白质纤维束分割方法通过识别连接不同脑区的白质通路,为脑连接分析提供了重要的神经通路参考信息。然而,传统的白质纤维束分割方法主要依赖于弥散磁共振图像(Diffusion magnetic resonance imaging,dMRI),由于获取弥散磁共振图像比较耗...白质纤维束分割方法通过识别连接不同脑区的白质通路,为脑连接分析提供了重要的神经通路参考信息。然而,传统的白质纤维束分割方法主要依赖于弥散磁共振图像(Diffusion magnetic resonance imaging,dMRI),由于获取弥散磁共振图像比较耗时,这极大地限制了其在临床中的应用。为解决此问题,提出了一种基于T1加权图像的白质纤维束分割方法,通过计算T1加权图像的结构张量来提示可能的纤维走向,进而提高白质纤维束的分割精度。此外,本文在模型训练期间引入弥散磁共振图像的特权信息来指导模型学习,从而提升白质束分割模型性能,具有挑战性的束分割效果提升明显,其中左穹窿(Left fornix,FX_left)的Dice得分提高了5%,右穹窿(Right fornix,FX_right)的Dice得分提高了6%。。本研究弥补了在缺少弥散磁共振图像的场景下无法进行神经通路分析的不足,扩展了神经通路分析的应用场景。展开更多
目的建立不同机器学习算法的增强后T1加权图像影像组学模型,并对比不同模型鉴别肺癌与非肺癌脑转移瘤的诊断效能。材料与方法将728例肺癌脑转移瘤与126例非肺癌脑转移瘤患者按照7∶3比例随机分为训练集599例与验证集255例,所有患者增强T...目的建立不同机器学习算法的增强后T1加权图像影像组学模型,并对比不同模型鉴别肺癌与非肺癌脑转移瘤的诊断效能。材料与方法将728例肺癌脑转移瘤与126例非肺癌脑转移瘤患者按照7∶3比例随机分为训练集599例与验证集255例,所有患者增强T1加权图像导入ITK-SNAP软件,手动勾画感兴趣区(region of interest,ROI)。基于ROI进行影像组学特征提取并使用最小绝对收缩选择算子进行特征筛选。基于显著特征,分别建立支持向量机(support vector machines,SVM)、随机森林(random forest,RF)和逻辑回归(logistics regression,LR)模型,采用受试者工作特征(receiver operating characteristic,ROC)曲线评估模型对肺癌脑转移瘤及非肺癌脑转移瘤的鉴别诊断效能。结果经过特征筛选后最终保留5个显著特征,诊断效能最好的SVM影像组学模型在训练集中的ROC曲线下面积(area under the curve,AUC)为0.796,准确度为85.3%,敏感度为87.8%,特异度为70.8%,验证集中的AUC为0.789,准确度为90.2%,敏感度为95.4%,特异度为59.5%。结论基于增强MR影像组学模型可用于预测原发灶不明脑转移瘤的肺癌与非肺癌原发灶肿瘤类型,SVM模型诊断价值高于RF及LR模型。展开更多
文摘目的建立不同机器学习算法的增强后T1加权图像影像组学模型,并对比不同模型鉴别肺癌与非肺癌脑转移瘤的诊断效能。材料与方法将728例肺癌脑转移瘤与126例非肺癌脑转移瘤患者按照7∶3比例随机分为训练集599例与验证集255例,所有患者增强T1加权图像导入ITK-SNAP软件,手动勾画感兴趣区(region of interest,ROI)。基于ROI进行影像组学特征提取并使用最小绝对收缩选择算子进行特征筛选。基于显著特征,分别建立支持向量机(support vector machines,SVM)、随机森林(random forest,RF)和逻辑回归(logistics regression,LR)模型,采用受试者工作特征(receiver operating characteristic,ROC)曲线评估模型对肺癌脑转移瘤及非肺癌脑转移瘤的鉴别诊断效能。结果经过特征筛选后最终保留5个显著特征,诊断效能最好的SVM影像组学模型在训练集中的ROC曲线下面积(area under the curve,AUC)为0.796,准确度为85.3%,敏感度为87.8%,特异度为70.8%,验证集中的AUC为0.789,准确度为90.2%,敏感度为95.4%,特异度为59.5%。结论基于增强MR影像组学模型可用于预测原发灶不明脑转移瘤的肺癌与非肺癌原发灶肿瘤类型,SVM模型诊断价值高于RF及LR模型。
