期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
多参数MR为基础的CNN模型预测肝细胞性肝癌的微血管侵犯 被引量：1
1
作者 王谦 王会哲 +2 位作者 卢双动 沈丹平 刘龙艳 《河北医科大学学报》 CAS 2024年第7期771-778,共8页
目的 采用基于多参数磁共振序列的卷积神经网络(convolutional neural network, CNN)联合传统影像组学标签及临床指标,术前预测肝细胞性肝癌(hepatocellular carcinoma, HCC)患者的微血管侵犯(microvascular invasion, MVI)。方法 选择... 目的 采用基于多参数磁共振序列的卷积神经网络(convolutional neural network, CNN)联合传统影像组学标签及临床指标,术前预测肝细胞性肝癌(hepatocellular carcinoma, HCC)患者的微血管侵犯(microvascular invasion, MVI)。方法 选择经病理确诊的HCC患者275例纳入本研究。将数据集随机分为训练集(n=192)和测试集(n=83)。应用CNN技术,融合二维多参数磁共振肿瘤图像、三维肿瘤的传统影像组学特征标签及临床指标,开发一种HCC的MVI预测分类器。应用受试者工作特征曲线(receiver operating characteristic, ROC),比较混合模型(Model^(Com))与卷集神经网络模型(Model^(D))、影像组学模型(Model^(R))和临床模型(Model^(C))的诊断效能。结果 Model^(D)在训练集和测试集中的AUC分别为0.914和0.842,优于Model^(C)(训练集:P<0.001;测试集:P=0.032)和Model^(R)(训练集:P<0.001;测试集:P=0.044)。Model^(Com)在训练集和测试集中的AUC分别为0.951和0.881,在训练集中优于Model^(D)(P=0.012),在测试集中差异无统计学意义(P=0.157)。校准曲线显示出了Model^(Com)具有良好的拟合优度(hosmer-lemeshow test,训练集P=0.402,测试集P=0.689)。决策曲线分析提示Model^(Com)鉴别MVI阳性和MVI阴性的净获益高于其他模型。结论 CNN为基础的混合模型够准确预测HCC的MVI状态。 展开更多
关键词 肝肿瘤 卷积神经网络 影像组学
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部