基于人工智能和传统的图像预处理和重新采样对基于MRI的放射学对乳头甲状腺癌分类的影响

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 磁共振成像 (MRI) 放射学在预测乳头甲状腺癌 (PTC) 中瘤的攻击性方面显示出希望.
• 图像预处理对于优化放射性特征提取和模型性能至关重要.
• 传统的预处理方法可能无法充分利用MRI数据在临床预测方面的潜力.

研究的目的:

• 评估各种图像预处理技术,包括传统和基于人工智能的方法,对基于MRI的放射学性能的影响,以预测PTC攻击性.
• 为了比较不同重新采样和偏差场校正方法在提高放射性模型准确性的有效性.

主要方法:

• 对69名PTC患者的MRI数据进行了回顾性分析.
• 应用N4偏差场校正和10种传统的重新采样方法,以及基于AI的技术 (SMORE).
• 放射性特征提取,随机森林的递归特征消除用于选择,以及XGBoost用于预测模型开发.

主要成果:

• 结合N4偏差场校正和SMORE重新抽样,实现了最高的平均AUC (0.75),明显优于传统的重新抽样方法.
• 最接近邻居的重新抽样产生了最低的平均AUC (0.66).
• 基于纹理的放射性特征,特别是来自灰色级别的共同发生矩阵,在使用SMORE重新采样图像的模型中经常被选择.

结论:

• 图像预处理技术极大地影响了基于MRI的放射学在PTC中的预测性能.
• N4偏差场校正和SMORE重新采样的结合提高了预测准确性,强调了对优化预处理管道的需求.
• 像SMORE一样,人工智能驱动的预处理为MRI放射性模型提供了卓越的性能,有助于PTC管理中的临床决策.