在MRI上预测软组织肉瘤的恶性的程度,使用传统的图像阅读和放射学
Fabian Schmitz1,2, Hendrik Voigtländer1, Hyungseok Jang3
1Department of Diagnostic and Interventional Radiology, University Hospital Heidelberg, 69120 Heidelberg, Germany.
Diagnostics (Basel, Switzerland)
|October 16, 2024
概括
瘤在MRI上的异质性,以及低的表面扩散系数 (ADC) 值和周围瘤变化,有效地预测高等级软组织肉瘤 (STS). 这些成像功能有助于区分恶性瘤和指导治疗决策.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 机器学习 机器学习
背景情况:
- 精确分类软组织肉瘤 (STS) 对于治疗规划至关重要.
- 传统的MRI和先进的放射学为非侵入性瘤评估提供了潜力.
研究的目的:
- 识别MRI特征,可以预测STS的恶性瘤等级.
- 评估传统成像和放射学与STS分级的机器学习相结合的实用性.
主要方法:
- 评估了传统的MRI特征 (大小,异质性,周变化,亡,出血,囊性退化).
- 提取了表面扩散系数 (ADC) 值和放射学特征.
- 一个随机的森林机器学习模型被训练并使用这些功能进行验证.
主要成果:
- 高度STS显示瘤ADC值显著降低,与低度瘤相比,异质性增加.
- 广泛的周围胀和对比度增强与更高的STS等级有关.
- 随机森林模型在预测高等级的STS.方面取得了高准确性 (AUC 0.97,F1得分0.93).
结论:
- 瘤异质性,低ADC值,周围胀和对比度增强是高度STS的关键MRI指标.
- 传统的MRI和放射学分析对于检测这些特征都是有价值的.
- 整合这些特性的机器学习模型显示出对准确的STS分级有很大的潜力.
更多相关视频
10:25Author Spotlight: Integrating High-Resolution Intravital Imaging and MRI to Enhance Stereotactic Body Radiation Therapy Planning
Published on: April 12, 2024
1.3K
15:48Tracking the Mammary Architectural Features and Detecting Breast Cancer with Magnetic Resonance Diffusion Tensor Imaging
Published on: December 15, 2014
22.4K
