从DCE和DW-MRI中对具有强大的放射性特征的鼻瘤进行分类

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:

• 胸腔瘤需要准确区分良性和恶性类型,以进行适当的临床治疗.
• 使用常规成像来区分良性和恶性状瘤可能具有挑战性.

研究的目的:

• 评估基于MRI的放射性分析与机器学习相结合的疗效,以区分良性 (B) 和恶性 (M) 乳头瘤.
• 评估扩散权重成像 (DWI) 和动态对比增强 (DCE) MRI 序列的实用性.

主要方法:

• 患者进行了DCE-MRI和DW-MRI.
• 从DCE和DW-MRI数据中得出的参数图中提取了放射性特征.
• 专家放射科医生手动选择了3D感兴趣区域 (ROI).
• 各种机器学习分类器用于瘤分类,重点是特征稳定性和公正选择.

主要成果:

• 该研究在区分状瘤方面实现了从0.6到0.8的灵敏度和特异性.
• 最小绝对收缩和选择操作员 (LASSO) 与神经网络的组合产生了最高的性能,灵敏度为0.76和特异性为0.75.
• 一些基于DCE的强大的放射性特征被确定为有效分类恶性与良性瘤.

结论:

• 基于MRI的放射性分析,特别是使用DCE序列,对分类瘤有很大的希望.
• 机器学习模型,如LASSO与神经网络相结合,可以显著提高区分良性和恶性瘤的准确性.
• 从DCE-MRI获得的强大的放射性特征可以成为临床决策的宝贵工具,用于状腺瘤诊断.