排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
目的 总结影像组学的具体分析流程及影像组学技术的临床应用研究进展。方法 以“影像组学”“放射组学”“机器学习”和“radiomics”“machine learning”为中英文关键词,在中国知网、万方数据和PubMed等数据库中检索2020年2月前发表的与影像组学研究相关的文献932篇,其中中文文献258篇、英文文献674篇。按照纳入、排除标准,最终纳入37篇文献,包括中文文献16篇、英文文献21篇。从影像组学的分析流程以及影像组学临床应用方面进行总结和分析。结果 影像组学通过数据获取、图像分割、特征提取、模型建立将CT、MRI、超声影像信息、基因测序信息、临床信息等进行融合,可实现脑部、胸腹部、肌骨方面各种疾病的无创早期诊断、疗效预测、生存分析等目标,已成为全球临床医学和生物医学工程的研究热点。结论 影像组学具有良好的临床应用前景,但相关研究仍然存在数据获取、数据标准化等局限。 相似文献
2.
目的:探讨肺结节CT影像组学特征与病理分类的关系,并评估不同分层递进影像组学模型对肺结节病理分类的预测效果。方法:纳入2017年7月—2019年8月189例病理证实且具有完整资料的肺结节患者,包括良性结节71例,恶性非浸润结节51例,恶性浸润性结节67例。分别构建3种CT影像组学模型,模型1对良性及恶性结节(包括恶性非浸润及浸润性结节)分类;模型2对恶性非浸润及浸润性结节分类;模型3对良性、恶性非浸润及浸润性结节分类。对所有勾画感兴趣区(ROI)进行高通量特征采集,采用智能方法进行特征和分类器筛选建立最佳模型。受试者工作特征(ROC)曲线及曲线下面积(AUC)用于评价模型的预测效能,计算灵敏度、特异度、准确率、阳性预测值和阴性预测值。结果:模型1、2及3分别筛选出20、2及20个影像组学特征,绘制ROC曲线,验证组AUC值分别为0.85、0.89及0.84,模型1灵敏度、特异度、准确率、阳性预测值及阴性预测值为79.66%、70.42%、84.59%、81.74%及67.57%;模型2为88.06%、74.51%、82.2%、81.94%及82.61%;模型3为71.34%、85.05%、70.37%%、83.2%及76.3%。结论:基于CT图像影像组学特征模型可以较好地反映良性结节、恶性非浸润结节及浸润性结节的差异,对其进行分类。 相似文献
3.
1