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
共找到3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：
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
基于平扫CT多维度影像组学对无传统影像学特征的自发性脑出血患者早期血肿扩大的预测作用 被引量：10
2
作者 卢万俊 彭剑 +3 位作者 袁梦轩 高丽清 沈洁玲 孙成团 《中国脑血管病杂志》 CAS CSCD 北大核心 2023年第9期597-608,共12页
目的 探讨基于平扫CT(NCCT)多维度影像组学特征模型对传统影像学特征阴性的自发性脑出血(sICH)患者早期血肿扩大(HE)的预测价值。方法 回顾性连续纳入2019年1月至2022年12月扬州大学附属江都人民医院神经内科无HE传统影像学特征的sICH... 目的 探讨基于平扫CT(NCCT)多维度影像组学特征模型对传统影像学特征阴性的自发性脑出血(sICH)患者早期血肿扩大(HE)的预测价值。方法 回顾性连续纳入2019年1月至2022年12月扬州大学附属江都人民医院神经内科无HE传统影像学特征的sICH住院患者185例,发病6 h以内行首次头部NCCT检查,并于24 h内行头部NCCT复查,根据是否发生HE将所有入选患者分为血肿扩大组(59例)和血肿未扩大组(126例)。应用“One-key AI”科研平台提取血肿内、血肿外影像组学特征,并融合成血肿内外影像组学特征,应用最小绝对收缩和选择算子(LASSO)回归方法进行特征筛选,应用支持向量机(SVM)分类器构建预测模型,同时构建临床参数和列线图模型(前4种模型的融合)。将所有患者按7∶3的比例分为训练集(130例)和验证集(55例)。使用受试者工作特征曲线的曲线下面积(AUC)评估各模型的预测性能,使用Delong检验比较各模型的AUC值,使用决策曲线分析(DCA)评估模型的有效性。结果 血肿内、血肿外各筛选出1 834个特征参数,通过LASSO回归方法筛选出血肿内感兴趣区域17个、血肿外感兴趣区域21个和血肿内外感兴趣区域29个特征参数。构建的SVM模型为临床参数以及血肿内、血肿外、血肿内外影像组学特征及列线图模型。受试者工作特征曲线分析结果显示,临床参数模型及血肿内、血肿外、血肿内外影像组学特征模型以及列线图模型在训练集中的AUC分别为0.742(95%CI:0.648~0.835)、0.941(95%CI:0.903~0.978)、0.955(95%CI:0.915~0.996)、0.964(95%CI:0.938~0.990)和0.985(95%CI:0.971~0.999),在验证集中的AUC分别为0.696(95%CI:0.596~0.798)、0.837(95%CI:0.765~0.909)、0.872(95%CI:0.805~0.939)、0.908(95%CI:0.851~0.940)和0.912(95%CI:0.859~0.964)。Delong检验结果显示,血肿内影像组学特征模型、血肿外影像组学特征模型、血肿内外影像组学特征模型和列线图模型AUC在训练集和验证集中均显著高于临床模型,差异均有统计学意义(训练集Z值分别为2.325、2.899、3.028、3.324,验证集Z值分别为1.998、2.044、2.898、2.965,均P<0.05),而在训练集和验证集中,血肿内影像组学特征模型、血肿外影像组学特征模型、血肿内外影像组学特征模型、列线图模型两两之间的AUC比较,差异均无统计学意义(均P>0.05)。DCA结果表明,血肿内、血肿外及血肿内外影像组学特征模型较临床参数模型可提供更大的益处。结论 基于NCCT的多维度影像组学特征模型对预测HE传统影像学阴性的sICH患者早期HE具有一定的价值。 展开更多
关键词 自发性脑出血 血肿扩大 影像组学 计算机体层摄影术
在线阅读 下载PDF
以生境成像技术提取血肿内亚区域平扫CT影像组学特征预测自发性颅内出血患者血肿增大 被引量：4
3
作者 卢万俊 袁梦轩 +3 位作者 彭剑 孙成团 沈洁玲 高丽清 《中国医学影像技术》 CSCD 北大核心 2023年第12期1792-1797,共6页
目的观察以生境成像技术提取血肿内亚区域平扫CT(NCCT)影像组学特征预测自发性颅内出血(sICH)患者血肿增大(HE)的价值。方法回顾性分析228例传统影像学无明显异常的sICH患者,根据HE与否分为HE组(n=99)与非HE(NHE)组(n=129);同时按8∶2... 目的观察以生境成像技术提取血肿内亚区域平扫CT(NCCT)影像组学特征预测自发性颅内出血(sICH)患者血肿增大(HE)的价值。方法回顾性分析228例传统影像学无明显异常的sICH患者,根据HE与否分为HE组(n=99)与非HE(NHE)组(n=129);同时按8∶2比例划分训练集(n=182)与测试集(n=46)。比较组间临床、NCCT资料及实验室检查结果,以logistic回归分析筛选HE的影响因素。以生境成像技术将血肿ROI聚类划分为3个亚区,提取血肿整体(ROI_(整体))和3个亚区域ROI(ROI_(亚区1)、ROI_(亚区2)、ROI_(亚区3))的影像组学特征(ROI亚区3位于血肿与脑组织临界区)并进行筛选;分别基于4个ROI构建4种预测模型,评估其预测HE效能。结果HE组空腹血糖高于NHE组(t=2.047,P=0.041),但此非sICH HE的独立预测因素(P=0.070)。ROI_(亚区3)影像组学模型预测训练集和测试集sICH HE的曲线下面积分别为0.945和0.863,与同集别ROI_(整体)(0.921、0.813)、ROI_(亚区1)(0.925、0.807)和ROI_(亚区2)影像组学模型(0.909、0.720)差异均无统计学意义(P均>0.05)。决策曲线分析显示,ROI_(亚区域)影像组学模型可较其他3个模型带来更大获益。结论基于生境成像技术提取血肿与脑组织临界区域NCCT影像组学特征对预测sICH患者发生HE具有较高价值。 展开更多
关键词 脑出血 血肿 影像组学 体层摄影术 X线计算机
在线阅读 下载PDF
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
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部