排序方式： 共有6条查询结果，搜索用时 15 毫秒
1
1.
目的:探讨磁共振T2WI图像纹理分析鉴别鼻咽癌(nasopharyngeal carcinoma,NPC)与鼻咽部炎性增生(nasopharyngeal hyperplasia,NPH)的价值。方法:收集经手术及病理学检查证实为NPC和NPH的患者共48例,均经过磁共振成像(magnetic resonance imaging,MRI)检查,其中NPC 30例,NPH 18例。应用MaZda软件对两组病灶进行纹理分析,在T2WI图像上选取病灶范围最大层面勾画感兴趣区(region of interest,ROI),测得294组参数,进行统计学分析。最后,利用多参数联合鉴别NPC和NPH。结果:两组间S(0,5)熵、S(5,5)熵、S(5,-5)熵、45°方向游程长不均匀度、135°方向游程长不均匀度、梯度偏度及小波低高频转换系数s-3等7组参数差异有统计学意义(P0.05),其中135°方向游程长不均匀度、梯度偏度及小波低高频转换系数s-3这3组参数曲线下面积(area under curve,AUC)分别为0.759、0.803及0.731,诊断准确率中等。另外,分析发现,135°方向游程长不均匀度联合梯度偏度、梯度偏度联合小波低高频转换系数s-3鉴别两组病变的诊断效能分别为0.824和0.833,诊断准确率较单一参数高。结论:基于磁共振T2WI序列的纹理分析可用于鉴别NPC和NPH性疾病。 相似文献
3.
目的 研究基于影像组学特征构建的机器学习模型对鉴别肺纯磨玻璃结节浸润性腺癌与非浸润性腺癌的价值。方法 回顾性分析经手术病理证实的87例CT表现为纯磨玻璃结节的肺腺癌，其中浸润性腺癌32例，非浸润性腺癌55例（包括原位癌17例，微浸润性腺癌38例）。应用ITK-SNAP软件勾化感兴趣区（ROI），A.K.软件（Artificial Intelligent Kit，GE health）进行影像组学特征提取。采用单因素方差分析、秩和检验及t检验筛选有意义的特征参数，Spearman相关性分析和Lasso回归分析进行特征降维。选取降维后的特征参数分别构建支持向量机（SVM）、随机森林（RF）、逻辑回归（LR）三种机器学习模型，采用十折交叉验证法得到最优模型，并绘制ROC曲线用于评价三种模型的性能。结果 共提取396个影像组学特征，通过特征筛选后最终得到19个影像组学特征。SVM、RF、logistics回归三种机器学习模型可以有效鉴别两组病变，准确率（Accuracy）依次为93.30%、86.70%、83.30%，曲线下面积（AUC）分别为0.94、0.92、0.83。结论 基于影像组学特征构建的机器学习模型有较好的分类性能，说明利用机器学习的方法可以在术前有效的鉴别浸润性腺癌与非浸润性腺癌。 相似文献
4.
5.
目的 探讨基于影像组学特征构建的机器学习模型鉴别表现为肺纯磨玻璃结节的浸润性腺癌与非浸润性腺癌的可行性。方法 回顾性分析经手术病理证实的87例CT表现为纯磨玻璃结节的肺腺癌患者，其中浸润性腺癌32例，非浸润性腺癌55例（原位癌17例，微浸润性腺癌38例）。应用ITK-SNAP软件勾画ROI，A.K.软件提取影像组学特征。筛选有意义的特征参数，以Spearman相关性分析和Lasso回归分析进行特征降维。选取降维后的特征参数，分别构建支持向量机（SVM）、随机森林（RF）及逻辑回归（LR）3种机器学习模型，采用十折交叉验证法得到最优模型，绘制ROC曲线，评价3种模型的性能。结果 共提取396个影像组学特征，通过特征筛选后最终得到19个影像组学特征。SVM、RF、LR 3种机器学习模型可有效鉴别浸润性腺癌与非浸润性腺癌，准确率分别为93.30%、86.70%和83.30%，AUC分别为0.94、0.92和0.83。结论 基于影像组学特征构建的机器学习模型有较好的分类性能，可于术前有效鉴别肺浸润性腺癌与非浸润性腺癌。 相似文献
6.
1
