GLIOMAS是最普遍的原发性脑肿瘤，具有较高的发病率和死亡率。神经胶质瘤的预后取决于根据世界卫生组织提供的指南确定的肿瘤等级。它基于鉴定和表征肿瘤细胞的物理外观，有丝分裂活性以及遗传信息。I级和II级胶质瘤被认为是低等级，而III级和IV级神经胶质瘤被认为是高级别。胶质母细胞瘤是IV级神经胶质瘤，通过手术，放疗和化学疗法治疗的中位生存期为令人沮丧的15个月。胶质瘤的精确分级很重要，因为它是治疗计划和患者预后所必需的。当前，神经胶质瘤分级的标准是组织病理学分析，其容易出现抽样误差，并可能导致错误的分级评估。关于使用不同的基于磁共振成像的技术，扩散加权成像和灌注成像）的神经胶质瘤分级的文献很多。使用定量灌注参数脑血容量，从DSC-MRI或T获得1-加权动态对比增强MRI，也被称为T1灌注MRI，用于神经胶质瘤分级。CBV被认为是肿瘤血管生成的生物标记。然而CBV值中间等级之间重叠。
　　 胶质瘤按细胞类型分类，主要发生为星形细胞瘤和少突胶质细胞瘤。星状细胞瘤和少突胶质细胞瘤的血管密度不同，但可以具有相似的等级，因此很难仅根据血液动力学参数来评估神经胶质瘤等级。在组织病理学研究和灌注MRI中，已经发现13种LG少突胶质细胞瘤的血管比LG星形细胞瘤的血管更多。如果样本中包含LG少突胶质细胞瘤，则基于CBV的神经胶质瘤分级可能存在更多错误分类。近年来，有许多研究集中在针对神经胶质瘤分级的多参数方法上。海外医疗网研究人员将CBV和脑血流量等血液动力学参数与DCE-MRI相结合，获得了示踪动力学参数，以改善神经胶质瘤的分级。当血脑屏障破裂时，示踪剂动力学参数有助于表征肿瘤。研究人员还将CBV值与DWI导出的表观扩散系数值，磁化率加权成像，以及MRS4相结合，以改善神经胶质瘤的分级。即使在组合了不同的MRI技术之后，区分中间等级仍然是一个挑战。除了这些MRI技术外，还有其他常规MRI功能有助于区分不同的等级，例如与HG神经胶质瘤相比，在LG中少见到增强肿瘤。坏死是IV级神经胶质瘤的典型特征。在HG中水肿比LG胶质瘤多见。这些特征并不是神经胶质瘤等级的很好标志，因为在一些矛盾的情况下，LG神经胶质瘤可见增强，而HG神经胶质瘤可能未显示增强。
　　 最近显示，机器学习算法可用于将神经胶质瘤分类为不同等级。支持向量机是用于分类任务的广泛使用的监督的机器学习算法。它通过使用软边距超平面的概念提供了很高的泛化性能，并且将基于核的技术用于非线性分类。SVM以前曾使用T1灌注MRI获得的参数用于神经胶质瘤分级。具有多个特征的分类任务的一个重要方面是获得提供最佳分类结果的最佳特征集。诸如顺序特征选择之类的包装方法之所以流行，是因为它们考虑了各个特征之间的关系，因此使用了补充信息。一些机器学习算法将特征选择作为其整体操作的一部分。随机森林分类器已被广泛用于神经胶质瘤的表征。感兴趣区域的选择也是神经胶质瘤分级的重要方面。在使用灌注成像的研究中选择ROI背后的隐含假设是，病变的特征在于其最高的CBV值，因为它与新血管形成的程度相关，因此与神经胶质瘤的级别相关。许多研究已经选择的ROI在最大CBV区域和称为此作为热点方法。但是，手动选择热点ROI有点主观，观察者之间和观察者内部的可变性不可避免。ROI选择过程需要自动进行，以创建可靠的神经胶质瘤分级方法。由于在ROI内包括显着的血管，胶质瘤的分级会受到影响，并且在选择ROI时需要避免这些。这项研究的目的是设计一种使用T1灌注参数区分中级神经胶质瘤等级以及多种神经胶质瘤等级的方法。以及常规的MRI功能。研究机构假设将不同肿瘤成分的体积百分比与T1灌注参数结合使用可能会改善神经胶质瘤分级。
　　 研究方案已由机构伦理委员会预先批准。在进行MRI检查之前，所有受试者均提供了书面知情同意书。研究入选了平均年龄为46.45±16.98岁的53例神经胶质瘤患者。经组织学证实为神经胶质瘤的患者为26例IV级患者，12例III级患者和15例II级患者，IDH阳性，已加密的1p19q）。胶质瘤分级是根据2016年WHO分类标准进行的。有4例增强II级神经胶质瘤和10例增强III级神经胶质瘤。还获得了13位神经胶质瘤患者的其他数据以进行验证。本研究中使用的所有患者均为未经治疗的患者。采集数据后，对神经胶质瘤分级进行数据分析。所有数据分析均使用内部内置的Matlab程序和内置的Matlab函数进行。简而言之，数据分析包括以下步骤：T1灌注参数的量化。肿瘤亚部分的提取。对来自不同等级的选定ROI的特征进行统计分析。使用SVM分类器进行分级，并使用优化的统计信息和优化的功能集。
　　 使用之前描述的基于T1-W，T2-W和PD-W图像的方法计算出对比度前的T1。使用26个T1灌注MRI数据和对比前T1来计算各个时间点的浓度。使用不同的模型分析了26条Voxelwise浓度-时间曲线，以计算定量参数。在研究使用上述程序测量的自动检测的局部动脉输入功能。使用先前描述的程序对血流动力学图进行了第一遍分析。使用SPM12软件将26张T1–W图像用于白质分割。WM从对侧切开，用于局限于单个半球的肿瘤。然后将分段的WM掩模腐蚀掉，以消除任何局部体积效应。如果存在不局限于单个半球的大病变，则从远离病变区域的区域提取WM。有四名此类HG患者的病变超出了一个半球。CBF和CBVcorr映射相对于从分段WM获得的平均值进行了归一化，从而分别生成了CBF正常WM和CBVcorrNWM映射。泄漏示踪动力学模型被用于估计动力学参数如细胞外血管外空间体积，血浆体积，从血浆容量传输速率对细胞外血管外空间和容积传送速率从血浆渗漏空间。此外，研究机构获得了分段线性模型参数，例如推注到达时间，推注第一次通过的峰值时间，PL模型拟合的C的第二和第三条线段的斜率使用先前描述的方法绘制曲线。
　　 胶质瘤病变区域由增强区域，非增强区域，坏死和水肿区域组成。随后使用SVM分类器将这些成分的百分比体积用于神经胶质瘤分级。使用最近发表的方法将不同的肿瘤亚部分进行分割，该方法结合了常规MRI和T1灌注参数。在T1上使用区域增长算法将对比度增强区域分割开对比度增强的图像。对增强对比度的ROI进行了形态上的“关闭”和“填充”操作，以生成增强对比度和坏死的ROI组合。坏死区域是通过从合并区域中减去对比增强蒙版获得的。接下来，使用区域增长算法将FLAIR高强度区域分割开来，将其与对比增强区域和坏死区域结合起来，形成整个肿瘤区域。突出的血管是在正常人脑中发现的那些大血管。根据其结构和高灌注，可以通过视觉识别它们，如其CBVcorrNWM值所示。CBVcorrNWM映射用于定位这些突出的血管，并使用区域增长算法将其分段。如果在整个肿瘤区域内存在该突出血管，则将其去除以获得没有突出血管的整个肿瘤区域。最后，根据先前描述的方法开发的SVM分类器用于分割非增强型肿瘤区域和血管性水肿。
　　 大多数HG神经胶质瘤有一个对比度增强区域。但是，某些HG神经胶质瘤可能无法增强对比度。LG胶质瘤通常没有增强对比度，但其中一些可能表现出增强。为了概括从各种神经胶质瘤中选择ROI的过程，将增强和非增强成分组合起来构成用于神经胶质瘤分级的ROI。从每个神经胶质瘤级别的代表性病例中选择的ROI。该图还显示了所选的ROI覆盖在代表性的T1灌注参数上，该参数随后用作神经胶质瘤分级的特征。从选定的ROI获得了不同的T1灌注参数，这些参数被用作神经胶质瘤分级的特征。这些特征包括从第一通分析中获得的血液动力学参数，从LTKM获得的示踪剂动力学参数和分段线性模型参数。另外，将不同肿瘤亚部分的体积百分比用作神经胶质瘤分级的特征。这些包括增强肿瘤的体积百分比，坏死区域的体积百分比和水肿区域的体积百分比。从各年级患者的所有特征获得平均值±SD。对于每个神经胶质瘤等级的每个特征，都获得了提供数据分布图形表示的箱线图。为了比较不同等级患者的每个特征的平均值，进行了单向方差分析。进行了Tukey–Kramer检验，这是事后ANOVA检验，用于发现样本数量不相等的中间等级之间的显着性。显着性水平设置为P小于0.05。
　　 SVM分类器用于在II级对III级，III级对IV级以及II级对III级对IV级之间进行分类。使用线性和径向基函数内核对SVM进行分类。使用其超参数C和γ对分类器进行了优化。进行了12倍交叉验证，以估计分类器对看不见的数据的表现。基于12倍CV结果，对接收器运行特性分析进行了二元分类。对于使用SVM分类器进行的多类别分类，采用了一对多休息策略.
　　 T1灌注参数的统计数据需要针对神经胶质瘤分级进行优化。七个不同的T形统计灌注参数是从在所有切片中的选定ROI，这是平均值，中值获得，95以上的值的平均日90日，85日，80日和75百分位值。线性SVM分类器被用来使用T的不同统计二级与三级和三级与IV级之间进行分类1灌注参数。选择在两个二元分类中均具有最大曲线下面积的统计量作为最终的神经胶质瘤分级。SVM分类器的准确性对功能的选择很敏感，这在过去已有报道。这促使研究机构为这个特殊的研究进行功能优化。首先，针对多类以及二进制分类任务的单个功能，对于所有特征的组合，获得了12倍CVSVM分类错误。组合特征集可能具有冗余特征，将其删除可能会降低在分级过程中获得的分类误差。因此，尝试了另外两种特征选择方法以获得较低的分类误差。实现了包装方法，即顺序向后选择。34SBS用于从整个特征集中获取简化的特征集，与通过组合所有特征获得的分类错误相比，具有相似或更低的分类误差。
　　 尝试使用随机森林来获取要在SVM分类器中使用的功能集。最初，对由500个分类树组成的随机森林进行了二元分类和多分类的训练。这项研究中的树木数量选择为500，因为观察到树木数量的增加进一步导致多类和二元分类的分类误差没有显着降低。随机森林的划分标准基于GUIDE算法。使用随机森林分类器的个体特征重要性是通过测量特征值随机排列时分类器的预测准确性下降多少来计算的。当特征对分类器的预测能力几乎没有增加时，使用特征的更改值不会影响分类结果。另一方面，在不降低预测精度的情况下，不能随机交换相关信息。分别获得每个功能的重要性后，这些功能将按其重要性降序排列。按顺序添加要素，并记录了累积要素集的分类错误。最佳特征集被认为是提供最低分类误差的特征集。最后，使用此最佳功能集对SVM进行了训练，并使用该功能集获得了12倍CV错误。对于获得多个最佳特征集的情况，选择使用SVM导致CV分类错误最少的12个特征集。因此，本研究中使用的不同特征集是所有特征，SBS获得的特征集和随机森林获得的特征集的组合。从二进制支持分类中每个功能集记录的SVM获得的分类结果的ROC分析获得的AUC，灵敏度和特异性。产生了一个混淆矩阵用于多类分类。此外，在另外13名神经胶质瘤患者的验证组中测试了针对II级，III级与IV级区分的已开发分类器。
　　 统计分析表明，从患者获得的不同特征的平均值随每个等级而增加。每个年级内都有很大的差异。不同等级上不同特征之间存在明显的重叠。没有一个单一的明确阈值可以提供准确的神经胶质瘤分级。除BAT外，所有参数在ANOVA分析中均P小于0.05。Tukey–KramerII级和III级的测试结果表明，BETA和水肿％体积显着不同。对于三级与IV级，除BAT，BETA所有参数，和水肿％体积分别为显著不同。可以观察到，在SVM分类器中使用T1灌注参数从II级对III级和III级对IV级的ROC分析获得的两个二进制分类的平均值的AUC从0.81到0.86不等。统计量除中位数统计量外。平均值为II级与III级以及III级与IV级提供了最大的AUC，因此为合并的平均结果提供了最大的AUC。因此，使用T1灌注参数的Mean统计量进行了所有进一步的分析。使用随机森林分类器对II级，III级和IV级进行分类的特征集选择结果。这些特征按照其重要性的降序排列。随机森林分类器的分类误差对于累积的前7个，前8个，前9个和前10个特征最小化，每个特征的分类误差为15.09％。因此被认为是使用随机森林获得的II级，III级和IV级分类的最佳特征集。对于II级对III级以及III级对IV级分类，SBS获得了SVM分类器的最佳特征集，从而将分类误差使用所有功能的组合。当使用随机森林选择的特征集时，SVM分类误差对于II级与III级分类分别降低到3.7％和III级与IV级分类的5.26％。随机森林分类器为II级和III级分类提供的最佳特征是所有血流动力学和肿瘤体积特征以及分段线性模型中的Slope1。对于III级和IV级分类，随机森林获得的最佳特征是所有血液动力学特征，肿瘤体积特征的ET％体积和Nec％，以及分段线性模型的Slope2。从随机森林获得的特征集的AUC以及敏感性和特异性，取代了II级对III级的AUC大于0.7的单个特征。III级和IV级分析获得了相似的结果。SVM分类结果摘要，使用了II级和III级之间的不同特征组合进行分类。功能集的不同组合包括：所有功能，SBS选择的功能集以及从随机森林中获得的最佳功能集。提供了使用SVM分类器获得的结果的分类误差％，AUC，灵敏度和特异性。使用III级和IV级之间不同的分类功能组合对SVM分类结果进行汇总。多类评分结果表明，与从所有特征或SBS获得的特征集进行组合相比，采用从随机森林分类器获得的最佳特征集可减少分类错误。最佳特征集包括所有血液动力学和肿瘤体积特征，分段线性模型中的Slope1，Slope2和BETA，以及示踪动力学模型中的Ve和Vp。发现在II级，III级和IV级分析中发生的五种错误分类中，一名II级患者被错误分类为III级，一名IV级患者被错误分类为III级，两名III级患者被错误分类为IV级，而一名III级患者被错误分类为II级。还发现在12折中，7折中有0个错误，而5折中有一个错误。已开发的II级，III级和IV级分化分类器正确预测了13例神经胶质瘤患者中的11例，其中II级和III级患者各有误。
　　 本研究表明，使用结合了T1灌注参数和肿瘤成分体积的优化特征集，可以在中等神经胶质瘤等级与多类神经胶质瘤等级之间获得低分类错误。在区分II级与III级以及III级与IV级之间获得的分类误差分别为3.7％和5.26％。同样，在II级与III级与IV级之间实现了多类分类，误差为9.43％。结果显示，没有一个单一的参数为不同等级之间的神经胶质瘤分级提供明确的阈值。对两个二元分类取平均值的结果表明，从T1获得的Mean90统计量所选ROI的灌注参数在ROC分析中提供了最大的AUC，因此在本研究中被用作热点的等效项。发现与SBS获得的特征集相比，随机森林获得的特征集提供了更好的分类结果，并且为SVM分类器提供了所有特征的组合。很少有研究与其它MRI技术如ADC，SWI，或MRS获得补充信息合并血液动力学参数为中间等级之间的差异。结合CBV和ADC值，II级与III级的ROC分析的AUC为0.83。II级和III级的AUC为0.97。在将SWI成像获得的ITSS与CBV相结合，III级与IV级的AUC为0.815，灵敏度和特异性分别为0.9和0.84。对于相同等级的比较，获得的AUC为0.90，灵敏度为1.0，特异性为0.83。因此研究证明从T1灌注参数和神经胶质瘤分级中的肿瘤体积成分获得的优化特征的潜力。
　　 这项研究的主要发现是，与T1灌注参数结合使用时，不同肿瘤成分的体积可用于胶质瘤的分级。当特征组件中包括肿瘤成分的体积时，通过减少分类错误可以观察到这一点。II级与III级之间的ADC值显着不同，但III级与IV级之间的ADC值没有显着差异。在当前的研究中获得了相似的结果，发现II级和III级水肿百分比体积显着不同，但III级和IV级神经胶质瘤没有发现。由于其高灵敏度或特异性，不同的体积特征补充了传统特征，可区分不同等级。
　　 通过包含冗余功能，可以显着降低SVM分类器的性能，这种效果在小型训练集中更为明显。33在目前的研究中，发现所有特征的组合提供的分类误差比每个单独特征的分类误差低，因此强调了使用多参数方法的重要性。使用SBS获得的特征集可以减少分类错误，而使用随机森林获得的特征集可以进一步减少分类错误。这表明存在需要删除的冗余功能。本研究中发现的针对二元及多分类的最佳特征集是血液动力学参数，肿瘤亚部分的体积百分比参数，示踪动力学和分段线性模型参数的组合。这表明使用多种特征进行神经胶质瘤分级的重要性，以便合并补充信息以获得降低的分类错误。纹理分析提供了另一组特征，这些特征用于标识图像中的空间变化和结构排列。纹理可以提供有关肿瘤区域内部强度变化的信息。先前已发现来自水肿区域的纹理特征在肿瘤分级中有用。通过机器学习技术整合了有关肿瘤环境和不同肿瘤亚部分体积的生理信息。如果结合纹理特征可以进一步改善结果，将来会很有趣。
　　 当使用更少的特征时，RBF内核提供更好的结果，但是当特征数量增加时，RBF内核提供与线性内核相似的分类误差。这可能是因为特征的数量几乎与一个组中的样本数量相似。因此，最终使用了线性核，以使模型尽可能简单。提议的方法还用于区分HG和LG胶质瘤，因为这两组之间的治疗策略存在差异。使用最佳功能集可实现12倍CV分类误差3.77％。此外，还发现存在于两个LG少突胶质细胞瘤已正确分类为II级，III级，IV级，LG级和HG级。但是，研究机构需要在研究样本中包含大量的少突胶质细胞瘤，才能得出分类器对少突胶质细胞瘤的性能结论。突出的血管可能导致错误的神经胶质瘤分级。在手动选择ROI时，可以通过查看许多MRI图像从视觉上避免这些血管，这个过程具有独特性。所提出的方法通过使用CBVcorrNWM映射来定位突出的容器，并使用区域增长算法将其删除，从而使过程成为半自动的。
　　 当前的研究存在某些局限性。首先，所提出的方法是一个半自动过程。在这项工作中使用了区域增长算法，该算法需要用户提供种子像素的位置和阈值。其次，尽管该方法在其方法学中纳入了去除血管的方法，但在某些情况下，如果有非肿瘤血管与肿瘤血管缠绕在一起，则该方法可能会失败。将来，突出血管的信号强度曲线可以用作此类情况的区别特征。该研究的另一个局限性是研究队列中没有I级患者。大多数患者被诊断为II级或更高阶段的神经胶质瘤，因此缺乏I级数据。因此，它们不包括在研究队列中。当前研究的另一个局限性是相对较小的样本量，各个年级之间的数据不平衡。然而，12倍CV的结果表明，尽管样本量相对较小，但误差估计在不同倍数上仍然很可靠。这表明数据不平衡并没有导致分类器偏向特定类别。期望将来在更大的数据大小上验证分类器。总之，目前的研究提出了一种半自动化的方法，用于准确的神经胶质瘤分级。所提出的方法利用T1灌注参数结合肿瘤成分的体积百分比在中级神经胶质瘤等级和多类神经胶质瘤等级之间分级。这项研究优化了脑胶质瘤分级的T1灌注参数的统计量和功能集，以使用SVM分类器在胶质瘤分级中获得减少的分类误差。所提出的方法可用于具有低分类误差的可靠神经胶质瘤分级，特别是对于中级。