换一批基于3D UNet和ResNet-多层感知器(MLP)对CT图像中的肾透明细胞癌进行无创病理分级
Non-invasive pathological grading of clear cell renal cell carcinoma in CT images based on 3D UNet and ResNet-multilayers perceptron(MLP)
摘要目的 观察3D UNet和ResNet-多层感知器(MLP)用于对CT图像中的肾透明细胞癌(ccRCC)进行无创病理分级的价值.方法 回顾性收集453例经手术病理证实的ccRCC患者(低级别347例,高级别106例)术前腹部平扫及三期增强CT扫描数据,按8∶2比例划分训练集(n=360)与测试集(n=93)并进行数据预处理与增强;以3D UNet网络自动分割定位ccRCC,利用基于3D ResNet-50与MLP的二阶段分类模型对肿瘤区域进行病理分级,采用受试者工作特征曲线评估模型分级效能.结果 3D UNet模型分割测试集ccRCC的戴斯相似系数达0.85,分割性能良好.128ResNet-MLP、56ResNet-MLP、128CNN和56CNN模型区分训练集低、高级ccRCC的曲线下面积(AUC)分别为0.924、0.791、0.764和0.927,在测试集分别为0.785、0.776、0.732和0.767.DeLong检验显示,128ResNet-MLP模型在训练集的分类效能显著优于其余模型(P均＜0.05),其在测试集的分类效能显著优于128CNN模型(P=0.038)和56CNN模型(P=0.023)而与56ResNet-MLP模型差异无统计学意义(P=0.556).结论 基于3D UNet和ResNet-MLP可对CT图像中的ccRCC进行无创病理分级.
更多相关知识
栏目名称
DOI
10.13929/j.issn.1003-3289.2026.02.024
发布时间
2026-05-07（万方平台首次上网日期，不代表论文的发表时间）
基金项目
安徽省高校科学研究项目（2024AH050796）
大学生创新训练项目（S202510366001）
- 浏览1
- 被引0
- 下载3
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
