基于bp-MRI和VB-Net的临床显著性前列腺癌自动分割和机器学习分类的研究 |
| |
引用本文: | 彭涛,肖建明,李林,蒲冰洁,夏朝阳,牛翔科,王宗勇,曾小辉,陈林,杨进,李佽.基于bp-MRI和VB-Net的临床显著性前列腺癌自动分割和机器学习分类的研究[J].临床放射学杂志,2022(3):519-524. |
| |
作者姓名: | 彭涛 肖建明 李林 蒲冰洁 夏朝阳 牛翔科 王宗勇 曾小辉 陈林 杨进 李佽 |
| |
作者单位: | 1. 成都大学附属医院放射科;2. 上海联影智能医疗科技有限公司;3. 成都大学附属医院泌尿外科;4. 成都大学附属医院病理科 |
| |
摘 要: | 目的 评价基于双参数MRI的深度学习自动分割与机器学习分类模型,探索其在临床显著性前列腺癌(CSPC)诊断中的应用。方法 纳入409例前列腺患者MRI检查资料,在DWI、ADC和T2WI中应用VB-Net模型分别进行病灶自动分割和腺体自动分割,生成感兴趣区(ROI),病灶自动分割时将分割阈值设置为不同数值分别重复进行。分别提取病灶ROI和腺体ROI中的纹理特征,进行Lasso特征选择,建立、训练随机森林、支持向量机和Logistic回归模型并进行验证。结果 病灶分割中分割阈值分别为0.9、0.5、0.1时,假阴性率分别为0.462、0.273、0.182,假阳性率分别为0.134、0.419、0.661;当分割阈值设为0.5,病灶自动分割后进行纹理分析和机器学习分类,3种模型ROC曲线的AUC为0.76~0.792;腺体分割后进行纹理分析和机器学习分类,3种模型ROC曲线的AUC为0.827~0.855。结论 采用基于前列腺bp-MRI的VB-Net模型对CSPC病灶具有一定的自动分割、分类能力,结合进一步的机器学习能较好地诊断CSPC;VB-Net模型对腺体自动...
|
关 键 词: | 前列腺癌 双参数磁共振成像 深度学习 卷积神经网络 纹理分析 机器学习 |
|
|