沙特国王大学学报放射基因组学分析：通过分析先进的生物医学纹理描述符，Sonal Gorea，b，Jayant Jagtapc，a共生国际（被视为大学），印度印度马哈拉施特拉邦浦那尼格迪Pimpri Chinchwad工程学院c印度马哈拉施特拉邦普纳拉瓦莱共生技术研究所（SIT）、共生国际（被视为大学）阿提奇莱因福奥文章历史记录：收到2021年2021年8月2日修订2021年8月23日接受2021年9月4日网上发售保留字：胶质瘤1 p/19 q共缺失放射基因组学分析质地LBP变体GLCMA B S T R A C T术前鉴别1 p/19 q共缺失状态可能对胶质瘤患者的预后和诊断具有重要价值，可为患者提供及时的个性化治疗。基于人工智能的模型已被证明是有效的方法来证明计算机辅助诊断系统的胶质瘤癌症。研究的目的是提出一种先进的生物医学纹理描述符进行机器学习辅助识别的1 p/19 q共缺失状态的低级别胶质瘤（LGG）癌症。目的是验证纹理的有效性，使用本地二值模式提取和来自灰度共生矩阵（GLCM）。拟议的研究使用随机森林辅助放射组学模型分析159名受试者的MRI图像提出了四种不同的高级生物医学纹理描述符，实验LBP方法的不同扩展。这些变体-具有8位或16位或24位LBP码的变体I至IV以不同的方向应用于5× 5、7×7平方大小的邻域中，这些邻域记录在LBP直方图中。这些直方图特征由基于GLCM的纹理连接，包括能量、相关性、对比度和均匀性。纹理描述符性能最好，使 用8位 LBP变 体-I的 分类 准 确 性为 87.50% （ AUC ： 0.917， 灵 敏度 ： 95% ， 特 异性 ：75% ， f1-评 分：90.48%）使用随机森林分类器，所有四组的10倍交叉验证准确度范围为65.62%至87.50%，平均AUC范围为0.646至0.917。版权所有©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍近年来，不同类型的纹理描述符被证明是识别图像的关键特征之一，并被广泛应用于不同的应用领域。其中，基于局部二值模式的局部纹理描述子具有简单、计算效率高、鉴别能力强等优点已经开发了LBP的许多变体以提高其辨别能力及其对各种计算机视觉问题（如对象检测、人脸分析等）的适用性[1-*通讯作者。电子邮件地址：jayant. sitpune.edu.in（J. Jagtap）。沙特国王大学负责同行审查制作和主办：Elsevier大多数基于放射组学的模型在其胶质瘤基因分型实验中分析了GLCM和相关纹理表型[7在国际层面上有不同的倡议或努力，以标准化用于高通量放射组学目的的成像生物标志物的提取[10]。 IBSI（图像生物标志物标准化倡议）等各种合作组织对标准放射组学特征的建议侧重于GLCM及其相关的纹理生物标志物家族，用于癌症研究中的定量图像分析[11]。基于遗传标记的预测标记最近在神经胶质瘤癌症分析中获得了很多关注。在这些生物标志物中，1p和19q染色体的联合丢失增加了弥漫性胶质瘤管理的兴趣。1 p/19 q染色体丢失是一种有价值的预后和诊断生物标志物，有助于预测弥漫性胶质瘤的严重程度[8，9]。目前的基因组学特征显示，基于1 p/19 q基因型的突变与弥漫性低级别胶质瘤（LGG）的预后较好相关。与1 p/19 q非共缺失型胶质瘤相比，1 p/19q共缺失的世界卫生组织（WHO）II级或III级胶质瘤的总生存期更长[12]。目前，诊断1 p/19 q共缺失https://doi.org/10.1016/j.jksuci.2021.08.0241319-1578/©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comS.戈尔和J.Jagtap沙特国王大学学报8450目前的状况是在手术切除肿瘤组织后进行组织病理学分析，这是一种延长和侵入性的方法。基于术前MRI预测的无创性方法可能更有助于胶质瘤患者的初步诊断和进一步的即时治疗计划。根据2016年WHO对肿瘤分类的最新修订[13]，建议应用分子标志物评估肿瘤的诊断和预后。WHO 2016年更新建议将基因突变状态作为决定癌组织恶性程度的标志性特征。这种肿瘤类型的标志性分子属性之一是1p和19q基因的完整臂的同时编码。基于1 p/19 q共缺失的遗传参数在MRI辅助肿瘤诊断中的整合改善了低级别胶质瘤，特别是异柠檬酸脱氢酶（IDH）突变胶质瘤的预后和治疗反应的相关性。根据Batchala等人的研究，超过80%的LGG是IDH突变体。其中，40%至50%的LGG携带1 p/19 q共缺失[14]。1 p/19 q共缺失IDH突变型LGG（具有IDH突变和共缺失的少突胶质细胞瘤）与非共缺失IDH突变型LGG（具有IDH突变且未缺失1p/19 q染色体的星形细胞瘤）相比表现出更好的存活率，并且对辅助放疗或化疗更敏感。因此，目的是开发基于1 p/19 q共缺失的基因组表征的预测模型，以支持目前胶质瘤的护理标准。MRI作为一种优越的成像技术，提供了更好的肿瘤特征可视化，并为有用的放射组学分析提供了基础。基于机器学习或深度学习的具有肿瘤基因组特征的放射组学分析被称为神经胶质瘤中的基因组突变与神经胶质瘤的数量相关。放射学特征包括形状、纹理、体积、强度、直方图等，其中一些特征与1 p/19 q基因型显著不同[7大多数与1 p/19 q相关的研究评估了混合型突变以及1 p/19 q共缺失状态的预测能力，包括异柠檬酸脱氢酶突变（IDH）、端粒酶逆转录酶（TERT）突变等[12]。此外，将人口统计学和/或病理学特征如患者年龄、性别、组织学类型、组织学WHO分级等与MRI表型相结合，以了解这些参数在胶质瘤表征中的重要性。很少有研究进行单变量分析来评估1 p/19 q表征的相关性[9，15，16]，许多研究采用多变量分析[7，8，12，14]。多变量分析研究进一步证明了单一特征是强预测生物标志物[7]。在众多的特征中，纹理特征在基因组分类中起着非常重要的作用。基于纹理的放射组学研究主要包括灰度游程长度矩阵（GLRLM）、灰度大小区域矩阵（GLSZM）、邻域灰度差矩阵（NGLDM）、灰度区域长度矩阵（GLZLM）等特征，并在1 p/19 q共缺失预测中得到了广泛应用。大多数研究都列举了肉眼视觉特征来识别1 p/19 q编码状态，这些研究并没有太多地关注检测基因型之间细微局部变异的特征。因此对于找出可以检测微观结构变化并且可能敏感的特征至关重要;但仍然对局部变化具有鲁棒性。然而，神经胶质瘤基因型之间的细微局部差异正在通过提出的LBP变体方法来描述，该方法进一步与GLCM结构描述的全局特征相结合。这是预计，以提高纹理的描述和设计的一般化，鲁棒的基于纹理的1 p/19 q编码删除为基础的基因分型模型。近年来，机器学习或基于深度学习的分析，已将这种方法应用于胶质瘤的放射基因组学研究，基因型和生存结果。本研究旨在验证基于先进的基于纹理的生物标志物的放射组学分析可以使用机器学习监督分类器将胶质瘤分类为1p/19 q共缺失或非共缺失亚型的假设。本文提出了一种新的纹理提取方法，将两种纹理特征相结合，对胶质瘤患者1 p/19 q染色体整臂同时缺失的状态进行有效分类。首先，利用多尺度、多层次的MRI纹理细节计算LBP纹理。在这方面，提出了总共四种变体来检索8位或16位或24位LBP码，这些LBP码是通过在不同邻域尺度上应用旋转不变的、均匀的LBP方法而获得的，具有不同的取向。这样的安排提取纹理图案从小的局部区域生长向大的局部区域跨越特定大小的整个邻域区域其次，利用灰度共生矩阵的能量、相关性、对比度和均匀性等统计特性计算灰度共生矩阵特征最后，这些扩展的LBP模式和GLCM纹理描述符连接起来，产生最终的特征向量，以训练随机森林分类器。这项工作回顾性地检查了159例次腰椎间盘突出症的术前多模式MRI该模型的目标是产生有效的结果，并扩展胶质瘤定量放射基因组学分析的可重复性同时，深入了解“哪些放射组学特征与特定基因型有关”的临床解释性也具有重要意义2. 材料和方法2.1. 患者特征和数据准备共159例低级别胶质瘤受试者的共配准造影后T1加权和T2加权MRI扫描从TCIA数据库中检索每个受试者的脑肿瘤的3D轴向扫描及其相应的分割掩模体积。它包括手术证实的每名受试者的1 p/19 q状态，使用荧光原位杂交（FISH）方法进行，它包括总共159名LGG受试者，1p/19 q基因型共缺失（nc1= 102）和非缺失（nc2= 57）状态。还可获得每例受试者的WHO分级和组织学类型。其中II级104例，III级55例. 共17例星形细胞瘤受试者、45例少突胶质细胞瘤受试者和97例少突星形细胞瘤受试者入选研究。1 p/19 q状态在数据集中用“d/d”（表示1 p和19 q染色体同时缺失）和“n/n”（表示1 p和19 q染色体没有同时缺失）等符号指定。使用一致的扫描仪方案获得图像，包括3 mm厚度的T2切片和1mm厚度的轴向破坏梯度图像。这些是使用西门子和GE（通用电气）制造商的1.5特斯拉或3特斯拉MRI机器获得的[19]。每次3D MRI扫描，包括肿瘤的脑体积及其分割的肿瘤区域的二进制掩模体积被切片成2D图像。分割掩模图像的相应灰度切片使用python实现针对每个主题自动检索。从每个受试者的3D分割体积中获取的每组2D切片包含具有该公共数据集的正好三个掩模图像，其包括具有最大肿瘤直径的掩模图像、在其下方和上方的其他掩模图像因此，数据包含每种模式的477个切片（对比增强的T1加权MRI和T2加权MRI），所有159名受试者共获得954张图像两类1 p/19 q基因型的样本见图10。1.一、S.戈尔和J.Jagtap沙特国王大学学报8451（。如果LBP≤2μN，则LBP ≤ 100 μ NN××X..ðÞ¼×XX. fI n-I c-f I modn1;N-I c.ð4Þter和相邻像素。f（In- I c）的值N吴恩达Fig. 1.胶质瘤的样本图像和相应的裁剪掩模。(a)T1加权和（b）T2加权与1 p/19 q共缺失;（c）T1加权和（d）T2加权与1 p/19 q无缺失状态（从左至右）。3. 纹理分析纹理是用于图像分析的重要特征，并且不同的纹理描述符被用于各种生物医学应用。其中，灰度共生矩阵和其他相关纹理已被广泛用于胶质瘤分析。GLCM是Haralick等人[20]提出的最早用于图像纹理表征的技术之一。它是一种二阶统计方法，量化图像中灰度级的空间排列。可以进一步导出包括对比度、相关性、能量、均方性等的统计度量以详细描述基于GLCM的纹理图案。除了流行的Haralick纹理，越来越多的兴趣LBP方法在最近几年已经导致相当大的进展，将其应用于胶质瘤的放射组学分析。Ojala等人开发的原始LBP方法通过对双线性插值进行阈值化来描述局部区域，由最多两个从0到1的位转换组成1到0。在56个均匀图案中，有9个旋转不变的二进制图案;它们被映射到从0到8的LBP十进制码，而所有剩余的非均匀非旋转不变图案被映射到单个LBP码（用十进制值9编号）。同样地，对于16位LBP，总共有18个LBP码（17个是旋转不变的均匀图案，具有LBP码0至码16，而所有剩余的非均匀图案用单个LBP码17编号）。采用旋转不变均匀24位LBP方法的LBP码共有26个（其中25个是旋转不变均匀模式，LBP码为0到24;其余所有非均匀模式都属于单个LBP码- 标记为十进制值25）。方程3表示旋转不变的均匀LBP图案的计算。方程4和5给出了识别均匀图案和找出均匀图案中的旋转不变性的方法。以中心像素为中心的圆形邻域[21]。我们的方法提出了四种变体的LBP考虑平方大小的neighgh-公司简介riNN=1;否则ð3Þ两个不同尺寸的边界区域即，5 5 7 7图像的每个像素的LBP码使用等式1在正方形邻域区域中的不同级别处计算其中，N-1公司简介n¼0N-1U型LBPN型n¼0.- 是的其中N是在特定级别的相邻像素的数量，广场大小的街区。我 我 是cen的灰度值，cnLB Pri¼minCBR S.LBP;i=0，其中i =1/40至N-1/5N使用等式2计算。f x1;ifx≥ 00;ifx 0<ð2Þ其中，CBRS（code，i）对N位LBP代码执行循环逐位右移，并且这将重复“ i ” 次 。给定大小为P Q的图像，令LBPN（p，q）是图像的任何像素（p，q）的计算的LBP码，则整体的直方图基本的LBP产生大量的模式，的邻域像素。例如，将有256个二进制pat-将使用等式6来计算纹理图像。P QN = 8。根据LBP方法的改进[22]，使用旋转不变和均匀模式来降低LBP直方图的维数，而不影响性能。LBPHðlÞ1/4f/LBPN/p;q/p;l/p6/pp<$1q<$1- 是的在256种模式中，共有56种是均匀二进制模式，其中，XfIn-IcS.戈尔和J.Jagtap沙特国王大学学报84520¼××××××l20; max.变全旋光码我的朋友和朋友。1;r s;否则0到9）。最后，所有三个直方图被连接以产生在X轴上具有30个箱的单个组合直方图等式7给出了该特定变体的组合LBP直方图4. 提出的多尺度、多水平LBP变体总共有四个基于LBP的变体在这里提出。这些应用于多个级别，其中多个尺度占据不同的邻域大小，如图1和图2所示。 2比5 两个不同的尺度被用来作为：一个与5 5和另一个与7 7的邻域大小，这有助于描述局部区域的纹理模式与这样的较小的邻域大小，它进一步支持，以确定elusive类之间的局部变化。8位或16位或24位LBP方法在特定大小的邻域尺度内的特定级别（最内层到最外层）上以不同的方向应用最内层包括在任何正方形大小的邻域区域中的中心像素的直接周围像素与基本的16位或24位LBP方法不同，这种沿完整尺度具有不同方向的逐层计算有利于描述完整邻域区域的纹理● 变体I：具有三组8位LBP模式的多级LBP，5× 5邻域该变体通过在5 × 5平方大小的邻域中应用LBP方法为每个像素计算三个LBP代码，示于图 二、针对原始图像的每个像素计算三个8位LBP码，这导致三个LBP图像，每个LBP图像的大小与原始图像相似。然后是直方图，10个bin（10个LBP十进制代码的频率计数，编号为前列腺增生症1例1例2例 3例 7例其中v1是变量-I，并且LBPH（Gi）通过使用等式6来计算。该变体-I（v1）通过连接3个独立的8个组的单独直方图来计算大小为30的特征向量。像素使用等式7。● 变体-II：在7× 7邻域如图所示，通过考虑图像每个像素的7 × 7正方形邻域区域，对整个图像逐像素计算总共6个8位二进制模式。3 .第三章。该变体II（v2）通过使用等式8连接6个独立的8像素组的各个直方图来计算大小为60的特征向量。LBPH患者2例LBPH患者1例LBPH患者 2例LBPH患者 3例LBPH患者 4例LBPH其中v2是变体-II，7邻域如图3.第三章。并且LBPH（Gi）通过使用等式6来计算图二. LBP变体-I的工作通过连接从三个8位LBP二进制模式或等效十进制代码创建的每个直方图来计算直方图。在图的上侧以三组（G1、G2、G3：每组8个像素）的形式示出了包含总共25个像素（包括围绕一个中心像素（Ic）的24个相邻像素）的大小为5× 5的样本邻域区域G1i、G2i、G3i表示属于特定组（i = 1至8）的每个像素“i”的强度值通过从大小为5× 5的样本邻域区域中对三个组G1、G2、G3（根据等式1至5）进行阈值化，为中心像素生成三个样本8位局部将对整个图像执行针对每个像素的三个LBP代码的计算，从而给出三个LBP图像。三个直方图从每个LBP图像生成的直方图（根据等式6）将被级联以产生最终直方图作为特征向量（根据等式7）。S.戈尔和J.Jagtap沙特国王大学学报8453×××图3.第三章。使用LBP变体II计算8位LBP码在图的左侧以六个组（G1、G2、G3、G4、G5、G6：每个8个像素）的形式示出了包含总共49个像素（包括围绕一个中心像素（Ic）的48个相邻像素）的大小为7× 7的样本邻近区域G1i、G2i、G3i、G4i、G5i、G6i表示属于特定组（i = 1至8）的每个像素“i”的强度值图的右侧表示通过将其大小为7 × 7的邻域区域划分为六个组G1、G2、G3、G4、G5、G6来阈值化其大小为7 × 7的邻域区域，从而计算某个中心像素“Ic”的六个8位局部二进制模式三四五这将重复的每一个像素的整体图像以计算六个LBP图像及其直方图（LBPH），进一步根据等式No. 8.第八条。● 变体III：在7× 7邻域该方法通过在7 × 7正方形邻域内计算三个16位LBP码，对整个图像逐像素进行LBP计算，如图所示。 四、最终级联直方图的LBP特征向量的大小为54，其通过级联3组16位模式的18个LBP码的特征向量来计算。变体III（v3）的直方图由等式9给出。LBPHv3LBPHG1LBPHG 2LBPHG 39其中v3是变体-III，"+“表示级联，Gi是在给定的7×7邻域区域中的特定级别处的十六个像素的组，如图1所示。 四、并且LBPH（Gi）通过使用等式6来计算● 变体IV：具有两组24位LBP模式的多级LBP，7× 7邻域这个变体计算两个24位的二进制代码为每个像素通过应用LBP方法在7 × 7正方形邻域区域如图所示。 五、最终级联直方图的LBP特征向量的大小为52，其通过级联两组24位模式的26个代码的特征向量来计算变量-IV（v4）的LBP直方图由等式10给出。LBPH患者4例LBPH患者1例LBPH患者 2例10例其中v4是变体IV，区域如图5所示。并且LBPH（Gi）通过使用等式6来计算。4.1. 随机森林分类应用随机森林算法生成预测模型来分类1 p/19 q共缺失状态。它是医学图像分析中常用的机器学习算法随机森林分类器利用在任意划分的数据样本上生成的决策树集合，具有良好的判别能力。这种基于集合的推荐与个人学习模型相比，在辨别的家务方面表现出色。从每个T1加权和T2加权MRI图像的三个切片中提取纹理特征的数量（例如基于LBP直方图的特征 [具有8位LBP的10个特征/具有16位LBP的18个特征或具有24位LBP的 26个特征]和4个GLCM统计最后，对于每种MRI模态的每个2D图像，其产生具有LBP变体-I的34个特征、具有LBP变体-II的64个特征、具有LBP变体-III的58个特征和具有LBP变体-IV的56个特征使用特征选择技术提取前30个特征使用10倍交叉验证进行随机森林训练，涉及80%的受试者进行训练，20%的受试者进行验证。计算性能指标（如准确度、AUC、灵敏度-1pS.戈尔和J.Jagtap沙特国王大学学报8454图四、使用LBP变体III计算16位LBP码在图的左侧以三组（G1、G2、G3：每组16个像素）的形式示出了包含总共49个像素（包括围绕一个中心像素（Ic）的48个相邻像素）的大小为7× 7的样本邻近区域G1i、G2i、G3i表示属于特定组（i = 1至16）的每个像素“i”的强度值图的右侧表示通过将其大小为7 × 7的邻域区域划分为三个组G1、G2、G3来阈值化其大小为7 × 7的邻域区域，从而计算某个中心像素“Ic”的三个16位局部二进制模式（根据等式1和2），并且将根据等式3、4、5生成其均匀旋转不变的16位二进制模式或其等效的这将针对整个图像的每个像素重复以计算三个LBP图像及其对应的LBP图像。直方图（LBPH），进一步根据等式No. 9.第九条。4.1.1. 特征选择特征选择仅通过训练数据的统计分析来执行。前30个纹理特征是使用纹理特征（源自LBP变体和GLCM）的单变量统计F检验分析用“selectKbest”方法选择的。这30个特征是基于其统计学显著性p值得分（小于0. 005）来选择的。据观察，前六个特征的p值得分是相对显著的，并且这些范围从0.0104到0.0411。这些特征包括LBP变体I的五个特征（LBP码2，3，4，5，8）和GLCM纹理的一个特征前六个最重要的纹理描述符的箱形图如图所示。 六、5. 实验和结果159名受试者被随机分为训练和测试队列。使用127名受试者的训练队列，使用10倍方法交叉验证随机森林模型，并使用32名受试者的孤立集进一步测试对于每个集成的纹理集，在训练集上进行特征选择该多变量分析使用Python中的使用选择性LBP变体-I特征和GLCM特征的集成集获得了所生成的模型的最佳预测准确度，与其他LBP变体相比，训练组的准确度为84.25%（AUC = 0.864）在验证期间，20例受试者中共有19例1 p/19 q共缺失状态被正确预测，12例中有9例未缺失状态被正确预测所提出的模型的预测性能在表1中提供，用于每个LBP变体与GLCM特征的组合。从LBP变体II到变体IV的训练数据集和验证数据集之间的准确性、灵敏度和f1评分没有显著差异，而LBP变体IV的验证数据集中的特异性（ 41.66% ） 显 著 较 低 。 该 模 型 获 得 了 LBP 变 体 -I 的 较 高 AUC 值（0.917）和LBP变体-IV的较低AUC值（0.646）。此外，在训练和验证/测试阶段，在不进行特征选择的情况下，LBP变体-I方法的性能准确率分别为79.53%和81.25%。使用单变量特征选择和F检验选择前30个特征LBP变体-I结合GLCM特征（有和没有特征选择）的训练和测试性能的曲线下面积-受试者工作特征（AUC-ROC）曲线如图所示。7.第一次会议。此 外 ， 进 行 实 验 ， 仅 使 用 GLCM 功 能 ， 以 了 解 基 于 GLCM 的haralick功能与基于LBP的本地功能相比的性能。使用灰度共生矩阵特征集的测试准确率为64.56%。而仅用LBP变体-I方法，测试准确度为81.25%。此外，还使用支持向量机（线性核）对选定的特征进行了实验，使用LBP变体-I和GLCM方法的组合特征集，测试准确率达到71.63%。而其他LBP变体（变体II-IV）的交叉验证测试准确度分别为69.87%，67.33%和64.75%。此外，还进行了实验以评估原始基于LBP的纹理的性能[22]，以比较其S.戈尔和J.Jagtap沙特国王大学学报8455图五、使用LBP变体IV计算24位LBP码在图的左侧以三组（G1、G2：每组24个像素）的形式示出了包含总共49个像素（包括围绕一个中心像素（Ic）的48个相邻像素）的大小为7×7的样本邻域区域G1i、G2i表示属于特定组（i = 1至24）的每个像素“i”的强度值图的右侧表示通过将其大小为7 × 7的邻域区域划分成三个组- G1、G2及其均匀旋转不变的24位二进制模式或其等效十进制来对其进行阈值化，从而计算某个中心像素“Ic”的三个24位局部二进制模式（代码（code1，code2）将按照公式No生成三四五这将对整个图像的每个像素重复以计算两个LBP图像及其直方图（LBPH），进一步根据等式No计算最终的联合直方图。10个。图六、前六个重要特征的箱形图（高级LBP和GLCM纹理）。第一行（（a）、（b）、（c））示出了具有LBP十进制代码编号2、3、4的LBP纹理的箱线图4.第二行（（d）、（e）、（f））显示具有LBP十进制代码编号5、8的LBP纹理和GLCM纹理（均匀性）的箱形图。性能与建议的LBP变量为基础的纹理模式。基本LBP方法（旋转不变均匀8位、16位和24位LBP方法）与GLCM特征的组合在表2中示出。S.戈尔和J.Jagtap沙特国王大学学报表18456所提出的模型对于每个LBP变体结合GLCM特征的性能特征提取方法培训准确率（%）验证准确度（%）验证灵敏度验证特异性验证f1评分LBP变体-I和GLCM特征84.2587.5095.007590.48LBP变体-II和GLCM特征70.8671.8880.0058.3378.05LBP变体III和GLCM特征72.4478.1385.0066.6782.92LBP变体-IV和GLCM特征69.2965.6380.0141.6674.41见图7。结合GLCM的LBP变体I的训练和测试性能（有和没有特征选择）的AUC-ROC曲线表1和2清楚地表明，与使用原始LBP方法提取的纹理模式相比，使用提出的LBP变体提取的高级纹理优于1 p/19 q共缺失基因分型。与表3中突出显示的当前方法进行了比较研究;这些方法在1 p/19 q编码预测的放射基因组学分析实验6. 讨论医学图像的纹理分析是一个活跃的研究领域，因为从医学图像中提取的纹理细节富含用于分析推断任何特定医学任务的调查信息。现有文献中有关于纹理分析的文章可用于医学图像分析的不同应用[23纹理是胶质瘤表征的放射组学模型中广泛使用的特征之一[26，27]。在这方面，灰度共生矩阵和游程矩阵的使用是研究高级别和低级别胶质瘤的分子表征的最流行的方法。在IDH突变、1 p/19 q共缺失阳性状态和/或其他遗传突变的受试者中，发现分子亚型之间存在统计学显著的GLCM纹理差异[28]。使用基于GLCM的脑MRI纹理分析对神经胶质瘤中的IDH亚型进行分类，使用线性回归分类器的准确度为85%[29]。使用SVM分类器和GLCM、GLRLM、GLSZM、NGTDM特征组进行放射组学分析，获得的AUC为0.63[30]，而使用神经网络对基于1 p/19 q代码缺失的亚型进行分类的相似纹理集的准确度为83.8%，AUC为0.869[9]。尽管灰度共生矩阵和基于游程长度的纹理参数具有广泛的适用性，但其高维性是一个主要缺点，因为它增加了计算复杂度。另外，使用LBP方法的纹理分析是一种计算简单的方法;但它对纹理重建具有很高的区分能力，通过捕获癌症组织中难以捉摸的局部差异，这在医学分类的癌症相关研究中非常有益[5]。该研究已经证明了先进的生物医学纹理描述符的能力，这是基于两种类型的纹理细节（一个来自GLCM统计特性，另一个来自扩展的LBP变体），在神经胶质瘤中基于1 p/19 q共缺失状态的亚型的特征化多项研究正集中在胶质瘤放射基因组学模型上，主要集中在基因型，包括IDH、1 p/19 q编码等，并且可以在临床试验中进一步靶向，以决定神经胶质瘤癌症患者的即时治疗方案。MRI T_1和T_2加权像的放射性核素是鉴别IDH和1 p/19 q胶质瘤的重要影像学标志物。除了这些生物标志物外，T2 FLAIR（液体衰减反转恢复）提取放射组学;尤其是T2-FLAIR不匹配征;被报告为高度提示IDH突变的1 p/19 q非共缺失低级别胶质瘤[31研究了Ⅱ级胶质瘤的直方图、表观扩散系数（ADC）图、各向异性分数（FA）图的纹理特征与IDH基因型、1 p/19 q共缺失基因型的密切关系。在IDH突变体、1 p/19 q共缺失胶质瘤中观察到受限扩散参数值[34]。在IDH和基于1 p/19 q共缺失的基因分型的支持向量机（SVM）辅助放射组学模型的97%选定特征中，LGG的纹理特征被研究为最具说明性的特征;其在区分1 p/19 q共缺失IDH突变体与非共缺失IDH突变体方面的准确度为80.0%[35]。不同的神经影像学指标，如纹理、T2 FLAIR不匹配、位置等与患者使用支持向量机获得了TCIA提供的“LGG-1 p19 qDeletion”数据集的预测性能通过展示分形纹理特征的潜力，实现了基于1 p/19 q共缺失的LGG分类的显著预测性能[37]。Haralick纹理，特别是同质性参数，显示出FLAIR MRI序列IDH预测的潜力，AUC值更大，为0.905;但它不能基于1 p/19 q共缺失状态区分LGG[38]。在总共206个表2原始LBP方法（8位、16位和24位）结合GLCM特征的性能测量培训准确率（%）验证准确度（%）验证灵敏度验证特异性验证f1评分原始LBP（8位）和GLCM功能73.237580.0066.6780原始LBP（16位）和GLCM功能70.0768.7575.0158.3375原始LBP（24位）和GLCM功能68.5065.6275.035073.17S.戈尔和J.Jagtap沙特国王大学学报8457××表3与现有方法的比较研究。Lu34纹理（GLCM，GLRLM，LBP），形状，强度，大小SVM TCIA 80.0通过分析选定的特征，如直方图、GLRLM、GLCM、形状等，对TCIA数据的患者进行分析[8]。使用不同的成像生物标志物（包括强度、纹理、体积）来确定TCIA可用的LGG患者的1 p/19 q突变状态，基于支持向量机的实验在未观察到的数据上获得了82.43%的准确度[39]。共17个机器学习分类器用于放射组学分析，从对比增强的T1加权和T2加权MRI中提取39个纹理特征，以区分1 p/19 q共缺失胶质瘤及其对应物[40]并且使用具有0.87 AUC和87%分类准确度的集成决策树算法获得 最 佳 性 能 。 最 近 仅 对 II 级 胶 质 瘤 的 中 国 胶 质 瘤 基 因 组 图 谱（CGGA）数据库的工作评估了支持向量机的性能，准确度约为75%[41]。使用1 p/19 q分层的随机森林算法实现了0.76和0.887的测试和训练AUC[42]。Zhou等人使用随机森林方法，使用IDH突变和1p/19 q共缺失状态进行三组预测，证明了78.2%的中等检验准确度，而仅基于1 p/19 q共缺失的二元分类的AUC为0.716[43]。此外，使用先进的MRI技术（如扩散加权成像、灌注加权成像）确定逻辑回归模型的诊断性能，导致基于1 p/19 q编码缺失的基因分型的AUC为0.88[44]。与放射组学方法相比，深度学习方法已经导致胶质瘤肿瘤的医学图像分析性能的进步，特别是对于脑肿瘤分割任务，并且已经促进了更精确的在所有深度模型中，卷积神经网络已被特别证明在胶质瘤分析中很受欢迎最近，Akkus等人使用30倍扩增数据进行了多尺度CNN实验，可以预测1 p/19 q共缺失，准确率为87.7%[19]。训练具有特征选择的CNN模型以分类1 p/19 q共缺失状态，并且其具有92%的准确度，其中大多数预测特征是通过对CNN的最终层应用PRIN-UNR分量分析来选择的[45]。基于3D CNN的VolumeNet在一些地区医院提供的私人数据库上进行了训练，并且已经证明对具有或不具有1 p/19 q编码状态的低级别胶质瘤进行分类的测试准确度为97%[46]。在预测1 p/19 q共缺失状态时，获得了93.46%的3倍交叉验证准确度[47]。同样，其他一些基于深度学习的方法已经证明了神经胶质瘤分析的可行模型，这些模型在基因组表征中发挥着重要作用[48，49]。但另一方面，非确定性深度学习技术需要能够捕获高性能结果的原因，并能够可视化促成高结果的区域。这对于实现生物标志物的放射学强化是必要的，以提高大多数预测性MRI特征的临床价值[50然而，拟议的工作重点是临床可解释性使用先进的LBP纹理描述符对神经胶质瘤的基因型表征的大多数预测性纹理特征。由于8位LBP方法的变体I通过对占据完整的5 × 5大小的邻域窗口的3组8个相邻像素进行编码来描述局部模式，并且在整个邻域尺度上也遵循固定的方向风格罩窗，因此它相对更能够区分在基于1 p/19 q共缺失的类别中存在的细微变化。实验结果表明，LBP方法可以利用少量的小尺度邻域像素识别出更有意义的局部结构。从16位和24位LBP变体（变体III和IV）观察到，模型性能没有随着采样点数量的增加而提高（即，接近无聊的像素）。甚至使用相同的8位LBP（变体II方法）也没有观察到性能增强，这是由于邻域的窗口大小的增加（即，7（7）窗口。作为该方法通过增加采样距离来扩大局部邻域窗口的尺度，并将较远距离处的邻域像素强度信息引入LBP计算，得到最终的特征向量。而远距离相邻信号强度对区分1 p/19 q共缺失型和非缺失型胶质瘤的局部纹理模式的能力较差。此外，基于GLCM的均匀性也被证明是最具区分性的特征之一，见证了两种基因型中不同的强度分布。这项研究工作开发了一种基于放射基因组学的机器学习模型，该模型基于术前MRI扫描非侵入性地预测LGG的1 p/19 q共缺失状态，通过LBP变体I衍生特征和GLCM特征的组合集（AUC为0.917）获得最佳性能。此外，我们能够证明一个先进的生物医学纹理描述符在放射基因组计算机辅助决策的意义。它还能够表明，高级LBP特征在1 p/19 q基因分型中更重要，并且足以通过识别不同的局部特征来区分癌组织。这种模型无疑有利于提高基于机器学习的放射基因组学分析的临床理解这一初步研究可能支持这些模型更好地被接受到胶质瘤的病理诊断。7. 结论基于LBP和灰度共生矩阵（GLCM）方法建立了一种综合的、先进的纹理分析方法，用于LGG 1 p/19 q共缺失状态的非侵入性预测。本文提出的纹理描述子可以有效地用于胶质瘤的放射基因组学分析， 使用使用 LBP 变体 I 方法提 取的纹理 特征和基于 GLCM 的Haralick纹理的集成集，对约88%（28/32）的LGG受试者进行正确分类我们的研究结果表明，提出的生物医学纹理描述符在分析低级别胶质瘤MRI中基于1 p/19 q共缺失的亚型中的有效性，因此有可能成为计算机辅助诊断中有价值的工具通过将每个像素的邻域区域划分为不同的子区域并从每个子区域分别提取LBP特征，在多个尺度、多个层次上从原始图像中提取更丰富的局部信息，进一步提高了原始LBP描述子的性能第3节给出的实验结果表明，扩展的和先进的生物医学纹理描述符提高了标准方法和一些最先进的方法的性能。这种基于纹理的模型的增强性能突出了放射基因组学的细节潜力参考特征分类器数据集准确度（%）AUCKocak9纹理（GLCM，GLRLM，NGLDM，GLZLM），直方图神经网络TCIA83.80.869S.戈尔和J.Jagtap沙特国王大学学报8458一种在局部和全局区域级别描述肿瘤掩模的外观属性的先进方法。此外，这样的信息还可以逐步关注个性化的手术计划并支持病理分析。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用Athira，A.，例如，2018.基于局部二值模式和高斯背景模型的运动目标检测。In：Bhattacharyya S.，Sen S.，Dutta M.，比斯瓦斯P.，查托帕德海（编辑）科学、工程和技术方面的工业互动创新网络与系统讲义，第11卷。新加坡施普林格，10.1007/978-981-10-3953-9_35Satpathy，A.例如，].基于LBP的边缘纹理特征用于物体识别。IEEE Trans ImageProcess 23（5），1953-1964. https://doi.org/10.1109/TIP.2014.2310123.Lu，J.等人，].学习紧致二值人脸描述子用于人脸识别。IEEE传输模式分析马赫内特尔37（10），2041-2056。https://doi.org/10.1109/TPAMI.2015.2408359.Bhattacharjee，D.例如，].基于Haar小波变换和局部二值模式的人脸热像识别比较研究。Comput.内特尔Neurosci.2012,.https://doi.org/10.1155/2012/261089261089.巴塔查里亚D.例如，].一个新的统计框架，胼胝体子区域表征的基础上LBP纹理帕金森病患者：一个试点研究。神经科学前沿14.https://doi.org/10.3389/fnins.2020.00477.Eichinger，P.例如，]中。扩散张量图像
