换一批不同深度学习重建水平下T2加权前列腺图像中影像组学特征的可重复性研究
Reproducibility of Radiomic Features in T2-Weighted Prostate Images with Different Levels of Deep Learning-Based Reconstruction
摘要目的 评估未采用深度学习重建(Deep Learning-based Reconstruction,DLR)与采用不同水平DLR的前列腺磁共振成像(Magnetic Resonance Imaging,MRI)图像中提取的影像组学特征的可重复性.方法 纳入57例疑似前列腺癌患者的T2加权图像,分别采用常规重建方法及低、中、高3个水平DLR技术重建.从原始图像、高斯拉普拉斯(Laplacian of Gaussian,LoG)滤波图像和小波变换图像中提取影像组学特征,采用组内相关系数(Intra-Class Coefficient,ICC)量化影像组学特征的可重复性,并评估特征校正对减轻重建相关影响的作用.结果 随着DLR水平升高,特征总体可重复性显著降低(P<0.05).纹理特征中,灰度尺寸区域矩阵指标对重建水平最敏感,有5个特征的ICC<0.75;而一阶特征保持稳定,ICC均值为0.99.在滤波图像相关分析中,LoG滤波表现出最优的稳定性,所有LoG滤波影像组学特征的ICC>0.96;而通过小波变换高频图像提取的特征,随着高频成分占比增加,可重复性下降趋势显著.此外,开展特征校正能够有效提升影像组学特征的可重复性.结论 DLR会影响前列腺MRI影像组学特征的可重复性,基于DLR的图像开展影像组学特征分析时,优先选择一阶特征或LoG滤波特征,并通过特征校正减小偏差.
更多相关知识
关键词
深度学习重建影像组学可重复性前列腺磁共振成像高斯拉普拉斯滤波(LoG滤波)ComBat校正deep learning-based reconstruction(DLR)radiomicsreproducibilityprostatemagnetic resonance imaging(MRI)Laplacian of Gaussian(LoG)filteringComBat correction
分类号
R445.2（诊断学）
栏目名称
DOI
10.3969/j.issn.1674-1633.20251579
发布时间
2025-12-29（万方平台首次上网日期，不代表论文的发表时间）
基金项目
无锡太湖人才计划医学专家团队项目（THRC-TD-YXYXK-2021）
- 浏览7
- 被引0
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
