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
基于深度学习特征预测无传统影像学征象的自发性脑出血患者早期血肿扩大
1
作者
卢万俊
彭剑
+3 位作者
袁梦轩
高丽清
沈洁玲
孙成团
《中国医学影像学杂志》
CSCD
北大核心
2024年第12期1215-1221,共7页
目的 探讨基于ResNet50深度残差网络模型的深度学习特征预测无传统影像学征象的自发性脑出血患者早期血肿扩大的价值。资料与方法 回顾性分析扬州大学附属江都人民医院2019年1月—2022年12月发病6 h内完成首次平扫颅脑CT,且入院后24 h...
目的 探讨基于ResNet50深度残差网络模型的深度学习特征预测无传统影像学征象的自发性脑出血患者早期血肿扩大的价值。资料与方法 回顾性分析扬州大学附属江都人民医院2019年1月—2022年12月发病6 h内完成首次平扫颅脑CT,且入院后24 h内复查平扫颅脑CT的自发性脑出血患者235例,按8∶2随机将患者分为训练集188例与测试集47例。在首次平扫颅脑CT上逐层勾画血肿感兴趣区提取影像组学特征。裁剪出最大二维横截面及其上下1 mm和2 mm处二维横截面的感兴趣区图像,输入ResNet50模型行预训练,提取平均池化层的深度学习特征,并将影像组学特征与深度学习特征融合。通过最小绝对收缩与选择算子回归模型分别筛选出最优的影像组学特征、深度学习特征和融合特征,采用支持向量机分类器构建预测模型。使用受试者工作特征曲线和决策曲线分析评价模型效能。结果 在训练集中,深度学习特征模型曲线下面积(AUC)为0.972,高于影像组学特征模型(0.951)和融合特征模型(0.968),差异均无统计学意义(P>0.05)。在测试集中,深度学习特征模型和融合特征模型AUC分别为0.867和0.895,显著高于影像组学特征模型(0.833),差异有统计学意义(Z=1.794、2.191,P<0.05);融合特征模型AUC较深度学习特征模型有所增益,但差异无统计学意义(P>0.05)。在测试集中,决策曲线分析显示融合特征模型获益优于深度学习特征模型和影像组学特征模型。结论 基于ResNet50深度学习特征模型预测早期血肿扩大表现优于影像组学特征模型,而融合特征模型对其预测血肿扩大有增益作用,为临床决策提供一种具有超视觉评估能力的预测工具。
展开更多
关键词
自发性脑出血
血肿扩大
深度学习
影像组学
预测
深度残差网络模型
在线阅读
下载PDF
职称材料
题名
基于深度学习特征预测无传统影像学征象的自发性脑出血患者早期血肿扩大
1
作者
卢万俊
彭剑
袁梦轩
高丽清
沈洁玲
孙成团
机构
扬州大学附属江都人民医院神经内科
扬州大学
附属
江都
人民医院
影像科
出处
《中国医学影像学杂志》
CSCD
北大核心
2024年第12期1215-1221,共7页
基金
扬州市基础研究计划(联合专项)卫生健康类项目基金(2024-2-29)。
文摘
目的 探讨基于ResNet50深度残差网络模型的深度学习特征预测无传统影像学征象的自发性脑出血患者早期血肿扩大的价值。资料与方法 回顾性分析扬州大学附属江都人民医院2019年1月—2022年12月发病6 h内完成首次平扫颅脑CT,且入院后24 h内复查平扫颅脑CT的自发性脑出血患者235例,按8∶2随机将患者分为训练集188例与测试集47例。在首次平扫颅脑CT上逐层勾画血肿感兴趣区提取影像组学特征。裁剪出最大二维横截面及其上下1 mm和2 mm处二维横截面的感兴趣区图像,输入ResNet50模型行预训练,提取平均池化层的深度学习特征,并将影像组学特征与深度学习特征融合。通过最小绝对收缩与选择算子回归模型分别筛选出最优的影像组学特征、深度学习特征和融合特征,采用支持向量机分类器构建预测模型。使用受试者工作特征曲线和决策曲线分析评价模型效能。结果 在训练集中,深度学习特征模型曲线下面积(AUC)为0.972,高于影像组学特征模型(0.951)和融合特征模型(0.968),差异均无统计学意义(P>0.05)。在测试集中,深度学习特征模型和融合特征模型AUC分别为0.867和0.895,显著高于影像组学特征模型(0.833),差异有统计学意义(Z=1.794、2.191,P<0.05);融合特征模型AUC较深度学习特征模型有所增益,但差异无统计学意义(P>0.05)。在测试集中,决策曲线分析显示融合特征模型获益优于深度学习特征模型和影像组学特征模型。结论 基于ResNet50深度学习特征模型预测早期血肿扩大表现优于影像组学特征模型,而融合特征模型对其预测血肿扩大有增益作用,为临床决策提供一种具有超视觉评估能力的预测工具。
关键词
自发性脑出血
血肿扩大
深度学习
影像组学
预测
深度残差网络模型
Keywords
Spontaneous intracerebral hemorrhage
Hematoma expansion
Deep learning
Radiomics
Forecasting
Deep residual network
分类号
R743.34 [医药卫生—神经病学与精神病学]
R445.3 [医药卫生—影像医学与核医学]
R364.1 [医药卫生—病理学]
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
基于深度学习特征预测无传统影像学征象的自发性脑出血患者早期血肿扩大
卢万俊
彭剑
袁梦轩
高丽清
沈洁玲
孙成团
《中国医学影像学杂志》
CSCD
北大核心
2024
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
