基于放射学分类的瘤和健康的肝脏在计算机断层扫描图像上的图像
Vincent-Béni Sèna Zossou1,2,3,4, Freddy Houéhanou Rodrigue Gnangnon5, Olivier Biaou6
1Université Paris-Saclay, UVSQ, Univ. Paris-Sud, CESP, Équipe Radiation Epidemiology, 94805 Villejuif, France.
Cancers
|March 28, 2024
概括
机器学习有效地将肝脏瘤与健康组织区分开来,使用CT扫描中的放射学特征. 这种方法显示出作为肝脏瘤查的预后生物标志物有前途,改善癌症诊断.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 肝脏恶性瘤是癌症死亡的主要原因.
- 在临床实践中,腹部CT扫描数据往往未得到充分利用.
- 放射学提供了一种从医学图像中提取定量特征的方法.
研究的目的:
- 研究使用机器学习和放射学来区分恶性肝脏瘤与健康的肝脏组织.
- 评估各种机器学习分类器在此差异化任务中的表现.
主要方法:
- 从94名患者的对比度增强CT图像中提取1686个放射性特征 (一级,二级,高级,形状统计).
- 使用差异值,学生的t测试和拉索回归的特征选择.
- 六个分类器的培训和评估 (随机森林,SVM,天真贝叶斯,AdaBoost,XGBoost,逻辑回归) 使用网格搜索超参数调整和十倍交叉验证.
主要成果:
- 接收器操作曲线 (AUROC) 下的面积在0.5929到0.9268.8之间.
- 纯粹的贝叶斯分类器获得了最高的AUROC得分0.9268.8.
- 放射学特征被成功分类,表明性能良好.
结论:
- 从CT图像中提取的放射性特征可以有效地区分瘤和非瘤肝脏组织.
- 开发的放射学特征显示了作为肝脏瘤查的预后生物标志物的潜力.
- 辐射学中的机器学习应用可以提高未充分使用的CT成像数据的诊断效用.
更多相关视频
09:23Author Spotlight: Enhancing Transplantation Research Through MicroCT Angiography in Murine Models
Published on: September 22, 2023
2.7K
08:41Novel In Vivo Micro-Computed Tomography Imaging Techniques for Assessing the Progression of Non-Alcoholic Fatty Liver Disease
Published on: March 24, 2023
1.1K
