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
2
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DWI深度学习特征的预测模型评估子宫内膜癌微卫星不稳定状态的价值
被引量：
2
1
作者
牛永超
周芳
+3 位作者
赵丹丹
侯孟岩
李淑建
张勇
《中国医学影像学杂志》
CSCD
北大核心
2024年第9期922-927,共6页
目的探索基于扩散加权成像(DWI)深度学习特征的预测模型在子宫内膜癌微卫星不稳定状态评估中的价值。资料与方法回顾性分析2020年6月—2023年4月于新乡市中心医院行MRI检查的32例微卫星不稳定和55例微卫星稳定子宫内膜癌患者的DWI资料,...
目的探索基于扩散加权成像(DWI)深度学习特征的预测模型在子宫内膜癌微卫星不稳定状态评估中的价值。资料与方法回顾性分析2020年6月—2023年4月于新乡市中心医院行MRI检查的32例微卫星不稳定和55例微卫星稳定子宫内膜癌患者的DWI资料,测量原发病灶的表观扩散系数(ADC),并分别应用多层卷积神经网络和PyRadiomics提取原发病灶的深度学习特征和影像组学特征。使用最小绝对收缩和选择算子及随机森林进行特征筛选和模型建立,采用受试者工作特征曲线下面积(AUC)和净重新分类指数评估模型性能,基于1000次重采样的Bootstrap进行模型内部验证。结果深度学习模型共纳入6个特征,分别为第7、57、77、82、97和108个特征,AUC为0.905(95%CI 0.823~0.957);影像组学模型共纳入6个特征,分别为1个邻域灰度差矩阵、4个灰度区域大小矩阵和1个灰度游程长度矩阵特征,AUC为0.844(95%CI 0.751~0.913);微卫星不稳定组的ADC小于微卫星稳定组(t=-4.123,P<0.001),AUC为0.810(95%CI 0.712~0.886)。与影像组学模型和ADC相比,深度学习模型的风险预测效果得到改善,净重新分类指数分别为0.856和0.486(P<0.01,P=0.024)。在基于Bootstrap的内部验证中深度学习模型也展示出较影像组学模型更高的性能,二者的AUC分别为0.897(95%CI 0.889~0.905)和0.829(95%CI 0.812~0.839)。结论与影像组学模型和ADC相比,基于DWI图像深度学习特征的预测模型能够更好地评估子宫内膜癌患者的微卫星不稳定状态。
展开更多
关键词
子宫内膜肿瘤
磁共振成像
扩散加权成像
深度学习
影像组学
微卫星不稳性
在线阅读
下载PDF
职称材料
基于多参数磁共振成像的深度迁移学习特征预测子宫内膜癌微卫星表达状态
2
作者
刘紫妍
丁裕馨
柏根基
《中国医学影像学杂志》
北大核心
2025年第5期546-552,561,共8页
目的探讨基于多参数磁共振的深度迁移学习特征联合临床参数预测子宫内膜癌微卫星表达状态。资料与方法回顾性分析2020年1月—2022年12月南京医科大学附属淮安一院262例子宫内膜癌患者,以7∶3随机分为训练队列183例和验证队列79例。使用5...
目的探讨基于多参数磁共振的深度迁移学习特征联合临床参数预测子宫内膜癌微卫星表达状态。资料与方法回顾性分析2020年1月—2022年12月南京医科大学附属淮安一院262例子宫内膜癌患者,以7∶3随机分为训练队列183例和验证队列79例。使用50层残差神经网络(ResNet50)分别从T2WI和扩散加权成像(DWI)中提取深度迁移学习特征,并构建T2-net、DWI-net、多序列融合及联合模型。最终将多参数融合的深度迁移学习特征联合经单因素、多因素Logistic回归筛选出的临床独立预测因子构建联合模型。使用受试者工作特征曲线下面积、校准曲线及决策曲线评估各模型的预测效能。模型可视化(Grad-CAM)用于模型解释。结果与单一序列模型相比,多序列融合模型的性能更优,验证队列的曲线下面积为0.898,准确度为0.823,敏感度为0.812,特异度为0.825,F1值为0.650。单因素、多因素Logistic回归显示,血清学指标人附睾蛋白4及伴发子宫肌瘤为临床独立危险因子。构建的联合模型在验证队列中的预测性能最佳,验证队列的曲线下面积为0.924,准确度为0.835,敏感度为0.875,特异度为0.825,F1值为0.683。结论基于深度迁移学习特征的多参数融合模型能够有效、无创地预测子宫内膜癌患者微卫星状态。
展开更多
关键词
子宫内膜肿瘤
磁共振成像
深度迁移学习
微卫星不稳性
预测
在线阅读
下载PDF
职称材料
题名
基于DWI深度学习特征的预测模型评估子宫内膜癌微卫星不稳定状态的价值
被引量：
2
1
作者
牛永超
周芳
赵丹丹
侯孟岩
李淑建
张勇
机构
新乡市中心医院磁共振科
郑州大学第一附属医院磁共振科
出处
《中国医学影像学杂志》
CSCD
北大核心
2024年第9期922-927,共6页
基金
河南省医学科技公关计划联合共建项目(LHGJ20210901)。
文摘
目的探索基于扩散加权成像(DWI)深度学习特征的预测模型在子宫内膜癌微卫星不稳定状态评估中的价值。资料与方法回顾性分析2020年6月—2023年4月于新乡市中心医院行MRI检查的32例微卫星不稳定和55例微卫星稳定子宫内膜癌患者的DWI资料,测量原发病灶的表观扩散系数(ADC),并分别应用多层卷积神经网络和PyRadiomics提取原发病灶的深度学习特征和影像组学特征。使用最小绝对收缩和选择算子及随机森林进行特征筛选和模型建立,采用受试者工作特征曲线下面积(AUC)和净重新分类指数评估模型性能,基于1000次重采样的Bootstrap进行模型内部验证。结果深度学习模型共纳入6个特征,分别为第7、57、77、82、97和108个特征,AUC为0.905(95%CI 0.823~0.957);影像组学模型共纳入6个特征,分别为1个邻域灰度差矩阵、4个灰度区域大小矩阵和1个灰度游程长度矩阵特征,AUC为0.844(95%CI 0.751~0.913);微卫星不稳定组的ADC小于微卫星稳定组(t=-4.123,P<0.001),AUC为0.810(95%CI 0.712~0.886)。与影像组学模型和ADC相比,深度学习模型的风险预测效果得到改善,净重新分类指数分别为0.856和0.486(P<0.01,P=0.024)。在基于Bootstrap的内部验证中深度学习模型也展示出较影像组学模型更高的性能,二者的AUC分别为0.897(95%CI 0.889~0.905)和0.829(95%CI 0.812~0.839)。结论与影像组学模型和ADC相比,基于DWI图像深度学习特征的预测模型能够更好地评估子宫内膜癌患者的微卫星不稳定状态。
关键词
子宫内膜肿瘤
磁共振成像
扩散加权成像
深度学习
影像组学
微卫星不稳性
Keywords
Endometrial neoplasms
Magnetic resonance imaging
Diffusion weighted imaging
Deep learning
Radiomics
Microsatellite instability
分类号
R737.33 [医药卫生—肿瘤]
R445.2 [医药卫生—影像医学与核医学]
在线阅读
下载PDF
职称材料
题名
基于多参数磁共振成像的深度迁移学习特征预测子宫内膜癌微卫星表达状态
2
作者
刘紫妍
丁裕馨
柏根基
机构
南京医科大学附属淮安一院影像科
出处
《中国医学影像学杂志》
北大核心
2025年第5期546-552,561,共8页
文摘
目的探讨基于多参数磁共振的深度迁移学习特征联合临床参数预测子宫内膜癌微卫星表达状态。资料与方法回顾性分析2020年1月—2022年12月南京医科大学附属淮安一院262例子宫内膜癌患者,以7∶3随机分为训练队列183例和验证队列79例。使用50层残差神经网络(ResNet50)分别从T2WI和扩散加权成像(DWI)中提取深度迁移学习特征,并构建T2-net、DWI-net、多序列融合及联合模型。最终将多参数融合的深度迁移学习特征联合经单因素、多因素Logistic回归筛选出的临床独立预测因子构建联合模型。使用受试者工作特征曲线下面积、校准曲线及决策曲线评估各模型的预测效能。模型可视化(Grad-CAM)用于模型解释。结果与单一序列模型相比,多序列融合模型的性能更优,验证队列的曲线下面积为0.898,准确度为0.823,敏感度为0.812,特异度为0.825,F1值为0.650。单因素、多因素Logistic回归显示,血清学指标人附睾蛋白4及伴发子宫肌瘤为临床独立危险因子。构建的联合模型在验证队列中的预测性能最佳,验证队列的曲线下面积为0.924,准确度为0.835,敏感度为0.875,特异度为0.825,F1值为0.683。结论基于深度迁移学习特征的多参数融合模型能够有效、无创地预测子宫内膜癌患者微卫星状态。
关键词
子宫内膜肿瘤
磁共振成像
深度迁移学习
微卫星不稳性
预测
Keywords
Endometrial neoplasms
Magnetic resonance imaging
Deep transfer learning
Microsatellite instability
Forecasting
分类号
R445.2 [医药卫生—影像医学与核医学]
R737.33 [医药卫生—肿瘤]
TP181 [自动化与计算机技术—控制理论与控制工程]
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DWI深度学习特征的预测模型评估子宫内膜癌微卫星不稳定状态的价值
牛永超
周芳
赵丹丹
侯孟岩
李淑建
张勇
《中国医学影像学杂志》
CSCD
北大核心
2024
2
在线阅读
下载PDF
职称材料
2
基于多参数磁共振成像的深度迁移学习特征预测子宫内膜癌微卫星表达状态
刘紫妍
丁裕馨
柏根基
《中国医学影像学杂志》
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
