Grading of Soft Tissues Sarcomas Using Radiomics Models : Choice of Imaging Methods and Comparison with Conventional Subjective Analysis
Classification des sarcomes des tissus mous par des modèles radiomiques : choix des méthodes d'imagerie et comparaison avec l'analyse subjective conventionnelle
Résumé
OBJECTIFS : Évaluer les performances diagnostiques des radiomiques pour la différenciation entre les sarcomes des tissus mous (STS) de bas- et de haut grade en utilisant différentes modalités d'imagerie, différents modèles radiomiques et différents nombres de caractéristiques. MATÉRIEL ET MÉTHODES : L'IRM et le scanner de 39 patients avec un diagnostic histologique confirmé de STS ont été analysés prospectivement. Après la segmentation des volumes d'intérêt et le prétraitement, 120 caractéristiques radiomiques ont été extraites et sélectionnées. Trois modèles radiomiques ont été appliqués : estimateur des moindres carrés pénalisés (LASSO) associé à la régression logistique (LR), l'élimination récursive des caractéristiques avec validation croisée (RFECV) associée à la classification par les machines à vecteur de support (SVC) et l'analyse de la variance (ANOVA) associée à la SVC. L'analyse a été réalisée en utilisant cinq, 10, 15 et 20 caractéristiques. Les séquences pondérées T2 avec saturation de la graisse (T2w FS), pondérées T1 avec saturation de la graisse et injection de gadolinium (CE T1w FS), le scanner injecté (CE CT) ainsi que les différentes combinaisons de modalités ont été évaluées. Une classification subjective a également été réalisée par deux radiologues sur l'IRM afin de servir de référence. MATÉRIEL ET MÉTHODES : L'IRM et le scanner de 39 patients avec un diagnostic histologique confirmé de STS ont été analysés prospectivement. Après la segmentation des volumes d'intérêt et le prétraitement, 120 caractéristiques radiomiques ont été extraites et sélectionnées. Trois modèles radiomiques ont été appliqués : estimateur des moindres carrés pénalisés (LASSO) associé à la régression logistique (LR), l'élimination récursive des caractéristiques avec validation croisée (RFECV) associée à la classification par les machines à vecteur de support (SVC) et l'analyse de la variance (ANOVA) associée à la SVC. L'analyse a été réalisée en utilisant cinq, 10, 15 et 20 caractéristiques. Les séquences pondérées T2 avec saturation de la graisse (T2w FS), pondérées T1 avec saturation de la graisse et injection de gadolinium (CE T1w FS), le scanner injecté (CE CT) ainsi que les différentes combinaisons de modalités ont été évaluées. Une classification subjective a également été réalisée par deux radiologues sur l'IRM afin de servir de référence. CONCLUSION: La classification par radiomiques utilisant la séquence T2w FS, le modèle RFECV associé à la SVC et en sélectionnant cinq caractéristiques représente la meilleure option pour la classification des STS.
Origine | Fichiers produits par l'(les) auteur(s) |
---|