Classification of Low-grade and High-grade Glioma using Multi-modal Image Radiomics Features

使用多模态影像组学特征对高评级和低评级胶质瘤进行分类

---

摘要

  胶质瘤是一种起源于神经胶质细胞的原发性肿瘤。根据世界卫生组织的恶性肿瘤分集体系，肿瘤可分为不同的组织病理学分级。本文提出一种利用影像组学预测胶质瘤分级的方法。采用了MICCAI肿瘤分割挑战赛中的分割标注和数据集。基于直方图、形状和灰度共生矩阵从每幅FLAIR、T1、T1-Contrast和T2中提取45个影像组学特征量化胶质瘤的性质。通过L1范数正则化（LASSO）在180个特征中选取了显著特征。基于 LASSO系数和所选特征，计算LASSO评分，通过logistic回归将胶质瘤分为低级别（LGG）和高级别（HGG）。分类结果通过10折交叉验证进行验证。我们的方法的精确度为0.8981，灵敏度为0.8889， 特异性为0.9074，曲线下面积AUC=0.887。

---

方法

1. 数据集
     MICCA BRATs 2015训练数据集由220例HGG和54例LGG图像组成。所有图像已经对齐到相同的公共空间，并插值到1x1x1mm体素分辨率。在本研究中，为了排除偏差，我们仅使用54例HGG（随机选取）和54例LGG图像。我们使用了联合分割的ground truth，所有图像标注都是基于BRATs数据集描述。
2. 特征提取
     这项工作使用了三种类型的放射学特征。为了量化胶质瘤的强度分布特性，基于直方图提取了19个特征。使用10个形状描述符来描述使用3D ROI量化与形状相关的特征。为了测量叫胶质瘤的纹理特性，我们计算了灰度共生矩阵，从其中提取16个纹理特征，沿26个方向计算灰度共生矩阵，取其平均值。直方图和GLCM的例子如图1所示，采用的特征的详细信息如表1所示，所有的特征都是使用[2]中描述的公式计算的。