期刊文献+
共找到1篇文章
< 1 >
每页显示 20 50 100
基于对比增强T1WI图像纹理建立机器学习模型诊断脑转移瘤原发灶来源 被引量:5
1
作者 黄栎有 徐璐 +2 位作者 高先聪 李智勇 牛磊 《中国医学影像学杂志》 CSCD 北大核心 2023年第4期321-325,共5页
目的探讨基于对比增强T1WI图像纹理特征建立机器学习模型诊断脑转移瘤原发灶来源的价值。资料与方法回顾性分析2016年8月—2020年2月南京鼓楼医院集团宿迁医院肺癌、乳腺癌和消化系统肿瘤脑转移患者112例,共137枚脑转移瘤。利用Mazda软... 目的探讨基于对比增强T1WI图像纹理特征建立机器学习模型诊断脑转移瘤原发灶来源的价值。资料与方法回顾性分析2016年8月—2020年2月南京鼓楼医院集团宿迁医院肺癌、乳腺癌和消化系统肿瘤脑转移患者112例,共137枚脑转移瘤。利用Mazda软件提取对比增强T1WI图像纹理特征,通过组内相关系数检验选取重复性良好的纹理特征。按照7∶3分为训练集(n=96)和验证集(n=41)。对训练集中的特征进行降维,并采用OneVsRest多分类策略,分别训练Logistic回归、随机森林和支持向量机3种机器学习模型。建立的模型在验证集中进行验证。绘制3种脑转移作为阳性分类时的受试者工作特征曲线,比较3种模型曲线下面积(AUC)的差异。通过计算3种模型的宏平均AUC评价模型的整体分类性能。结果3种模型中随机森林模型诊断效能最好,验证集中对肺癌、乳腺癌和消化系统肿瘤脑转移的AUC分别为0.801、0.928、0.817,宏平均AUC为0.87。3种模型AUC差异均无统计学意义(P>0.05)。结论基于对比增强T1WI图像纹理特征建立机器学习模型能够有效诊断脑转移瘤原发灶来源,其中随机森林模型的诊断效能较好。 展开更多
关键词 脑转移瘤 磁共振成像 纹理分析 机器学习
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部