首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   2篇
  免费   2篇
内科学   1篇
特种医学   1篇
综合类   1篇
肿瘤学   1篇
  2023年   1篇
  2019年   1篇
  2013年   1篇
  2010年   1篇
排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
患者男,49岁,以“不明原因右侧腰背痛及盗汗6个月”为主诉就诊于本院.体格检查未见明显异常.实验室检查:ALT 51.6(正常参考值0~40) U/L,γ-谷氨酰转肽酶113.1(正常参考值8~ 54)U/L,HBV及HCV抗体阴性,肿瘤标志物(AFP、CEA及CA19-9等)检测结果正常.腹部超声示肝右叶3个边界清楚的高回声结节.CT(美国GE Lightspeed 16)平扫示肝右后叶3个大小不一、呈混杂密度的病灶.其中大病灶大部分为边界清楚的低密度区,CT值为-13.7~ 10.0 HU,其余部分呈软组织密度,主要位于病灶的下方;另2个病灶表现为类圆形低密度影,边缘可见弧形更低密度影.  相似文献   
2.
高翾   《复旦学报(医学版)》2019,46(3):408-413
 深度学习方法是当前图像处理领域的首选方法之一,但由于该方法需要大量高质量标记的图像数据作为模型的训练样本,很难直接应用在医学影像学领域。本文简述了深度学习方法的原理及其在医学影像学领域的研究现状,着重讨论了制约这一方法在医学影像学领域运用的影响因素,并简要讨论了可能的解决方法。  相似文献   
3.
目的本研究通过目测法、测量法以及模式识别方法对非小细胞肺癌(non—small cell lungcancer,NSCLC)患者纵隔淋巴结的PET/CT图像进行诊断分析,并与病理结果比较,探索各种诊断方法的诊断效能,为临床医生提供有关NSCLC区域淋巴结转移的准确信息。方法选择术前行全身PET/CT检查且经手术根治切除的NSCLC患者28例作为研究对象,由3名有经验的医生分别应用目测法及测量法对淋巴结的CT、PET以及PET/CT图像进行分析,并与病理结果进行对比;同时通过对淋巴结的PET和CT图像的提取,应用工程学一种新的模式识别方法进行分类诊断。结果CT、PET、PET/CT测量法对NSCLC淋巴结诊断的灵敏性分别为53.6%、80.4%、82.1%;特异度分别为92.2%、83.3%、90.6%;阳性预测值分别为68.2%、60.0%、73.0%;阴性预测值分别为86.5%、93.2%、94.2%;诊断符合率分别为83.1%、82.6%、88.6%;CT、PET、PET/CT目测法对NSCLC淋巴结诊断的灵敏性分别为53.6%、71.4%、69.6%;特异度分别为85.0%、82.2%、88.9%;阳性预测值分别为52.6%、55.6%、66.7%;阴性预测值分别为85.5%、90.2%、90.4%;诊断符合率分别为77.5%、79.7%、84.3%。模式识别法计算得出PET的灵敏度为88%,特异度为76%;CT的灵敏度为84%,特异度为66%。结论PET/CT测量法以及目测法对NSCLC淋巴结转移的诊断明显优于单独的CT或单独的PET;PET/CT测量法对NSCLC淋巴结转移的诊断明显优于目测法。初步探索了通过构建多分辨率直方图及支持向量机(SVM)分类判别的工程学方法对淋巴结图像进行分析,为今后多学科联合以及探索更准确的无创检查手段奠定了基础。  相似文献   
4.
[摘要] 目的 探讨3D酰胺质子转移加权(APTw)影像组学模型在预测脑胶质瘤异柠檬酸脱氢酶(IDH)突变状态和WHO分级中的诊断价值。方法 回顾性分析2021年4月至2022年9月经手术病理证实的98例脑胶质瘤患者的临床资料及术前MRI图像。基于常规MRI平扫和增强图像对病灶的强化区、坏死区及瘤周水肿区进行手动分割,然后在原始3D APTw图像及衍生图像上进行特征提取。利用Least Absolute Shrinkage and Selection Operator(LASSO)模型选择方法,以预测脑胶质瘤IDH突变状态和WHO分级为目的,分别进行特征选择。再采用4种分类器构建预测脑胶质瘤IDH突变状态和WHO分级的影像组学模型,利用五折交叉验证训练并评估模型,最后通过受试者工作特征(ROC)曲线评估模型的效能。结果 采用XGBoost、Random Forest、Logistic Regression及Support Vector Machine 4种机器学习算法来预测脑胶质瘤IDH突变状态,以全瘤和瘤周水肿构建影像组学模型,其曲线下面积(AUC)值分别为0.778、0.800、0.797、0.792;以肿瘤的强化区构建影像组学模型,其AUC值分别为0.819、0.776、0.766、0.654。在预测脑胶质瘤WHO分级中,以全瘤和瘤周水肿构建的影像组学模型,其AUC值分别为0.806、0.810、0.814、0.720;以肿瘤的强化区构建影像组学模型,其AUC值分别为0.810、0.803、0.817、0.783。结论 基于3D APTw构建的影像组学模型能有效预测脑胶质瘤的IDH突变状态和WHO分级。  相似文献   
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号