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
基于多参数MRI影像组学鉴别非肿块型乳腺癌和非哺乳期乳腺炎
1
作者
宋丽俊
薛志伟
+2 位作者
田兄玲
贾毅
马依迪丽·尼加提
《磁共振成像》
北大核心
2025年第8期73-79,94,共8页
目的探讨基于多参数磁共振成像(magnetic resonance imaging,MRI)的影像组学模型对非肿块型乳腺癌和非哺乳期乳腺炎(non-lactating mastitis,NLM)的鉴别诊断价值。材料与方法回顾性收集2020年6月至2024年6月于新疆医科大学附属中医医院...
目的探讨基于多参数磁共振成像(magnetic resonance imaging,MRI)的影像组学模型对非肿块型乳腺癌和非哺乳期乳腺炎(non-lactating mastitis,NLM)的鉴别诊断价值。材料与方法回顾性收集2020年6月至2024年6月于新疆医科大学附属中医医院经病理证实为非肿块型乳腺癌和NLM的患者MRI资料共193例,其中非肿块型乳腺癌100例,NLM 93例。两组患者病灶总数225个,其中乳腺癌110个(48.89%),NLM 115个(51.11%)。按7∶3随机划分为训练集(157例)和测试集(68例),采用支持向量机(support vector machines,SVM)机器学习算法对动态增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)第1、4、7期(即CE1、CE4、CE7)、T2加权成像(T2-weighted imaging,T2WI)和扩散加权成像(diffusion weighted imaging,DWI)这5个序列的数据分别构建单序列模型、多参数MRI模型,并联合5个序列数据和临床特征建立融合模型,通过受试者工作特征(receiver operating characteristic,ROC)曲线、校准曲线、决策曲线分析(decision curve analysis,DCA)评价不同模型的性能,并使用SHAP图形对模型进行解释及可视化。结果单序列模型进行对比,CE1、CE4、CE7、T2WI和DWI序列在测试集的曲线下面积(area under the curve,AUC)分别为0.768、0.804、0.746、0.769、0.812,DWI在测试集的AUC最高,其次是CE4;多参数MRI模型在测试集的AUC为0.840(95%置信区间:0.749~0.932),而融合模型在测试集的AUC为0.866(95%置信区间:0.783~0.948),与CE1、CE4、CE7、T2WI单序列模型相比差异均有统计学意义(P<0.01)。结果显示,融合模型的准确度最高(77.94%);融合模型敏感度最高(90.00%);融合模型和CE4序列的特异度最高(均为68.42%)。结论多参数MRI联合临床特征的融合模型准确度、敏感度和特异度较高,与单序列模型、多参数MRI模型相比预测性能更优,可以为非肿块型乳腺癌和NLM的鉴别诊断提供较高价值。
展开更多
关键词
非哺乳期乳腺炎
非肿块型乳腺癌
多参数
磁共振成像
鉴别诊断
在线阅读
下载PDF
职称材料
题名
基于多参数MRI影像组学鉴别非肿块型乳腺癌和非哺乳期乳腺炎
1
作者
宋丽俊
薛志伟
田兄玲
贾毅
马依迪丽·尼加提
机构
新疆
人工智能
影像
辅助诊断重点实验室
新疆医科大学附属中医医院医学影像科
出处
《磁共振成像》
北大核心
2025年第8期73-79,94,共8页
基金
新疆人工智能影像辅助诊断重点实验室开放课题资助项目(项目编号:XJRGZN2024009)。
文摘
目的探讨基于多参数磁共振成像(magnetic resonance imaging,MRI)的影像组学模型对非肿块型乳腺癌和非哺乳期乳腺炎(non-lactating mastitis,NLM)的鉴别诊断价值。材料与方法回顾性收集2020年6月至2024年6月于新疆医科大学附属中医医院经病理证实为非肿块型乳腺癌和NLM的患者MRI资料共193例,其中非肿块型乳腺癌100例,NLM 93例。两组患者病灶总数225个,其中乳腺癌110个(48.89%),NLM 115个(51.11%)。按7∶3随机划分为训练集(157例)和测试集(68例),采用支持向量机(support vector machines,SVM)机器学习算法对动态增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)第1、4、7期(即CE1、CE4、CE7)、T2加权成像(T2-weighted imaging,T2WI)和扩散加权成像(diffusion weighted imaging,DWI)这5个序列的数据分别构建单序列模型、多参数MRI模型,并联合5个序列数据和临床特征建立融合模型,通过受试者工作特征(receiver operating characteristic,ROC)曲线、校准曲线、决策曲线分析(decision curve analysis,DCA)评价不同模型的性能,并使用SHAP图形对模型进行解释及可视化。结果单序列模型进行对比,CE1、CE4、CE7、T2WI和DWI序列在测试集的曲线下面积(area under the curve,AUC)分别为0.768、0.804、0.746、0.769、0.812,DWI在测试集的AUC最高,其次是CE4;多参数MRI模型在测试集的AUC为0.840(95%置信区间:0.749~0.932),而融合模型在测试集的AUC为0.866(95%置信区间:0.783~0.948),与CE1、CE4、CE7、T2WI单序列模型相比差异均有统计学意义(P<0.01)。结果显示,融合模型的准确度最高(77.94%);融合模型敏感度最高(90.00%);融合模型和CE4序列的特异度最高(均为68.42%)。结论多参数MRI联合临床特征的融合模型准确度、敏感度和特异度较高,与单序列模型、多参数MRI模型相比预测性能更优,可以为非肿块型乳腺癌和NLM的鉴别诊断提供较高价值。
关键词
非哺乳期乳腺炎
非肿块型乳腺癌
多参数
磁共振成像
鉴别诊断
Keywords
non lactation mastitis
non mass breast cancer
multiparameter
magnetic resonance imaging
differential diagnosis
分类号
R445.2 [医药卫生—影像医学与核医学]
R737.9 [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
基于多参数MRI影像组学鉴别非肿块型乳腺癌和非哺乳期乳腺炎
宋丽俊
薛志伟
田兄玲
贾毅
马依迪丽·尼加提
《磁共振成像》
北大核心
2025
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
