乳腺良恶性病变MRI影像组学鉴别诊断研究

周 秀梅1, 高 兴锋1, 白 伟1, 黄 陈翠2, 李 坤成3
1、北京市健宫医院影像科
2、北京深睿博联科技有限责任公司
3、首都医科大学宣武医院放射科

摘要


目的：探讨T2WI及DCE-MRI(dynamic contrast enhanced MR）乳腺融合影像组学特征结合机器学习模型在诊断乳腺良恶性病变中的价值。方法：在MRI图像中提取影像特征、分割并进行特征筛选和降维，采用随机交叉验证来构建SVM(suport vector machine)模型用于鉴别乳腺良恶性病变。结果：筛选出300个影像特征用于构建诊断SVM模型，该模型训练集的准确性为98.73%，敏感性为100%，特异性为93.42%，AUC(Area under curve）值为0.9990，此时相应的验证集准确性为87.65%，敏感性为94.16%，特异性为60.61%，AUC值为0.9398。两组差异有统计学意义(P<0.05）。结论：T2WI及DCE-MRI乳腺融合影像组学特征结合机器学习模型诊断乳腺疾病可行性较高，为临床治疗及评估预后提供一种较为可靠的影像诊断依据。

关键词


乳腺；磁共振成像；动态增强扫描；影像组学

全文:

PDF


参考


[1]邓子晴,刘超,鲁际.MR影像组学在乳腺癌术前评估中的应用进展[J].影像诊断与介入放射学,2019,28(3):225-229.

[2]刘沁峰,刘伟军,王云鹏,等.基于医学工程学的放射组学研究应用探讨[J].中国医疗设备,2019,34(11): 165-168.

[3]董向月,刘艳.磁共振成像在非肿块型乳腺癌与肉芽肿性乳腺炎鉴别诊断中的应用价值[J].实用放射学2020，36(6）:909-911

[4]吴佩琪，刘再毅，何兰等.影像组学与大数据结合的研究现状[J].中华放射学,2017,51(7):554-558.


Refbacks

  • 当前没有refback。