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
基于多序列MRI影像组学与深度迁移学习特征的脑胶质瘤分级预测研究
被引量：
3
1
作者
刘志鹏
降建新
+3 位作者
吴琪炜
周炎
卞雪峰
朱银杏
《南京医科大学学报（自然科学版）》
CAS
北大核心
2024年第3期372-379,共8页
目的:探讨基于多序列磁共振成像(magnetic resonance imaging,MRI)手工影像组学(hand⁃crafted radiomic,HCR)和深度迁移学习(deep transfer learning,DTL)特征的机器学习(machine learning,ML)模型在术前预测脑胶质瘤分级的效能。方法:...
目的:探讨基于多序列磁共振成像(magnetic resonance imaging,MRI)手工影像组学(hand⁃crafted radiomic,HCR)和深度迁移学习(deep transfer learning,DTL)特征的机器学习(machine learning,ML)模型在术前预测脑胶质瘤分级的效能。方法:选取BraTS2019数据集中332例患者的影像数据[高级别胶质瘤(high⁃grade glioma,HGG)258例,低级别胶质瘤(low⁃grade glioma,LGG)74例],随机抽取30例HGG和8例LGG作为测试数据集,其余294例作为训练集和验证集。从T1、T2、T1c和Flair序列中提取病灶的HCR特征和DTL特征,并筛选出影响力前10的特征子集,基于HCR特征、DTL特征和两者组合的深度学习影像组学(deep learning radiomics,DLR)特征,分别建立7种ML模型,评估模型预测HGG和LGG的效能。选择最佳模型后,使用SHAP法对模型特征重要性进行量化及归因分析。结果:基于HCR和DTL组合的DLR特征构建的ML模型预测效能最高,当使用支持向量机的递归特征消除(support vector machine⁃recursive feature elimination,SVM⁃RFE)筛选特征后,使用T2+T1c+Flair序列组合的支持向量机(support vector machine,SVM)分类器的预测模型效果最佳。在验证集上,受试者工作特征曲线下面积达到0.996(95%CI:0.991~1.000),约登指数、准确度、灵敏度和特异度分别为0.920、0.976、0.988和0.932,在测试集上同样具有较高的分级预测效能。SHAP特征权重分析显示Flair序列的特征贡献较大,其次为T2及T1c序列,HCR和DTL特征均有重要贡献。结论:基于多序列MRI的DLR特征构建的ML模型可有效预测脑胶质瘤的肿瘤分级,其中经过SVM⁃RFE筛选后的T2+T1c+Flair序列组合的SVM分类器模型效能最佳。
展开更多
关键词
脑胶质瘤
磁共振成像
手工影像组学
深度迁移学习
深度学习影像组学
预测模型
在线阅读
下载PDF
职称材料
题名
基于多序列MRI影像组学与深度迁移学习特征的脑胶质瘤分级预测研究
被引量：
3
1
作者
刘志鹏
降建新
吴琪炜
周炎
卞雪峰
朱银杏
机构
南京医科大学
附属
泰州
人民医院
信息处
南京医科大学附属泰州人民医院神经外科
南京医科大学
附属
泰州
人民医院
影像科
南京医科大学
泰州
临床医学院
出处
《南京医科大学学报（自然科学版）》
CAS
北大核心
2024年第3期372-379,共8页
基金
泰州市第五期“311工程”第二层次培养对象资助科研项目(RCPY202129)
浦东新区科技发展基金事业单位民生科研专项(PKJ2021⁃Y09)
+2 种基金
泰州市中医药科技发展项目(TZ202301)
南京医科大学附属泰州人民医院培育项目(TZKY20220104)
南京医科大学泰州临床医学院博士后科研资助项目(TZBSHKY202204)。
文摘
目的:探讨基于多序列磁共振成像(magnetic resonance imaging,MRI)手工影像组学(hand⁃crafted radiomic,HCR)和深度迁移学习(deep transfer learning,DTL)特征的机器学习(machine learning,ML)模型在术前预测脑胶质瘤分级的效能。方法:选取BraTS2019数据集中332例患者的影像数据[高级别胶质瘤(high⁃grade glioma,HGG)258例,低级别胶质瘤(low⁃grade glioma,LGG)74例],随机抽取30例HGG和8例LGG作为测试数据集,其余294例作为训练集和验证集。从T1、T2、T1c和Flair序列中提取病灶的HCR特征和DTL特征,并筛选出影响力前10的特征子集,基于HCR特征、DTL特征和两者组合的深度学习影像组学(deep learning radiomics,DLR)特征,分别建立7种ML模型,评估模型预测HGG和LGG的效能。选择最佳模型后,使用SHAP法对模型特征重要性进行量化及归因分析。结果:基于HCR和DTL组合的DLR特征构建的ML模型预测效能最高,当使用支持向量机的递归特征消除(support vector machine⁃recursive feature elimination,SVM⁃RFE)筛选特征后,使用T2+T1c+Flair序列组合的支持向量机(support vector machine,SVM)分类器的预测模型效果最佳。在验证集上,受试者工作特征曲线下面积达到0.996(95%CI:0.991~1.000),约登指数、准确度、灵敏度和特异度分别为0.920、0.976、0.988和0.932,在测试集上同样具有较高的分级预测效能。SHAP特征权重分析显示Flair序列的特征贡献较大,其次为T2及T1c序列,HCR和DTL特征均有重要贡献。结论:基于多序列MRI的DLR特征构建的ML模型可有效预测脑胶质瘤的肿瘤分级,其中经过SVM⁃RFE筛选后的T2+T1c+Flair序列组合的SVM分类器模型效能最佳。
关键词
脑胶质瘤
磁共振成像
手工影像组学
深度迁移学习
深度学习影像组学
预测模型
Keywords
gliomas
magnetic resonance imaging
hand⁃crafted radiomic
deep transfer learning
deep learning radiomics
predic⁃tion model
分类号
R739.41 [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
基于多序列MRI影像组学与深度迁移学习特征的脑胶质瘤分级预测研究
刘志鹏
降建新
吴琪炜
周炎
卞雪峰
朱银杏
《南京医科大学学报（自然科学版）》
CAS
北大核心
2024
3
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
