换一批基于深度学习图像分割结合影像组学鉴别高级别胶质瘤和转移瘤的应用研究
Application of Deep Learning Image Segmentation Combined with Radiomics to Differentiate High-Grade Gliomas and Metastatic Tumors
摘要目的 对比不同的深度学习分割方法及手动分割方法联合影像组学对高级别胶质瘤(HGG)和单发性脑转移瘤(SBM)患者的MRI图像进行鉴别.方法 回顾性分析428例患者的多参数MRI图像,使用Deep Residual U-Net、DenseUnet-based、Fully Convolutional Network、Hybrid Residual U-Net、Nested U-Net 及 U-Net 6 个卷积神经网络模型.首先,在每个序列的图像分割之前对所有图像进行预处理,然后进行训练,训练完成后将模型用来实战分割.然后对这6个模型分割的图像及手动分割的图像进行影像组学特征提取,特征提取完成后进行特征筛选.最后,采用支持向量机、逻辑回归、随机森林及K近邻4种算法建立分类模型.结果 采用8种特征组合的方式(6个深度学习卷积网络模型提取出来的特征组合,手动分割提取出来的特征组合及将所有提取出的特征组合到一起的综合组合)评价不同组合下的模型性能,结果显示,在综合组合中的随机森林模型表现最优,其在训练集和测试集上的AUC值分别达到0.95和0.93,展现出优异的分类性能.结论 多种深度分割模型联用可以提高鉴别效果,传统手动分割模型优于某些单一深度学习模型.这些模型在区分HGG和SBM疾病方面展现出显著的效能,尤其是结合所有的分割模型提取特征后的综合组合,从而为临床决策和诊疗计划的制定提供了有力的支持.
更多相关知识
关键词
图像分割高级别胶质瘤转移瘤深度学习影像组学磁共振成像Image segmentationHigh-grade gliomaSingle brain metastasesDeep learningRadiomicsMagnetic resonance imaging
栏目名称
发布时间
2025-04-27（万方平台首次上网日期，不代表论文的发表时间）
基金项目
河北省医学科学研究课题计划资助项目（20230518）
- 浏览8
- 被引0
- 下载10
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
