公共文化服务平台

共 6 条记录，以下是 1-6

全选清除导出

排序方式：

基于CT增强影像组学的支持向量机模型术前预测肝细胞癌微血管浸润的研究被引量：11: 2021年; 目的探讨基于支持向量机模型(SVM)的CT增强影像组学方法对肝细胞癌(HCC)微血管浸润(MVI)的术前预测价值。方法回顾性分析186例经手术病理证实为HCC患者的临床及CT增强图像资料,其中MVI阳性83例,MVI阴性103例。首先对临床资料及影像学特征进行单因素及多因素分析,得到HCC发生MVI的独立危险因素。另外采用达尔文科研平台在CT增强动脉期、门静脉期及平衡期图像上进行影像组学特征提取及筛选。按照7∶3的比例将数据分为训练组和测试组,对训练组的组学特征构建SVM模型,并对MVI的独立预测因子构建Logistic回归模型。采用受试者工作特征(ROC)曲线分析模型的有效性,并用测试组进一步验证。采用Delong检验比较测试组中临床-影像学特征联合模型及不同期相影像组学模型的诊断效能。结果多因素Logistic回归分析得出3个MVI的独立预测因素:肿瘤最大径、肿瘤边缘不光滑及瘤内动脉。临床-影像学特征联合模型在训练组的诊断效能ROC曲线下面积(AUC)为0.884,测试组AUC值为0.753。CT增强影像组学特征筛选后分别在动脉期、门静脉期、平衡期及三期联合获得2、1、1及2个参数,包括二维最大直径(冠状位)和依赖熵,这两个特征在MVI阳性组和MVI阴性组有统计学差异(P<0.05)。采用SVM方法建立多期影像组学模型,动脉期、门静脉期、平衡期及增强三期联合模型在训练组的诊断效能AUC值分别为0.932、0.930、0.924及0.933,测试组AUC值分别为0.865、0.834、0.855及0.858。经Delong检验分析后,发现测试组中CT增强各期影像组学模型的诊断效能均优于临床-影像学特征联合模型,且动脉期组学模型的诊断效能较高。结论基于CT增强影像组学特征的SVM模型能够在术前无创地评估和预测MVI,可作为指导临床后续个性化治疗的有效工具。; 刘畅赵泓博黄京城施斌斌傅剑雄叶靖罗先富; 关键词：计算机体层成像肝细胞癌支持向量机模型

乳腺癌术后上肢淋巴回流改变的危险因素分析被引量：1: 2016年; 目的探讨乳腺癌术后继发上肢淋巴回流改变的相关危险因素。方法2014年5月至2015年5月共117例行乳腺癌手术。对其患侧上肢采用近红外荧光成像法造影，其结果根据Yamamoto评判方法进行判定。通过Logistic回归方式对比分析术侧继发上肢淋巴水肿的危险因素。结果117例中36例淋巴回流发生改变，发生率为30．8％（36／117）。其与高BMI、放疗、行腋窝淋巴结清扫（axillary lymph node dissection，ALND）呈正相关性（P〈0．05）。结论高BMI、放疗、行ALND为乳腺癌术后上肢淋巴回流改变的危险因素。年龄及优势手臂与乳腺癌术后上肢淋巴回流改变发生无关。; 刘畅李珺骆浩侯建新牛家宁宋雨书赵海东; 关键词：淋巴水肿

多b值DWI对非酒精性脂肪性肝炎早期诊断价值的实验研究被引量：2: 2019年; 目的探讨多b值扩散加权成像(DWI)参数对非酒精性脂肪性肝病定量分级及早期诊断非酒精性脂肪性肝炎的价值。方法选取32只新西兰大白兔分别采用标准饲料和高脂饲料饲养不同周期以获取不同病理等级非酒精性脂肪性肝病动物模型。所有兔子均行肝脏多b值DWI,采用双指数模型获得定量扩散参数真实扩散系数(D值)、假性扩散系数(D^*值)及灌注分数(f值),同时计算表观扩散系数(ADC值)。搜集肝脏标本,根据非酒精性脂肪性肝病活动性积分(NAS),将非酒精性脂肪性肝病分为正常组、单纯性脂肪肝组、临界组和非酒精性脂肪性肝炎组。采用独立样本T检验比较正常组和非酒精性脂肪性肝病组各参数的差异。非酒精性脂肪性肝病组不同等级间的参数比较采用单因素方差分析,组内两两比较采用LSD-T检验。采用Spearman相关性分析评估各参数与非酒精性脂肪性肝病等级间的相关性,采用受试者工作特征(ROC)曲线预测各参数诊断非酒精性脂肪性肝炎的效能。结果正常组肝脏ADC值、D值、D^*值和f值分别为(1.338±0.222)×10^-3mm^2/s、(0.665±0.109)×10^-3mm^2/s、(18.638±6.169)×10^-3mm^2/s、(38.000±3.040)%,非酒精性脂肪性肝病组ADC值、D值、D^*值和f值分别为(1.105±0.210)×10^-3mm^2/s、(0.791±0.112)×10^-3mm^2/s、(15.622±5.510)×10^-3mm^2/s、(31.857±5.031)%。正常组和非酒精性脂肪性肝病组间ADC值、D值和f值有统计学差异(P为<0.05)。在临界组和非酒精性脂肪性肝炎组间,仅f值有统计学差异(P<0.05)。ADC值和f值与非酒精性脂肪性肝病等级呈负相关,相关系数分别为-0.529、-0.768(P均<0.05),D值与非酒精性脂肪性肝病等级呈正相关,相关系数为0.373(P<0.05)。f值[曲线下面积(AUC)=0.922]诊断非酒精性脂肪性肝炎的效能优于ADC值(AUC=0.727)(P<0.05)。结论多b值DWI定量参数值可用于分级诊断非酒精性脂肪性肝病,其中f值对非酒精性性脂肪; 李畅罗先富彭云朱庆强尚松安贾宏茹刘畅吴晶涛; 关键词：非酒精性脂肪肝非酒精性脂肪性肝炎扩散加权成像

基于CT双期增强影像组学预测甲状腺乳头状癌淋巴结转移被引量：8: 2021年; 目的:探讨基于CT双期增强影像组学模型对甲状腺乳头状癌(PTC)淋巴结转移的预测价值。方法:回顾性分析经手术病理证实的80例PTC患者的病例资料,共搜集173个淋巴结,其中转移性淋巴结89个、未转移性淋巴结84个。患者术前均行CT平扫和双期增强扫描。采用达尔文科研平台,分别在动脉期和静脉期CT图像上于淋巴结内勾画ROI并提取其纹理特征,共提取了8类1223个纹理参数,进行最小和最大值归一化预处理后,经最优特征筛选(个数)、迭代筛选和模型选择,分别筛选出动脉期和静脉期的最优纹理参数。将所有患者按照7∶3的比例分为训练组和验证组,分别基于动脉期和静脉期的最优纹理参数建立SVM模型并进行交叉验证。采用ROC曲线分析模型的诊断效能,并计算诊断敏感度、特异度和符合率。结果:转移组和未转移组间差异有统计学意义的纹理特征,在动脉期有6个,分别为粗糙度、依赖熵、短游程低灰度优势、游程长度不均匀性、低灰度级优势和区域大小不均匀归一化;静脉期有5个,分别为粗糙度、小面积低灰度优势、长游程高灰度优势、游程长度不均匀性和大依赖优势。训练组和验证组中基于动脉期和静脉期图像所建立的纹理特征诊断模型,诊断淋巴结转移的ROC曲线下面积分别为0.903、0.915、0.895和0.850,验证组中基于动脉期的纹理特征模型的诊断符合率为75.47%(40/53)、敏感度为88.00%、特异度为80.77%,基于静脉期的诊断符合率为71.69%(38/53)、敏感度为80.77%、特异度为81.48%。结论:基于CT双期增强的影像组学分析和机器学习对甲状腺乳头状癌的淋巴结转移情况有较好的诊断价值,基于动脉期的影像组学模型的诊断准确性更高。; 赵泓博尹昳丽刘畅朱庆强石博文刘路路许晴叶靖; 关键词：甲状腺乳头状癌淋巴结转移

基于CT图像纹理分析结合机器学习随机森林模型对急性脑梗死的辅助诊断价值被引量：9: 2020年; 目的探讨基于头颅CT平扫图像的纹理分析结合机器学习随机森林模型对急性脑梗死早期辅助诊断价值。方法回顾性分析109例经磁共振DWI证实为急性脑梗死患者的CT资料,每例患者选择急性梗死灶纳入实验组,对侧相应部位正常脑组织纳入对照组。对CT图像进行标准化后,使用A.K.软件对图像进行预处理及特征提取,按照7∶3的比例分为训练组与验证组,通过单因素方差分析、Mann-Whitney U检验或t检验及Lasso特征降维对图像进行纹理特征筛选,训练组采用随机森林模型对筛选出的参数进行建模,采用受试者工作特征(ROC)曲线分析模型建立的有效性,并进一步用验证组验证其诊断效能,计算准确率。结果396个CT图像纹理特征参数筛选后获得4个参数,分别为均方根、惯性矩、逆差矩及短游程因子,该4个纹理特征在梗死灶和对侧正常脑组织的差异有统计学意义(P<0.05),采用随机森林方法建模,模型在训练组诊断效能ROC曲线下面积(AUC)为0.99,在验证组AUC为0.87,验证组的准确率为0.82。结论机器学习随机森林模型对急性脑梗死CT图像纹理特征进行筛选及建模,能够对急性脑梗死提供早期的辅助诊断,从而降低漏诊率。; 刘畅赵泓博贾宏茹彭云罗先富夏巍孙骏凌俊傅剑雄叶靖; 关键词：纹理分析急性脑梗死

CT影像组学对甲状腺乳头状癌与腺瘤的鉴别被引量：12: 2021年; 目的:探讨CT影像组学联合机器学习在甲状腺乳头状癌与腺瘤鉴别诊断中的价值。方法:回顾性分析84例甲状腺肿瘤(乳头状癌39例,腺瘤45例)术前CT平扫的特征,首先勾画感兴趣区(ROI),再采用A.K.软件进行图像预处理及特征筛选,最终得出最具特征的参数,随后分别构建随机森林(RF)、逻辑回归(LR)和支持向量机(SVM)机器学习模型进行分类训练,采用十折交叉验证方法结合受试者操作特征(ROC)法对上述模型的性能进行验证,并计算准确度、灵敏度和特异度。结果:Short Run Emphasisangle0offset1、Short Run High Grey Level EmphasisAllDirectionoffset1和Grey Level NonuniformityAllDirectionoffset1是最具特征的3个参数,且在甲状腺乳头状癌和甲状腺腺瘤之间的差异均有统计学意义(P<0.05)。对这3个特征参数使用3种机器算法(RF、LR和SVM)进行分类学习,并十折交叉验证,得出三者的ROC曲线下面积分别为0.77、0.74和0.72,最佳点的准确度分别为0.82、0.76和0.75,灵敏度分别为0.75、0.70和0.60,特异度分别为0.70、0.65和0.69。结论:影像组学联合机器学习在甲状腺乳头状癌与腺瘤鉴别诊断中具有价值。; 赵泓博叶靖段绍峰刘畅石博文刘路路; 关键词：甲状腺肿瘤

全选清除导出

共1页<1>

刘畅

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

刘畅

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈