基于机器学习的放射性分析和生长可视化,用于在随访CTCT中诊断切除部位的复发
Yunchao Yin1, Robbert J de Haas1, Natalia Alves2
1Department of Radiology, Medical Imaging Center Groningen, University of Groningen, University Medical Center Groningen, PO Box 30001, 9700 RB, Groningen, The Netherlands.
Abdominal radiology (New York)
|January 30, 2024
概括
放射性分析和机器学习有效地检测了热除后的除部位复发 (ASR). 可视化工具在后续CT扫描上突出显示潜在的ASR,从而提高了放射科医生的诊断准确性.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 由于在CT扫描上出现类似的复发和后遗留变化,在热废除后检测废除部位复发 (ASR) 具有挑战性.
- 放射性分析和机器学习提供了改善ASR检测准确性的潜在解决方案.
研究的目的:
- 评估放射性分析在随访计算机断层扫描 (CT) 扫描上检测ASR的有效性.
- 开发一个可视化工具,在后续扫描之间强调ASR.
主要方法:
- 从感兴趣的区域提取了放射性特征,并使用拉索回归和极端梯度增强 (XGBoost) 分类器建模.
- 一次离开测试 (LOOT) 用于绩效评估.
- 差异热图 (差异地图) 已开发,以可视化增长区域,表明ASR.
主要成果:
- 使用LOOT进行的拉索回归实现了0.97的AUC和92.73%的准确性.
- XGBoost实现了0.93的AUC和89.09%的准确性.
- 差异热图准确地突出显示了所有患者的切除后肝脏瘤复发.
结论:
- 基于机器学习的放射性分析对于在后续CT扫描上检测ASR是有效的.
- 增长可视化工具有助于突出潜在的切除部位复发.
更多相关视频
11:31Using Micro-computed Tomography for the Assessment of Tumor Development and Follow-up of Response to Treatment in a Mouse Model of Lung Cancer
Published on: May 20, 2016
10.7K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K