具.
更多相关知识
关键词
脑膜瘤骨侵犯超分辨率重建深度学习影像组学瘤周特征磁共振成像meningiomabone invasionsuper-resolution reconstructiondeep learningradiomicsperitumoral featuresmagnetic resonance imaging
分类号
R445.2（诊断学）
栏目名称
DOI
10.3969/j.issn.2095-9400.2026.05.003
发布时间
2026-06-01（万方平台首次上网日期，不代表论文的发表时间）
基金项目
浙江省尖兵领雁研发攻关计划（2023C03084）
国家自然科学基金（82572173）
- 浏览2
- 被引0
- 下载2
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
