基于深度学习的内和周特征,用于区分眼膜淋巴瘤和异常轨道炎症
Huachen Zhang1, Li Xu2, Lijuan Yang3
1Xi'an Key Lab of Radiomics and Intelligent Perception, School of Information Science and Technology, Northwest University, Xi'an, China.
European radiology
|December 20, 2024
概括
深度学习分析内和周的特征有助于区分眼膜性淋巴瘤 (OAL) 和异常轨道炎症 (IOI). 融合特征显示出卓越的诊断性能,突出了它们在临床环境中的潜力.
科学领域:
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 眼膜性淋巴瘤 (OAL) 和异常轨道炎症 (IOI) 是常见的轨道疾病,可以呈现出类似的临床和成像发现.
- 准确的区分对于适当的治疗和患者管理至关重要.
研究的目的:
- 评估基于深度学习 (DL) 的内和周放射性特征的诊断价值,以区分OAL和IOI.
- 为了评估与单个特征集相比,融合的内和周围瘤特征的性能.
主要方法:
- 分析了一组97名经组织病理学确认的OAL或IOI患者的队列.
- DL模型从MRI扫描中提取了内和周的特征.
- 一个以注意力为基础的融合模型整合了来自内部和周围瘤区域的特征以及多个MRI序列.
- 使用曲线下面面积 (AUC) 通过十倍交叉验证和独立测试集来评估性能.
主要成果:
- 结合的内周门特征实现了高AUC值 (0.870-0.930在验证中,0.849-0.924在试验组中).
- 融合特征显著优于内特征 (p < 0.05),但与周围特征 (p > 0.05) 相比没有显著差异.
- 结合多个MRI序列,可以改善融合特征的AUC值 (高达0.943和0.940).
结论:
- 基于深度学习的内,周和内融合特征显示出区分OAL和IOI的巨大潜力.
- 围上下文特征反映了入侵模式,可以作为独立的成像标记来区分这些轨道状况.
