期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于深度学习分割肿瘤区域的影像组学特征预测直肠癌区域淋巴结状态
1
作者
赵婉婷
李婉清
+5 位作者
郝勇飞
乔小爱
侯国瑞
杜少华
张广文
张劲松
《磁共振成像》
北大核心
2025年第10期60-67,共8页
目的探讨基于深度学习的肿瘤自动分割与影像组学在预测直肠癌区域淋巴结转移中的应用价值。材料与方法回顾性纳入了两种磁共振设备采集的282例直肠癌患者的T2加权成像(T2-weighted imaging,T2WI)和扩散加权成像(diffusion weighted imag...
目的探讨基于深度学习的肿瘤自动分割与影像组学在预测直肠癌区域淋巴结转移中的应用价值。材料与方法回顾性纳入了两种磁共振设备采集的282例直肠癌患者的T2加权成像(T2-weighted imaging,T2WI)和扩散加权成像(diffusion weighted imaging,DWI)图像。分别基于3D U-Net、3D V-Net和nnU-Net v2构建深度学习自动分割模型,计算Dice相似系数(dice similarity coefficient,DSC)对其性能进行评估。影像组学特征分别从基于人工分割的感兴趣区(manual-based volume of interest,MbV)以及基于深度学习自动分割的感兴趣区(deep learning-based volume of interest,DbV;选取DSC最高的模型结果)中提取。在完成特征归一化与筛选后,使用五种机器学习算法建立影像组学模型,预测直肠癌淋巴结转移风险。最终通过计算影像组学模型曲线下面积(area under the curve,AUC)、准确率、特异度和敏感度等指标对模型性能进行全面评估。结果在直肠癌自动分割测试集中,nnU-Net v2的DSC显著高于3D U-Net和3D V-Net(T2WI:0.886 vs.0.548 vs.0.616,P<0.001;DWI:0.906 vs.0.583 vs.0.433,P<0.001)。在淋巴结转移预测方面,采用逻辑回归算法并基于DbV的影像组学模型性能与相应基于MbV的影像组学模型性能大致相当,差异无统计学意义(T2WI:0.700 vs.0.633,P=0.638;DWI:0.667 vs.0.700,P=0.544;T2WI+DWI:0.800 vs.0.833,P=0.248)。结论基于nnU-net v2分割肿瘤区域的影像组学特征(T2WI和DWI)可以有效预测直肠癌淋巴结转移。
展开更多
关键词
直肠癌
深度学习
影像组学
磁共振成像
淋巴结转移
在线阅读
下载PDF
职称材料
题名
基于深度学习分割肿瘤区域的影像组学特征预测直肠癌区域淋巴结状态
1
作者
赵婉婷
李婉清
郝勇飞
乔小爱
侯国瑞
杜少华
张广文
张劲松
机构
空军军医大学西京医院放射诊断科
出处
《磁共振成像》
北大核心
2025年第10期60-67,共8页
基金
国家自然科学基金项目(编号:82371918)
西京医院临床新技术项目(编号:2024XJSY43)。
文摘
目的探讨基于深度学习的肿瘤自动分割与影像组学在预测直肠癌区域淋巴结转移中的应用价值。材料与方法回顾性纳入了两种磁共振设备采集的282例直肠癌患者的T2加权成像(T2-weighted imaging,T2WI)和扩散加权成像(diffusion weighted imaging,DWI)图像。分别基于3D U-Net、3D V-Net和nnU-Net v2构建深度学习自动分割模型,计算Dice相似系数(dice similarity coefficient,DSC)对其性能进行评估。影像组学特征分别从基于人工分割的感兴趣区(manual-based volume of interest,MbV)以及基于深度学习自动分割的感兴趣区(deep learning-based volume of interest,DbV;选取DSC最高的模型结果)中提取。在完成特征归一化与筛选后,使用五种机器学习算法建立影像组学模型,预测直肠癌淋巴结转移风险。最终通过计算影像组学模型曲线下面积(area under the curve,AUC)、准确率、特异度和敏感度等指标对模型性能进行全面评估。结果在直肠癌自动分割测试集中,nnU-Net v2的DSC显著高于3D U-Net和3D V-Net(T2WI:0.886 vs.0.548 vs.0.616,P<0.001;DWI:0.906 vs.0.583 vs.0.433,P<0.001)。在淋巴结转移预测方面,采用逻辑回归算法并基于DbV的影像组学模型性能与相应基于MbV的影像组学模型性能大致相当,差异无统计学意义(T2WI:0.700 vs.0.633,P=0.638;DWI:0.667 vs.0.700,P=0.544;T2WI+DWI:0.800 vs.0.833,P=0.248)。结论基于nnU-net v2分割肿瘤区域的影像组学特征(T2WI和DWI)可以有效预测直肠癌淋巴结转移。
关键词
直肠癌
深度学习
影像组学
磁共振成像
淋巴结转移
Keywords
rectal cancer
deep learning
radiomics
magnetic resonance imaging
lymph node metastasis
分类号
R445.2 [医药卫生—影像医学与核医学]
R735.37 [医药卫生—肿瘤]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于深度学习分割肿瘤区域的影像组学特征预测直肠癌区域淋巴结状态
赵婉婷
李婉清
郝勇飞
乔小爱
侯国瑞
杜少华
张广文
张劲松
《磁共振成像》
北大核心
2025
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
