来源：期刊VIP网 时间：
作者：赵婉婷;李婉清;郝勇飞;乔小爱;侯国瑞;杜少华;张广文;张劲松;
单位：空军军医大学西京医院放射诊断科;
摘要：目的 探讨基于深度学习的肿瘤自动分割与影像组学在预测直肠癌区域淋巴结转移中的应用价值。材料与方法 回顾性纳入了两种磁共振设备采集的282例直肠癌患者的T2加权成像（T2-weighted imaging, T2WI）和扩散加权成像（diffusion weighted imaging, DWI）图像。分别基于3D U-Net、3D V-Net和nnU-Net v2构建深度学习自动分割模型，计算Dice相似系数（dice similarity coefficient, DSC）对其性能进行评估。影像组学特征分别从基于人工分割的感兴趣区（manual-based volume of interest, MbV）以及基于深度学习自动分割的感兴趣区（deep learning-based volume of interest, DbV；选取DSC最高的模型结果）中提取。在完成特征归一化与筛选后，使用五种机器学习算法建立影像组学模型，预测直肠癌淋巴结转移风险。最终通过计算影像组学模型曲线下面积（area under the curve, AUC）、准确率、特异度和敏感度等指标对模型性能进行全面评估。结果 在直肠癌自动分割测试集中，nnU-Net v2的DSC显著高于3D U-Net和3D V-Net(T2WI:0.886 vs. 0.548 vs. 0.616,P<0.001;DWI:0.906 vs. 0.583 vs. 0.433,P<0.001)。在淋巴结转移预测方面，采用逻辑回归算法并基于DbV的影像组学模型性能与相应基于MbV的影像组学模型性能大致相当，差异无统计学意义（T2WI:0.700 vs. 0.633,P=0.638;DWI:0.667 vs. 0.700,P=0.544;T2WI+DWI:0.800 vs. 0.833,P=0.248）。结论 基于nnU-net v2分割肿瘤区域的影像组学特征（T2WI和DWI）可以有效预测直肠癌淋巴结转移。
关键词：直肠癌;;深度学习;;影像组学;;磁共振成像;;淋巴结转移
基金资助：国家自然科学基金项目（编号：82371918）;; 西京医院临床新技术项目（编号：2024XJSY43）~~
