Comparison of radiomics tools in differentiation between anterior mediastinal cystic lesion and solid mass
- 주제(키워드) Radiomics , computed tomography , anterior mediastinum , thymic epithelial tumor , thymic cyst , reproducibility , PyRadiomics , TexRAD
- 주제(DDC) 610
- 발행기관 아주대학교
- 지도교수 선주성
- 발행년도 2023
- 학위수여년월 2023. 2
- 학위명 박사
- 학과 및 전공 일반대학원 의학과
- 실제URI http://www.dcollection.net/handler/ajou/000000032487
- 본문언어 영어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
Purpose: The purposes of this study are to evaluate the diagnostic performance of computed tomography (CT) radiomic features in distinguishing benign cysts from solid mass in anterior mediastinal lesion, as well as to evaluate the reproducibility of radiomic features between two different radiomics feature extraction platforms. Materials and methods: In this retrospective study, 80 patients with surgically resected anterior mediastinal lesion (40 cysts and 40 solid masses) from April 2017 to October 2020 were included. Conventional morphologic CT features including size, contour, margin, shape, relation to mediastinal pleura, CT attenuation value and enhancement were evaluated. CT features predicting solid mass were identified with multivariable logistic regression analysis. Furthermore, radiomics analyses were performed using two feature extraction software platforms (PyRadiomics and TexRAD). For radiomics feature selection, least absolute shrinkage and selection operator (LASSO) regression method was used and radiomics models were constructed using selected significant radiomic features. Also, the integrated model was constructed combining CT model and two radiomics models. Receiver operating characteristic analyses with calculation of area under the curve (AUC) were performed to evaluate diagnostic performance of CT model, radiomics models and the integrated model. Reproducibility of common radiomics features between different software platforms was evaluated using the concordance correlation coefficients (CCCs). Results: The multivariable logistic regression analysis showed that higher absolute enhancement value (OR, 1.26, p=0.006) was a significant independent predictor for solid mass. From LASSO method, 8 features via PyRadiomics and 5 features via TexRAD were selected for radiomics model construction, and Radscore 1 and 2 were calculated through these significant features. In ROC analysis, the AUC value of the conventional CT model, Radiomics 1 and 2 were 0.976, 0.841 and 0.816, respectively. The integrated model combining CT and radiomics model showed the highest AUC value (0.990). The 18 common radiomic features showed poor to moderate reproducibility (CCC≤0.70). Conclusion: Integrated model combining CT features and radiomic features, solid anterior mediastinal masses can be well differentiated from cysts. Furthermore, the reliability of radiomic features highly depend on which software is used.
more초록/요약
목적: 전방 종격동 병변 중 양성 낭종과 고형 종괴를 구별하는데 있어 흉부 컴퓨터 단층촬영(CT) 및 라디오믹스 (Radiomics) 영상분석의 진단 성능을 평가한다. 또한 라디오믹스 영상분석에서 두 가지 다른 특징 추출 소프트웨어로부터 추출된 특성 값을 비교하고, 재현성을 평가한다. 자료 및 방법: 본 후향적 연구에는 2017 년 4 월부터 2020 년 10 월까지 본원에서 외과적으로 절제된 전방 종격동 병변 환자 80 명 (40 개의 낭종 및 40 개의 고형 종양)이 포함되었다. 흉부 CT 영상 분석에서는 크기, 윤곽, 마진, 모양, 종격동 흉막과의 관계, CT 감쇄값 및 조영증강을 평가하였으며, 고형 종양을 예측하는 CT 인자는 다변량 로지스틱 회귀분석을 통하여 분석하였다. 라디오믹스 영상분석은 PyRadiomics 와 TexRAD 두가지 소프트웨어를 사용하여, 고형 종양을 예측할수 있는 라디오믹스 특징을 추출하였다. 통계적으로 유의미한 라디오믹스 특성 값의 선택을 위해서 LASSO (Least Absolute Shrinkage and Selection Operator) 회귀 방법을 사용하였으며, 통계적으로 유의한 특성 값들을 사용하여 고형 종양을 예측하는 라디오믹스 모델을 구축하였다. 또한 구축된 CT 모델 및 라디오믹스 모델 두가지를 결합하여 통합모델을 구축하였다. CT 모델, 라디오믹스 모델 및 통합모델의 진단성능 평가를 위하여 수신기 동작 특성 곡선 (ROC curve)의 곡선 하 면적 (AUC, area under curve)값을 38 분석하였다. 두가지 라디오믹스 소프트웨어의 공통된 특성 값의 재현성은 일치상관계수(CCC, Concordance correlation coefficient)를 사용하여 평가하였다. 결과: 다변량 로지스틱 회귀분석을 통하여 분석된 CT 인자 중 절대 증강 값이 높을수록(Odds ratio[OR], 1.26, p=0.006) 고형 종양에 대한 유의미한 독립 예측인자로 나타났다. PyRadiomics 및 TexRAD 를 통해 추출된 라디오믹스 특성 값 중, LASSO 분석을 통하여 PyRadiomics 를 통한 8 개의 라디오믹스 특성 값 및 TexRAD 를 통한 5 개의 라디오믹스 특성 값을 선택할 수 있었다. 이들 유의미한 특성 값을 통해 라디오믹스 모델 (Radscore 1, 2)을 각각 구축하였다. ROC 분석에서 기존 CT 모델, Radscore 1, 2 의 고형종양 예측에 대한 AUC 값은 각각 0.976, 0.841, 0.816 이었으며, CT 모델과 라디오믹스 모델을 결합한 통합모델은 CT 모델보다 높은 AUC 0.990 의 값을 보여주었다. 두가지 서로 다른 라디오믹스 소프트웨어에서 공통적으로 추출된 특성 값은 18 가지가 있었으며, 이들 값 사이의 재현성은 중간정도의 재현성을 보였다(CCC≤0.70). 결론: CT 모델 및 통합 모델은 전방 종격동 병변중 고형 종괴를 잘 예측할 수 있다. 또한 라디오믹스 특성 값의 재현성은 사용하는 소프트웨어에 따라 크게 달라질 수 있다.
more목차
I. Introduction 1
II. Materials and Methods 4
A. Study cohort 4
B. CT image acquisition 4
C. CT image analysis 5
D. Radiomics analysis 5
1. Volumetric segmentation and radiomic feature extraction 5
2. Radiomics model building 6
E. Diagnostic performance of CT features, radiomics model and integrated model 6
F. Reproducibility of common radiomic features between different platforms 7
G. Statistical analysis 7
III. Results 9
A. CT image analysis 9
B. Construction of radiomics-based predictive model 9
C. Diagnostic performance of CT model, Radiomics model and integrated model 10
D. Reproducibility of radiomic features between two different platforms 11
IV. Discussion 12
V. Conclusion 16
VI. List of Figures 17
A. Figure 1. Study diagram for patient inclusion 17
B. Figure 2. Segmentation in radiomics analysis using PyRadiomics 18
C. Figure 3. Segmentation in radiomics analysis using TexRAD 19
D. Figure 4. ROC analysis of the CT model, Radiomics models and integrated model 20
E. Figure 5. Representative case of true positive prediction for solid mass of both CT model and integrated model 21
F. Figure 6. Representative case of false positive prediction of the CT model and true negative prediction of the integrated model 22
G. Figure 7. Representative case of false negative prediction of both CT model and integrated model 23
H. Figure 8. ROC analysis of the CT model, Radiomics models and integrated model in subgroup consisting of thymic cysts and thymic epithelial tumors. 24
VII. List of Tables 25
A. Table 1. Histopathological diagnoses of the anterior mediastinal lesions 25
B. Table 2. Characteristics of patients and CT features of anterior mediastinal lesions 26
C. Table 3. Predictors for solid mass by multivariable logistic regression analysis using CT features. 28
D. Table 4. Diagnostic performance of conventional CT model, radiomics model and integrated model 29
E. Table 5. Multivariable logistic regression analysis using CT model and radiomics models in differentiation of solid mass from cyst. 30
F. Table 6. Diagnostic performance between thymic cyst and TETs of conventional CT model, radiomics model and integrated model 31
G. Table 7. CCC results of common radiomic features. 32
VIII. References 33
