提高头部和部瘤的诊断性能,使用简单的扩散曲解成像和机器学习双参数分析
Suzuka Yoshida1, Masahiro Kuroda2, Yoshihide Nakamura1
1Department of Oral and Maxillofacial Radiology, Graduate School of Medicine, Dentistry and Pharmaceutical Sciences, Okayama University, Okayama 700-8558, Japan.
Diagnostics (Basel, Switzerland)
|March 28, 2025
概括
机器学习分析来自扩散曲解成像的平均曲解和明显扩散系数值,显示出区分良性和恶性头和部瘤的前景.
科学领域:
- 医疗成像医学成像
- 放射学 放射学是一门学科.
- 在瘤学瘤学.
背景情况:
- 通过简单的扩散性曲解成像 (SDI) 测定平均曲解 (MK),有助于诊断头恶性瘤.
- 平滑过器可以提高SDI的诊断准确性.
- 多参数分析与扩散曲解成像 (DKI) 显示了改善的诊断性能.
研究的目的:
- 从SDI中评估基于机器学习 (ML) 的MK和明显扩散系数 (ADC) 值的多参数分析.
- 确定这些参数对于区分良性和恶性头和部瘤的有用性.
- 评估过器预处理对诊断性能的影响.
主要方法:
- 收集了32个病理诊断的头部和部瘤的SDI数据.
- 应用高斯过器用于图像预处理.
- 从瘤区域提取的MK和ADC值用于ML模型输入.
- 使用五个ML算法和ROC分析进行模型评估.
主要成果:
- 结合MK和ADC值的双参数分析表明了强大的诊断性能.
- 梯度增强算法实现了最高的诊断性能.
- 在表现最好的模型中,曲线下的面积 (AUC) 达到0.81.
结论:
- 使用SDI数据的基于ML的双参数分析对头部和部瘤的差异诊断有效.
- 这种方法有助于确定适当的治疗策略.
- 过器预处理可能会提高SDI分析中的诊断准确性.
关键词:
显而易见的扩散系数值值.双参数分析是一种双参数分析.对良性和恶性的差异诊断.扩散曲解成像 扫描图像梯度增强可以提高梯度.头部和部瘤 头部和部瘤机器学习是机器学习.磁共振成像技术的使用这意味着Kurtosis的平均值.简单的扩散曲解成像技术
