[论文解读] MPRAD: A Multiparametric Radiomics Framework

Vishwa S. Parekh, Michael A. Jacobs|arXiv (Cornell University)|Sep 25, 2018

Radiomics and Machine Learning in Medical ImagingMedicine参考文献 56被引用 17

一句话总结

MPRAD 是一种多参数放射组学框架，通过整合多种 MRI 序列以提取高维纹理特征，从而实现更优的组织表征。在区分恶性与良性乳腺病变方面，其 AUC 达到 0.88，灵敏度为 87%，特异性为 80.5%，较单参数放射组学方法的 AUC 提高了 9–28%。在乳腺和脑卒中应用中，该框架在正常组织类型中均表现出一致的特征分布。

ABSTRACT

Multiparametric radiological imaging is vital for detection, characterization and diagnosis of many different diseases. The use of radiomics for quantitative extraction of textural features from radiological imaging is increasing moving towards clinical decision support. However, current methods in radiomics are limited to using single images for the extraction of these textural features and may limit the applicable scope of radiomics in different clinical settings. Thus, in the current form, they are not capable of capturing the true underlying tissue characteristics in high dimensional multiparametric imaging space. To overcome this challenge, we have developed a multiparametric imaging radiomic framework termed MPRAD for extraction of radiomic features from high dimensional datasets. MPRAD was tested on two different organs and diseases; breast cancer and cerebrovascular accidents in brain, commonly referred to as stroke. The MPRAD framework classified malignant from benign breast lesions with excellent sensitivity and specificity of 87% and 80.5% respectively with an AUC of 0.88 providing a 9%-28% increase in AUC over single radiomic parameters. More importantly, in breast, the glandular tissue MPRAD were similar between each group with no significance differences. Similarly, the MPRAD features in brain stroke demonstrated increased performance in distinguishing the perfusion-diffusion mismatch compared to single parameter radiomics and there were no differences within the white and gray matter tissue. In conclusion, we have introduced the use of multiparametric radiomics into a clinical setting

研究动机与目标

• 解决单参数放射组学在捕捉多参数成像中复杂组织异质性方面的局限性。
• 开发一种统一框架，实现对多种 MRI 序列的联合分析，以提升放射组学特征提取效果。
• 评估多参数放射组学在区分恶性与良性乳腺病变中的性能。
• 评估该框架在识别缺血性卒中中灌注-弥散不匹配方面的能力。
• 通过验证正常组织类型（如腺体组织、灰质和白质）中特征分布的一致性，确保框架的鲁棒性。

提出的方法

• MPRAD 框架将多种 MRI 序列（如 T1、T2、DWI、灌注成像）融合至高维放射组学特征空间。
• 利用既定的放射组学方法（如一阶和二阶统计量、形态学特征及小波基特征）从整合的多参数数据集中提取纹理特征。
• 应用特征选择与降维技术，识别在不同疾病状态下最具区分力的特征。
• 基于多参数特征集训练机器学习模型（如 SVM 或随机森林），以对组织类型进行分类。
• 通过比较正常组织（如乳腺中的腺体组织、脑中的白质/灰质）中的特征分布，确保组织特异性的一致性。
• 通过 AUC、灵敏度和特异性评估性能，并与单序列放射组学方法进行对比。

实验结果

研究问题

• RQ1 与单序列放射组学相比，多参数放射组学框架是否能提升乳腺癌检测的诊断准确性？
• RQ2 MPRAD 在识别急性缺血性卒中中灌注-弥散不匹配方面表现如何？
• RQ3 MPRAD 特征在两种器官的正常组织类型（如腺体组织、白质和灰质）中是否保持一致？
• RQ4 与单序列放射组学相比，整合多种 MRI 序列是否在 AUC 上带来统计学上的显著提升？
• RQ5 MPRAD 特征是否能可靠地区分恶性与良性乳腺病变，同时在正常组织区域保持稳定性？

主要发现

• MPRAD 在区分恶性与良性乳腺病变时 AUC 达到 0.88，较单参数放射组学方法提升 9–28%，表现显著优越。
• 该框架在分类乳腺病变时表现出 87% 的灵敏度和 80.5% 的特异性，显示出强大的诊断性能。
• 在正常腺体组织中，MPRAD 特征在恶性与良性组之间无显著差异，证实了其在正常组织中的鲁棒性。
• 在脑卒中应用中，MPRAD 在识别灌注-弥散不匹配方面优于单参数放射组学，显著提升了诊断精度。
• 在脑部白质或灰质中，MPRAD 特征无显著差异，表明其在正常组织类型中行为一致。
• 多参数方法成功在高维影像空间中捕捉了复杂的组织特征，克服了单序列放射组学的局限性。