基于影像組學(xué)與集成學(xué)習(xí)的腦膠質(zhì)瘤分級(jí)預(yù)測(cè)

戴 宏, 符冉迪, 金 煒

基于影像組學(xué)與集成學(xué)習(xí)的腦膠質(zhì)瘤分級(jí)預(yù)測(cè)

戴 宏, 符冉迪*, 金 煒

（寧波大學(xué) 信息科學(xué)與工程學(xué)院, 浙江 寧波 315211）

腦膠質(zhì)瘤的術(shù)前分級(jí)對(duì)治療決策和預(yù)后評(píng)估至關(guān)重要. 為了提高分級(jí)精度, 提出了一種基于影像組學(xué)和集成學(xué)習(xí)的無(wú)創(chuàng)膠質(zhì)瘤術(shù)前分級(jí)方法. 首先, 從不同序列的感興趣區(qū)域提取428個(gè)影像組學(xué)特征, 采用遞歸特征消除算法進(jìn)行特征選擇, 采用6種不同的機(jī)器學(xué)習(xí)算法對(duì)腦膠質(zhì)瘤進(jìn)行分級(jí), 并對(duì)各自的性能進(jìn)行評(píng)估; 然后, 根據(jù)評(píng)估結(jié)果, 選取邏輯回歸、決策樹(shù)和多層感知機(jī)3種分類器作為腦膠質(zhì)瘤分級(jí)預(yù)測(cè)的機(jī)器學(xué)習(xí)算法; 最后, 將3種分類器的輸出采用投票方式進(jìn)行集成, 并評(píng)估硬投票機(jī)制與軟投票機(jī)制的性能. 實(shí)驗(yàn)結(jié)果表明, 對(duì)于數(shù)據(jù)集BraTS2019, 基于硬投票機(jī)制的集成學(xué)習(xí)算法的性能較好, 受試者工作特性曲線下面積為0.933±0.031, 準(zhǔn)確度為0.886±0.048, 敏感度為0.872±0.077, 特異度為0.905±0.105. 該方法不僅能增加膠質(zhì)瘤分級(jí)模型的可解釋性, 而且可以提高分級(jí)精度.

腦膠質(zhì)瘤分級(jí); 影像組學(xué); 遞歸特征消除; 集成學(xué)習(xí)

腦膠質(zhì)瘤是人體腦部最為常見(jiàn)的一種惡性腫瘤, 約占中樞神經(jīng)系統(tǒng)原發(fā)性腫瘤及其他腫瘤的24.7%, 占惡性腫瘤的74.6%[1]. 世界衛(wèi)生組織將腦膠質(zhì)瘤分為WHO-Ⅰ級(jí)至WHO-Ⅳ級(jí), 其中WHO-Ⅰ級(jí)、WHO-Ⅱ級(jí)被稱為低級(jí)別膠質(zhì)瘤(Low Grade Glioma, LGG), WHO-Ⅲ級(jí)、WHO-Ⅳ級(jí)被稱為高級(jí)別膠質(zhì)瘤(High Grade Glioma, HGG)[2]. LGG生長(zhǎng)速度較慢, 在進(jìn)行手術(shù)切除后通?？梢灾斡? HGG生長(zhǎng)迅速、侵襲性高、預(yù)后差, 患者在進(jìn)行手術(shù)切除后仍有很高的病死率, 術(shù)后需要進(jìn)行輔助化療和放療. 因此, 準(zhǔn)確分級(jí)預(yù)測(cè)腦膠質(zhì)瘤, 將有助于提供精確的治療方案, 優(yōu)化患者的預(yù)后[3].

在腦膠質(zhì)瘤分級(jí)預(yù)測(cè)研究中, 通常采用影像組學(xué)與機(jī)器學(xué)習(xí)方法[4]. 文獻(xiàn)[5]采用不同磁共振圖像(Magnetic Resonance Imaging, MRI)、不同機(jī)器學(xué)習(xí)模型來(lái)建立腦膠質(zhì)瘤術(shù)前分級(jí)的影像組學(xué)模型, 比較分析了2種序列的MRI圖像在3種機(jī)器學(xué)習(xí)方法下的分級(jí)性能. 文獻(xiàn)[6]通過(guò)提取小波特征作為影像組學(xué)特征, 利用偏最小二乘法(Partial Least Squares, PLS)進(jìn)行降維, 有效提高了腦膠質(zhì)瘤的分級(jí)性能. 但這些研究中分級(jí)預(yù)測(cè)模型均采用單一序列的MRI圖像及單一的機(jī)器學(xué)習(xí)方法, 泛化性能不高, 導(dǎo)致膠質(zhì)瘤的分級(jí)性能難以進(jìn)一步提高.

本研究將集成學(xué)習(xí)思想引入腦膠質(zhì)瘤術(shù)前的分級(jí)預(yù)測(cè)中, 通過(guò)提取多個(gè)序列下腦膠質(zhì)瘤MRI圖像的影像組學(xué)特征, 采用遞歸特征消除(Recursive Feature Elimination, RFE)算法對(duì)多序列影像組學(xué)特征進(jìn)行篩選, 選擇6種機(jī)器學(xué)習(xí)算法進(jìn)行訓(xùn)練和評(píng)估, 最后構(gòu)建邏輯回歸(Logistic Regression, LR)、多層感知機(jī)(Multilayer Perceptron, MLP)和決策樹(shù)(Decision Trees, DT)3種分級(jí)預(yù)測(cè)算法的集成學(xué)習(xí)模型對(duì)腦膠質(zhì)瘤術(shù)前進(jìn)行分級(jí)預(yù)測(cè), 以期提高腦膠質(zhì)瘤的分級(jí)精度.

1 材料與方法

膠質(zhì)瘤的分級(jí)主要包含: 圖像預(yù)處理、特征提取、特征選擇、模型訓(xùn)練和測(cè)試4個(gè)步驟(圖1).

GLDM為灰度相關(guān)矩陣; GLCM為灰度共生矩陣; GLSZM為灰度區(qū)域大小矩陣; GLRLM為灰度游程矩陣; RFE為遞歸特征消除算法; LR為邏輯回歸; MLP為多層感知機(jī); DT為決策樹(shù); SVM為支持向量機(jī); NB為樸素貝葉斯; KNN為K近鄰; AUC為受試者工作特性曲線下面積; ROC為受試者工作特性.

1.1 數(shù)據(jù)集

本研究的影像數(shù)據(jù)均來(lái)自MICCAI網(wǎng)站(http:// www.braintumorsegmentation.org)上BraTS2019數(shù)據(jù)集[7], 該數(shù)據(jù)集包含有334例病例, 其中高級(jí)別腦膠質(zhì)瘤259例, 低級(jí)別腦膠質(zhì)瘤75例. 每位患者均接受了4種MRI序列掃描, 即T1(T1 Weighted)、T1ce (T1 Weighted with Contrast Enhanced)、T2(T2 Weighted)和Flair(Fluid-Attenuated Inversion Recovery)序列, 4個(gè)序列的原始圖像和感興趣區(qū)域(Region of Interest, ROI)的圖像顯示如圖2所示.

圖2 4個(gè)序列的原始圖像及疊加ROI圖像

將所有數(shù)據(jù)集內(nèi)的膠質(zhì)瘤圖像去除顱骨, 然后進(jìn)行圖像配準(zhǔn), 并以1mm3的分辨率進(jìn)行插值, 以確保4個(gè)序列下的圖像能?chē)?yán)格匹配[8-9]. ROI由經(jīng)驗(yàn)豐富的神經(jīng)影像科醫(yī)生手工分割而成, 包括壞死和非增強(qiáng)腫瘤核心(Necrosis and Non-enhancing Tumor, NCR/NET)、瘤周水腫(Peritumoral Edema, ED)、Gd增強(qiáng)的腫瘤部分(Gadolinium-enhancing Tumor, ET). 不同MRI序列對(duì)腦膠質(zhì)瘤的表達(dá)能力有所區(qū)別. 在T2和Flair序列上, 壞死區(qū)和非增強(qiáng)腫瘤核心區(qū)域有高信號(hào); 在T1ce序列, 利用一個(gè)閾值可以分割得到Gd增強(qiáng)的腫瘤部分; 瘤周水腫區(qū)域在T2序列能得到很好的檢測(cè), 并在Flair序列下將其與血液部位進(jìn)行區(qū)分.

1.2 影像組學(xué)特征提取

在不同MRI序列下, 高級(jí)別腦膠質(zhì)瘤與低級(jí)別腦膠質(zhì)瘤的影像學(xué)表現(xiàn)存在差異. 高級(jí)別腦膠質(zhì)瘤的MRI信號(hào)明顯不均勻, 呈混雜T1/T2信號(hào)影, 周邊可見(jiàn)明顯的指狀水腫影, 增強(qiáng)掃描呈花環(huán)狀及結(jié)節(jié)樣異常強(qiáng)化影; 低級(jí)別腦膠質(zhì)瘤的MRI信號(hào)相對(duì)均勻, 表現(xiàn)為長(zhǎng)T1、長(zhǎng)T2和Flair高信號(hào), 一般無(wú)強(qiáng)化[10]. 通過(guò)多個(gè)MRI序列的影像組學(xué)特征進(jìn)行腦膠質(zhì)瘤分級(jí)的準(zhǔn)確度高于單序列[11], 因此本研究提取了T1、T1ce、T2和Flair這4個(gè)序列下ROI的影像組學(xué)特征. 所有影像組學(xué)特征的提取均采用Python 3.7平臺(tái)下的Pyradiomics插件進(jìn)行, 每個(gè)序列分別提取107個(gè)影像組學(xué)特征, 其中形狀特征14個(gè)、一階特征18個(gè)、灰度共生矩陣特征24個(gè)、灰度相關(guān)矩陣特征14個(gè)、灰度游程矩陣特征16個(gè)、灰度區(qū)域大小矩陣特征16個(gè)、相鄰灰度差分矩陣特征5個(gè), 4個(gè)序列共提取了428個(gè)影像組學(xué)特征.

1.3 特征選擇

為了消除特征間數(shù)值差異過(guò)大所造成的影響, 首先對(duì)數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理. 計(jì)算公式為:

由于訓(xùn)練的樣本有限, 過(guò)多冗余和無(wú)關(guān)的特征會(huì)導(dǎo)致過(guò)擬合, 同時(shí)也降低了模型的可解釋性, 增加模型的訓(xùn)練時(shí)間. 為了降低過(guò)擬合, 增加模型的可解釋性, 本研究利用RFE算法進(jìn)行特征選擇. RFE是一種尋找最優(yōu)特征集的貪心算法, 主要通過(guò)多輪訓(xùn)練來(lái)搭建模型, 每輪訓(xùn)練結(jié)束后, 消除對(duì)模型訓(xùn)練結(jié)果影響小的若干特征, 再基于新的特征集進(jìn)行篩選, 其代價(jià)函數(shù)為:

1.4 分類模型

對(duì)邏輯回歸、支持向量機(jī)(Support Vector Machines, SVM)、多層感知機(jī)網(wǎng)絡(luò)、隨機(jī)決策樹(shù)、近鄰((-nearest Neighbors, KNN)分類器和樸素貝葉斯(Naive Bayes, NB)分類器這6種常用的機(jī)器學(xué)習(xí)方法在膠質(zhì)瘤分級(jí)中的性能進(jìn)行比較. 將篩選后的數(shù)據(jù)集輸入不同的分類器中, 根據(jù)評(píng)估標(biāo)準(zhǔn)選出性能最好的3種分類器. 不同分類器對(duì)同一特征的敏感性不同, 充分考慮3種分類器的分類結(jié)果能夠更客觀、更穩(wěn)定地反映特征性能.

基于選出的3種分類器, 提出一種基于投票機(jī)制的集成方法, 流程如圖3所示. 同時(shí)對(duì)2種不同的投票機(jī)制進(jìn)行評(píng)價(jià): 硬投票(基于多數(shù)票的投票)和軟投票(基于平均概率的投票). 將3種最佳分類器的分類結(jié)果提供給集成分類方法, 進(jìn)而得到最終的分類結(jié)果.

1.4.1 機(jī)器學(xué)習(xí)方法

邏輯回歸[12]是常用的二元分類模型, 該模型通過(guò)假設(shè)輸出的因變量服從伯努利分布, 輸入自變量與輸出因變量之間存在線性關(guān)系. 利用Sigmoid函數(shù)處理非線性數(shù)據(jù), 從而解決二分類問(wèn)題.

支持向量機(jī)在醫(yī)學(xué)分類上應(yīng)用廣泛. 該模型通過(guò)求解一個(gè)二次優(yōu)化問(wèn)題來(lái)建立數(shù)據(jù)集之間的最優(yōu)分類邊界, 因此也被稱為大間距分類器[13]. 當(dāng)使用不同的核函數(shù)時(shí), 支持向量機(jī)會(huì)表現(xiàn)出不同的分類性能.

多層感知機(jī)是一種包含多個(gè)感知器的人工神經(jīng)網(wǎng)絡(luò)[14], 該模型主要分為3層(輸入層、隱藏層和輸出層), 其中隱藏層的數(shù)目決定了網(wǎng)絡(luò)的復(fù)雜程度. 多層感知機(jī)通常應(yīng)用于有監(jiān)督學(xué)習(xí)算法中, 根據(jù)輸入輸出變量之間的相關(guān)性來(lái)學(xué)習(xí)模型.

隨機(jī)決策樹(shù)是一種流行的有監(jiān)督算法[15], 該算法根據(jù)最大化數(shù)據(jù)分離的標(biāo)準(zhǔn)反復(fù)分割數(shù)據(jù)集, 從而形成樹(shù)狀結(jié)構(gòu). 最常用的標(biāo)準(zhǔn)是信息增益, 通過(guò)識(shí)別并選擇有助于分類的重要屬性, 最終達(dá)到分類的目的.

近鄰不同于其他分類算法, 該算法直接使用數(shù)據(jù)進(jìn)行分類.近鄰中唯一可調(diào)整的參數(shù)是, 在訓(xùn)練集中找到一組最接近測(cè)試樣本的個(gè)對(duì)象, 并基于該領(lǐng)域中特定類的流行程度來(lái)分配標(biāo)簽. 為了獲得更好的性能, 需要選擇合適的值來(lái)訓(xùn)練模型.

圖3 基于多數(shù)投票機(jī)制的集成方法在腦膠質(zhì)瘤分級(jí)中應(yīng)用流程

樸素貝葉斯是基于貝葉斯定理和最大后驗(yàn)假設(shè)的分類模型. 該模型假設(shè)一個(gè)屬性對(duì)一個(gè)給定類的影響?yīng)毩⒂谄渌麑傩? 被稱為“條件獨(dú)立”. 通過(guò)將最大概率分配給正確的類別, 從而達(dá)到分類的效果, 同時(shí)不需要準(zhǔn)確的概率估計(jì).

1.4.2 投票機(jī)制

1.5 模型評(píng)估

采用五折交叉驗(yàn)證的方法進(jìn)行模型訓(xùn)練和測(cè)試. 根據(jù)真陽(yáng)性(True Positive, TP)、真陰性(True Negative, TN)、假陽(yáng)性(False Positive, FP)、假陰性(False Negative, FN)計(jì)算敏感度、特異度以及準(zhǔn) 確度, 繪制受試者工作特性(Receiver Operating Characteristic, ROC)曲線, 并計(jì)算受試者工作特性曲線下面積(Area Under the Receiver Operating Characteristic Curve, AUC), 對(duì)不同分類器模型進(jìn)行評(píng)估, 其計(jì)算公式分別為:

2 實(shí)驗(yàn)結(jié)果

本研究所有方法都在Python3.7(https://www. python.org)、R3.6.0(http://www.Rproject.org)上實(shí)現(xiàn). 采用Python軟件提取和篩選影像組學(xué)特征, 并建立分類模型; 采用R軟件進(jìn)行統(tǒng)計(jì)分析. 所有實(shí)驗(yàn)都在Windows10操作系統(tǒng)下進(jìn)行(CPU為Intel Core i7-8700@3.20GHz, GPU為NVIDIA GeForce RTX 2080Ti, 內(nèi)存為16GB).

2.1 特征選擇

利用遞歸特征消除算法, 從428個(gè)影像組學(xué)特征中提取15個(gè)特征, 其中包含一階特征6個(gè)、灰度相關(guān)矩陣1個(gè)、灰度區(qū)域大小矩陣6個(gè)、灰度共生矩陣2個(gè), 具體提取特征見(jiàn)表1.

表1 RFE算法所選擇的特征

表2 各種機(jī)器學(xué)習(xí)算法的分級(jí)性能

2.2 性能比較

將篩選后的最優(yōu)數(shù)據(jù)集輸入各種分類器中, 并利用五折交叉驗(yàn)證的方法進(jìn)行模型訓(xùn)練和評(píng)估. 6種分類器的平均分級(jí)性能見(jiàn)表2.

從表2可以看出, MLP有著最高的分級(jí)性能, 其AUC為0.894±0.008, 精確度為0.898±0.016, 敏感度為0.852±0.097, 特異度為0.960±0.094. DT和LR的分級(jí)性能也較好, 其中DT的AUC為0.882± 0.035; 而LR的AUC為0.873±0.045. 相比之下, KNN、NB以及SVM這3種分類器的分級(jí)性能相對(duì)較低, AUC分別為0.863±0.015、0.860±0.047和0.858±0.023.

對(duì)各種分類器結(jié)果進(jìn)行分析, 根據(jù)AUC選出3種最佳分類器, 即邏輯回歸、多層感知機(jī)以及決策樹(shù), 將這3種分類器的輸出結(jié)果傳遞給不同的投票機(jī)制來(lái)預(yù)測(cè)最終的輸出(圖4). 圖4分別給出了邏輯回歸、多層感知機(jī)和決策樹(shù)在五折交叉驗(yàn)證下的ROC曲線.

表3為集成學(xué)習(xí)中基于2種投票機(jī)制的結(jié)果. 從表3可知, 通過(guò)對(duì)3種分類器進(jìn)行集成學(xué)習(xí), 膠質(zhì)瘤的分級(jí)性能得到了明顯提高.其中, 硬投票中基于多數(shù)的投票機(jī)制相比于其他投票機(jī)制有更好的分級(jí)性能.

圖中灰度區(qū)域?yàn)榕c平均ROC距離一個(gè)標(biāo)準(zhǔn)差的范圍.

表3中的性能評(píng)估都是五折交叉驗(yàn)證后的結(jié)果, 基于硬投票的集成學(xué)習(xí)方法有著最高的分級(jí)性能: AUC為0.933±0.031, 精確度為0.886±0.048,敏感度為0.872±0.077, 特異度為0.905±0.105. ROC曲線如圖5所示.

表3 2種投票機(jī)制的分級(jí)性能

圖中灰度區(qū)域?yàn)榕c平均ROC距離一個(gè)標(biāo)準(zhǔn)差的范圍.

將本文研究方法與其他優(yōu)秀預(yù)測(cè)方法進(jìn)行對(duì)比, 文獻(xiàn)[16]建立了4個(gè)放射學(xué)特征數(shù)據(jù)集, 并采用最大熵判別決策樹(shù)模型來(lái)完成對(duì)腦膠質(zhì)瘤的分級(jí). 該方法在BraTS2017數(shù)據(jù)集上進(jìn)行了驗(yàn)證, 其AUC為0.818, 敏感度為0.878, 特異度為0.814. 文獻(xiàn)[17]提出了一個(gè)帶有門(mén)控、多模態(tài)單元融合的三維卷積神經(jīng)網(wǎng)絡(luò)(3-Dimensional Convolutional Neural Network, 3DCNN)模型, 以融合多模態(tài)信息和決策信息, 并在BraTS2015數(shù)據(jù)集上進(jìn)行了模型的驗(yàn)證.本文提出的方法與文獻(xiàn)[16-17]提出的方法的分類性能比較結(jié)果見(jiàn)表4.

表4 本文方法與其他文獻(xiàn)方法性能比較

注: “-”表示文獻(xiàn)中未提及.

從表4可知, 本文所提出的腦膠質(zhì)瘤分級(jí)預(yù)測(cè)方法的性能優(yōu)于文獻(xiàn)[16]和文獻(xiàn)[17]中提出的分級(jí)方法.

3 結(jié)語(yǔ)

本文提出了一種新的基于影像組學(xué)與集成學(xué)習(xí)的腦膠質(zhì)瘤分級(jí)方法, 通過(guò)提取4個(gè)不同序列的膠質(zhì)瘤MRI圖像的影像組學(xué)特征, 利用RFE進(jìn)行特征選擇, 并利用邏輯回歸、支持向量機(jī)、多層感知機(jī)、決策樹(shù)、樸素貝葉斯、近鄰分類器進(jìn)行膠質(zhì)瘤分級(jí). 評(píng)估這6種分類器的不同性能指標(biāo), 即AUC、準(zhǔn)確度、敏感度和特異度. 然后選出AUC評(píng)分最高的3種分類器, 提出一種基于投票機(jī)制的集成方法, 并評(píng)估了硬投票機(jī)制與軟投票機(jī)制的性能. 研究結(jié)果表明, 本文提出的基于多數(shù)投票機(jī)制的集成學(xué)習(xí)方法有著較高的分級(jí)性能, 其結(jié)果優(yōu)于其他投票機(jī)制的集成方法, 并遠(yuǎn)遠(yuǎn)高于單種分類器的分級(jí)性能.

[1] Ostrom Q, Cioffi G, Gittleman H, et al. CBTRUS statistical report: Primary brain and other central nervous system tumors diagnosed in the United States in 2012-2016[J]. Neuro-Oncology, 2019, 21(S5):v1-v100.

[2] Wesseling P, Capper D. WHO 2016 classification of gliomas[J]. Neuropathology and Applied Neurobiology, 2018, 44(2):139-150.

[3] Zacharaki E I, Wang S M, Chawla S, et al. Classification of brain tumor type and grade using MRI texture and shape in a machine learning scheme[J]. Magnetic Resonance in Medicine, 2009, 62(6):1609-1618.

[4] 韓文靜, 胡貴祥, 胡玲靜. 影像組學(xué)在腦膠質(zhì)瘤中的研究進(jìn)展[J]. 國(guó)際醫(yī)學(xué)放射學(xué)雜志, 2020, 43(2):183-187.

[5] 穆建華, 張雁偉, 吳志鋼. 基于常規(guī)MRI圖像的不同影像組學(xué)模型在腦膠質(zhì)瘤術(shù)前分級(jí)中的應(yīng)用[J]. 磁共振成像, 2020, 11(1):55-59.

[6] Chen Q J, Wang L H, Wang L, et al. Glioma grade prediction using wavelet scattering-based radiomics[J]. IEEE Access, 2020, 8:106564-106575.

[7] Menze B H, Jakab A, Bauer S, et al. The multimodal brain tumor image segmentation benchmark (BRATS)[J]. IEEE Transactions on Medical Imaging, 2015, 34(10): 1993-2024.

[8] Bakas S, Akbari H, Sotiras A, et al. Advancing the cancer genome atlas glioma MRI collections with expert segmentation labels and radiomic features[J]. Scientific Data, 2017, 4:170117.

[9] Clark K, Vendt B, Smith K, et al. The cancer imaging archive (TCIA): Maintaining and operating a public information repository[J]. Journal of Digital Imaging, 2013, 26(6):1045-1057.

[10] 國(guó)家衛(wèi)生健康委員會(huì)醫(yī)政醫(yī)管局. 腦膠質(zhì)瘤診療規(guī)范(2018年版)[J]. 中華神經(jīng)外科雜志, 2019, 35(3):217- 239.

[11] Qin J B, Liu Z Y, Zhang H, et al. Grading of gliomas by using radiomic features on multiple magnetic resonance imaging (MRI) sequences[J]. Medical Science Monitor, 2017, 23:2168-2178.

[12] Landwehr N, Hall M, Frank E. Logistic model trees[J]. Machine Learning, 2005, 59(1/2):161-205.

[13] Nello C. An Introduction to Support Vector Machines and Other Kernel-based Learning Methods[M]. Cambridge: Cambridge University Press, 2000.

[14] Pal S K, Mitra S. Multilayer perceptron, fuzzy sets, and classification[J]. IEEE Transactions on Neural Networks, 1992, 3(5):683-697.

[15] Leo B. Classification and Regression Trees[M]. Belmont, CA: Wadsworth Publishing Company, 1984.

[16] Wu Y P, Hao H H, Li J, et al. Four-sequence maximum entropy discrimination algorithm for glioma grading[J]. IEEE Access, 2019, 7:52246-52256.

[17] Ye F Y, Pu J, Wang J, et al. Glioma grading based on 3D multimodal convolutional neural network and privileged learning[C]//2017 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), Kansas City, MO, USA, 2017:759-763.

Glioma grading prediction based on radiomics and ensemble learning

DAI Hong, FU Randi*, JIN Wei

( Faculty of Electrical Engineering and Computer Science, Ningbo University, Ningbo 315211, China )

Glioma grading before surgery is very critical for the treatment planning and prognosis. In order to improve the grading accuracy, a non-invasive method for predicting the glioma grades based on radiomics and ensemble learning is proposed. First, 428 radiomics features are obtained from the region of interest (ROI) with different sequences. Feature selection is executed using Recursive Feature Elimination (RFE) algorithm, and 6 different machine learning algorithms are used to predict the glioma grade. Then, according to the evaluation results, three best classifiers, that is, Logistic Regression (LR), Decision Tree (DT) and Multilayer Perceptron (MLP), are selected as the machine learning algorithm for Glioma grading. Finally, these three classifiers are used for ensemble classification with a voting mechanism. The performance of hard and soft voting mechanism is also evaluated. Experimental results show that on the dataset BraTS2019, the hard voting mechanism based ensemble learning algorithm achieved the best performance, with the AUC value of 0.933±0.031, the accuracy of 0.886±0.048, the sensitivity of 0.872±0.077, and the specificity of 0.905±0.105. The presented work not only increases the interpretability of glioma grading model, but also ameliorates the grading accuracy.

glioma grading; radiomics; recursive feature elimination; ensemble learning

TP391

A

1001-5132（2021）04-0028-07

2020?10?10.

寧波大學(xué)學(xué)報(bào)（理工版）網(wǎng)址: http://journallg.nbu.edu.cn/

浙江省自然科學(xué)基金（LY20H180003）;寧波市自然科學(xué)基金（T2019A610104）; 寧波市公益類科技計(jì)劃項(xiàng)目（202002N3104）.

戴宏（1997－）, 男, 江西上饒人, 在讀碩士研究生, 主要研究方向: 醫(yī)學(xué)影像. E-mail: 1356913744@qq.com

符冉迪（1971－）, 男, 浙江寧波人, 副教授, 主要研究方向: 數(shù)字圖像處理. E-mail: furandi_nbu@163.com

（責(zé)任編輯 史小麗）