在T1加权MRI图像上应用图像强度归一化方法来处理脂肪瘤性软组织肿瘤

《Heliyon》:Image-intensity normalization approaches on T1-weighted MRI images for lipomatous soft tissue tumors

【字体: 大 中 小 】 时间:2025年12月14日 来源:Heliyon 3.6

编辑推荐:

  本研究提出针对T1WI图像的四类强度归一化方法(IZ、NIV、IM、IFM),通过70例软组织脂肪瘤患者的影像分析,发现IFM方法稳定特征率最高(86.0%),机器学习模型AUC达0.95(0.86-1),显著优于其他方法。该方案通过双参考组织(脂肪和肌肉)归一化,有效缓解MRI设备差异引起的图像强度变异,为放射组学特征标准化提供新思路。

  
本文聚焦于磁共振成像(MRI)图像强度归一化技术在脂质软组织肿瘤诊断中的应用研究。研究团队针对肌肉内脂肪瘤与异型脂肪瘤/分化良好的脂肪肉瘤(ALTs/WDLSs)的影像特征差异,提出了一种基于双参考组织的图像强度归一化方法,并评估了其对放射学特征稳定性和机器学习模型性能的影响。

研究采用回顾性分析,纳入2010-2020年间经病理确诊的70例肌肉内脂肪瘤及30例ALTs/WDLSs患者的MRI数据。所有病例均经过双观察者手动三维分割,提取107项放射学特征(包括14项形态学特征、18项一阶统计特征和75项纹理特征)。为解决MRI扫描参数差异导致的图像强度波动问题,研究者对比了四种归一化方法:
1. **Z-score标准化**:通过计算肿瘤区域原始灰度值的均值和标准差进行标准化;
2. **NIV法**:以脂肪组织平均灰度值作为参考进行归一化;
3. **IM法**:以肌肉组织灰度值为基准进行标准化;
4. **新提出的IFM法**:结合脂肪与肌肉组织的灰度值进行双重归一化。

研究发现,传统Z-score方法(方法1)虽然计算简单,但受脂质组织灰度分布非正态性影响,仅26.2%的特征达到稳定标准(ICC>0.75)。而采用双参考组织的IFM方法(方法4)显著提升特征稳定性,86.0%的纹理特征(如灰度共生矩阵、灰度大小区域矩阵等)满足ICC>0.75的稳定标准,较其他方法提高约40%。在机器学习模型验证中,IFM法支持的SVM模型AUC达到0.95(95%CI:0.86-1),较次优方法(AUC 0.91)提升约4%,且置信区间更窄,显示模型稳定性更强。

研究特别指出,单纯使用单一参考组织(如方法2的NIV法或方法3的IM法)在处理肌肉内脂肪瘤时存在局限性。脂肪组织的灰度值范围(约-200至-100 HU)与肌肉组织(约-50至200 HU)存在显著差异,双参考归一化能更全面地覆盖病变区域的灰度分布。例如,当肿瘤体积较大(264.2cm3)时,手动分割时间虽各方法均在7分钟内,但IFM法通过优化参考组织权重,使特征计算时间缩短12%(0.3分钟 vs 0.4分钟)。

在机器学习建模方面,研究采用Lasso回归与支持向量机(SVM)的组合策略,通过10折交叉验证优化参数。结果显示,当特征筛选仅考虑稳定特征(ICC>0.75)时,IFM法支持的模型AUC达0.95,且在分类准确率(敏感度91.3%,特异度89.5%)和召回率(93.8%)上均优于其他方法。这种提升源于归一化后纹理特征的标准化,特别是GLCM(灰度共生矩阵)和GLRLM(灰度运行长度矩阵)等描述肿瘤异质性的关键指标稳定性显著提高。

讨论部分指出,当前研究存在样本量限制(n=70)和单中心数据来源的问题,但通过95%置信区间的统计验证(如ICC值中位数与IQR),仍能证明IFM法的有效性。与既有文献对比发现,该方法在稳定特征率(86%)和模型AUC(0.95)方面均优于Sudjai等(2023)的NIV法(稳定率74.8%,AUC 0.88),接近Tang等(2022)的Z-score法(稳定率26.2%,AUC 0.95),但通过双参考机制解决了后者因数据分布偏态导致的特征不稳定问题。

研究还创新性地将观察者内/间重复性评估纳入方法学,发现IFM法在双观察者重复分割测试中ICC值达0.92(95%CI:0.86-0.98),较Z-score法(ICC 0.56)提升65%。这种高一致性特征为跨中心研究奠定了基础,特别是在不同场强(1.5T与3.0T)MRI设备间,IFM法通过肌肉组织作为辅助参考,有效抵消了扫描参数差异带来的影响。

临床意义方面,研究证实稳定放射学特征与肿瘤分子标记物(如MDM2/CDK4)存在强相关性。例如,当稳定特征率提升至86%时,模型对ALTs/WDLSs的鉴别诊断准确率提高至93.8%,提示该方法可能为术前非侵入性筛查提供新工具。未来研究可结合基因组数据(如MDM2突变状态)与影像特征,开发多模态预测模型。

局限性与改进方向包括:1)样本量限制(n=70)可能影响模型泛化能力,建议后续开展多中心研究;2)仅使用T1WI序列,需补充T2WI及动态增强MRI的验证;3)手动分割耗时(约7分钟/例),未来可通过深度学习自动分割技术优化流程。

该研究为医学影像标准化处理提供了新思路,其双参考归一化方法不仅解决了传统单参考法的偏态问题,还通过稳定特征筛选机制提升了模型的可解释性。这些创新点为开发通用型影像分析框架奠定了理论基础,尤其在肌肉内脂肪瘤这类异质性较高的肿瘤诊断中具有重要临床价值。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号