51黑料吃瓜在线观看,51黑料官网|51黑料捷克街头搭讪_51黑料入口最新视频

目的 近年機器學習的影像組學在腫瘤診斷及鑒別等領域表現(xiàn)出極大的潛力。本研究擬通過基于機器學習的兒童室管膜瘤(ependymoma, EP)與髓母細胞瘤(medulloblastoma, MB)的MRI影像組學特征提取，構建T2液體衰減反轉恢復序列(T2Flair)特征模型(平掃特征模型)、對比增強T1加權(ceT1WI)特征模型(增強特征模型)、融合特征模型，比較這3種模型對EP和MB分類的準確率與AUC值。方法 回顧性分析組織病理或臨床診斷證實的50例EP以及60例MB。應用影像組學技術對EP與MB的T2Flair和ceT1WI磁共振圖像進行特征提取和融合，采用最小絕對收縮和選擇算子(least absolute shrinkage and selection operator, LASSO)算法篩選出各特征集的最優(yōu)特征集，并采用支持向量機(support vector machine, SVM)、隨機森林(random forest, RF)、極端隨機樹(extra trees)和邏輯回歸(logistic regression, LR) 4種分類器進行分類。結果 從T2Flair中提取特征構建的4個分類模型的準確率分別為：0.762、0.714、0.762、0.714,AUC值分別為：0.806、0.750、0.796、0.731。從ceT1WI中提取特征構建的4個分類模型準確率分別為：0.841、0.841、0.818、0.818,AUC值為0.929、0.908、0.904、0.923。融合特征模型的準確率分別為：0.864、0.909、0.909、0.909,AUC值分別為：0.958、0.975、0.983、0.992。結論 增強特征模型的準確率和AUC值均高于平掃特征模型，融合特征模型的分類準確率和AUC值最高，且融合特征中的4個模型對EP與MB分類的準確率和AUC值均高于0.85。這表明基于機器學習的T2Flair和ceT1WI影像組學能夠較好地分類EP與MB,且融合后的特征模型能進一步提高分類的準確率及AUC值。