放射学和深度学习模型用于良性和恶性软组织瘤 肢体和干部的差异化
Miaomiao Yang1, Xiuming Zhang2, Jiyang Jin1
1Department of Radiology, Southeast University Zhongda Hospital, No. 87 Dingjiaqiao Road, Gulou District, Nanjing, Jiangsu Province, China (M.Y., J.J.).
Academic radiology
|January 3, 2025
概括
一种新的深度学习放射学 (DLR) 模型使用脂肪和T2加权成像 (FS-T2WI) 准确区分恶性和良性软组织瘤 (STT). 这种非侵入性方法为STT提供了高度准确的手术前诊断.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 软组织瘤 (STT) 需要准确的手术前区分良性和恶性类型.
- 脂肪和T2加权成像 (FS-T2WI) 是STT评估的一个关键模式.
研究的目的:
- 开发和验证放射学和深度学习模型,用于STT的手术前分化.
- 评估这些模型的诊断性能和临床实用性.
主要方法:
- 从FS-T2WI上的内和周区域提取了放射性特征.
- 使用预训练的3D ResNet进行深度学习功能提取.
- 使用递归特征消除和LASSO.LASSO选择的预测特征.
- 使用机器学习算法和外部验证数据的AUC构建和评估放射学模型.
主要成果:
- 开发的深度学习放射学 (DLR) 模型在验证集中实现了0.9410的AUC.
- 与其他模型相比,DLR模型表现出优越的预测性能.
- 决策曲线分析 (DCA) 和校准曲线表明了良好的临床净益处和适合性.
结论:
- 该DLR模型整合了FS-T2WI的放射学和深度学习功能,为手术前的STT诊断提供了一种非侵入性,低成本和准确的方法.
- 这种方法提高了良性和恶性性传播性疾病的差异诊断.
更多相关视频
15:48Tracking the Mammary Architectural Features and Detecting Breast Cancer with Magnetic Resonance Diffusion Tensor Imaging
Published on: December 15, 2014
22.4K
10:25Author Spotlight: Integrating High-Resolution Intravital Imaging and MRI to Enhance Stereotactic Body Radiation Therapy Planning
Published on: April 12, 2024
1.2K