检索历史 清除

摘要目的：<br>　　本研究旨在建立基于生成对抗网络（Generative Adversarial Nets， GAN）利用患者术前 18F-氟代脱氧葡萄糖（FDG）正电子发射断层(Positron Emission Tomography，PET)和 电 子 计 算 机 断 层 扫 描(Computed Tomography，CT)建立 PET/CT 影像跨模态生成模型，将CT转化PET，同时利用深度学习融合技术提取放射组学特征和代谢特征构建肺结节分型预测模型，评估其诊断性能，并探讨了未来该模型应用于肺结节分型的可行性及临床价值。<br>　　方法：<br>　　回顾性收集广东省人民医院 642 例经组织理学诊为良性结节，非典型腺瘤样增生(Atypical Adenomatous Hyperplasia, AAH)，原位腺癌（Adenocarcinoma In Situ, AIS）、微小浸润性肺腺癌（Minimally invasive adenocarcinoma， MIA），浸润性肺腺癌（IAC invasive adenocarcinoma）的 PET/CT 和胸部 CT 图像，其中队列 A 为术前接受PET/CT检查的患者共214例，队列B为术前接受胸部CT平扫的患者共428例。本研究首先在队列A中基于GAN构建CT转化PET数据转化模型（CT-to-PET，CPT模型），实现CT到 PET的转化和病灶 SUVmax 预测，采用结构相似性(Structural Similarity，SSIM)和均方根误差(Root Mean Square Error，RMSE)评估模型图像转化效能， Bland-Altman图和相关性图评估 SUVmax预测效能。其次队列A由2 名经验丰富的胸外科医生应用图像分析处理软件 3D Slicer (Version4.10.2)标注并裁剪肺结节轮廓图，分割并标记 ROI (Region of Interest).队列 B通过切片感知网络(Slice-Aware Network，SANet)的肺结节检测及自动肺结节区域分割模型，实现肺结节自动分割，分割结果由两位高年资胸外科医生确认。最后本研究以术后石蜡病理为金标准，根据其病理侵袭性水平将术前影像图像分为3类：1级（良性结节, AAH, AIS ）; 2级（MIA，低级别浸润性肺腺癌IAC 1）; 3级（中级别浸润性肺腺癌 IAC 2，高级别浸润性肺腺癌 IAC 3），基于三维卷积神经网络（3D-CNN）建立多模态融合学习模型，并对其进行验证。最后通过绘制受试者工作特征曲线（Receiver Operating Characteristic Curve，ROC 曲线）、计算曲线下面积（Area Under the Curve，AUC）、敏感度、特异度、准确度，F1 分数评估该模型对肺结节分型的预测效能。<br>　　结果：<br>　　1. 本研究基于GAN构建CT到PET的转化CPT模型，用于生成转化 PET图像和预测病灶 SUVmax。结果显示模型效能良好，模型图像转化效能相似度较高（RMSE = 0.015 ，p＜0.01，SSIM = 0.956 ， p＜0.01），SUVmax 预测精确，和真实 SUVmax 具有强相关性（r=0.79，p＜0.01）。<br>　　2．本研究基于SANet构建肺结节检测及自动分割模型，用于肺结节检测分割，准确率较高，在队列 A 中前十五个候选结节识别出目标结节的准确率为 67%，队列 B中前十五个候选结节识别出目标结节的准确率为100%。<br>　　3.本研究基于PET/CT影像跨模态融合学习构建肺结节分型预测模型，预测性能能优越，其中基于 CT 和转化 PET 的肺结节分型模型实现了最佳性能。（AUC、准确性、灵敏度、特异性和 F1 分数分别为0.941、0.837、0.837、0.288和0.781。）<br>　　结论：<br>　　本项目构建的 CPT模型可以实现 CT影像跨模态转化为 PET，结合融合学习技术较为准确地实现对肺结节分型预测，该模型具有辅助手术医师在术前进行肺结节分型预测的潜力，为肺结节管理及手术方式选择提供术前决策，后续可进一步完善研究，探索其临床价值。