排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
目的基于简化多模态磁共振影像(MRI)构建影像组学模型诊断乳腺癌。方法回顾性分析2014年6月至2019年3月所有具有穿刺或手术切除病理结果的1 306例乳腺疾病患者(良性病变416例, 乳腺癌890例)的乳腺MRI图像, 分为训练集(n=702)、内部验证集(n=302)、外部验证集(n=302)。所有图像简化为:联合模型组[T2加权脂肪抑制序列(T2WI)、扩散加权成像序列(DWI)和增强第一期图像]、非增强组(T2WI和DWI)及单期增强组(增强第一期图像)。提取影像特征并用方差分析和拉索回归法筛选有效特征;采用3种分类器(Bagging决策树、高斯过程、支持向量机)预测乳腺癌;选择最佳者构建乳腺癌诊断模型;最后通过内部和外部验证集验证。结果应用高斯过程分类器, 联合模型和非增强模型预测乳腺癌AUC值, 训练集为0.903和0.893、内部验证集为0.893和0.863、外部验证集为0.878和0.864。结论应用简化多模态MRI构建的影像组学模型能够准确诊断乳腺癌, 而且非增强模型无需造影剂也可准确诊断乳腺癌, 为简化诊断流程提供了可行性。 相似文献
2.
目的基于简化多模态磁共振影像(MRI)构建影像组学模型诊断乳腺癌。方法回顾性分析2014年6月至2019年3月所有具有穿刺或手术切除病理结果的1 306例乳腺疾病患者(良性病变416例,乳腺癌890例)的乳腺MRI图像,分为训练集(n=702)、内部验证集(n=302)、外部验证集(n=302)。所有图像简化为:联合模型组[T2加权脂肪抑制序列(T2WI)、扩散加权成像序列(DWI)和增强第一期图像]、非增强组(T2WI和DWI)及单期增强组(增强第一期图像)。提取影像特征并用方差分析和拉索回归法筛选有效特征;采用3种分类器(Bagging决策树、高斯过程、支持向量机)预测乳腺癌;选择最佳者构建乳腺癌诊断模型;最后通过内部和外部验证集验证。结果应用高斯过程分类器,联合模型和非增强模型预测乳腺癌AUC值,训练集为0.903和0.893、内部验证集为0.893和0.863、外部验证集为0.878和0.864。结论应用简化多模态MRI构建的影像组学模型能够准确诊断乳腺癌,而且非增强模型无需造影剂也可准确诊断乳腺癌,为简化诊断流程提供了可行性。 相似文献
1