《表2 通过特征筛选获得的6个影像组学特征的统计分析》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于MRI影像组学模型预测宫颈淋巴血管间隙浸润的研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

x±s

为构建预测模型，本研究分别对两个MRI序列的ROI提取特征，然后进行三步特征选择方法筛选出最优特征子集。特征筛选第二步在使用五折交叉验证的LASSO算法，计算其交叉验证损失时，测量方法选择了只用于二分类logistic回归的AUC，而没有用均方误差。图2A第一条虚线处表明AUC最大值，第二条虚线是AUC最大值的一倍标准差的位置。本研究选择在AUC最大值的一倍标准差的情况下，得到特征数量更少的特征子集用于构建分类器。最终筛选出的6个诊断力较强的特征有2个来自于T1CE序列影像学特征，均属于小波特征，有4个来自于T2WI序列影像学特征，其中有3个属于小波特征，另外1个属于Lo G特征。我们的研究结果或许可以解释影像科医师无法利用MRI影像对宫颈癌LVSI进行判断的原因，是由于这些诊断力强的影像学特征标志信息均存在于时域之外的高维度空间，人类是难以对其洞察和理解的。T1CE序列的wavelet＿HHH＿glszm＿Size Zone Non Uniformity特征测量整个ROI体积的变异性，较高的值表示异质性更高。T1CE序列的特征wavelet＿LLH＿firstorder＿Kurtosis，峰度表示ROI的像素值分布的峰值高低，描述ROI像素值分布的陡缓程度。峰度越高，像素值的分布越集中在尾部而不是接近均值的峰值处，其方差越大，异质性程度越高。由表2可知，相比于LVSI组，非LVSI组患者的T1CE序列的两个特征的平均值都较低，且差异有统计学意义。可能由于非LVSI组患者的宫颈肿瘤异质性较低，所以，发生LVSI的概率也相应较低。Lo G特征中的σ值定义了计算机模型所关注的影像中的纹理粗糙度，由于我们从T2WI序列中获得的Lo G特征的σ值较小（1），表明模型更关注于影像中的精细纹理（短距离变化）。