| 黄栎有， 高先聪， 尤传文.基于乳腺X线图像纹理特征建立机器学习模型在鉴别良恶性乳腺肿块中的价值[J].放射学实践,2021,(04):480-483 |
| 基于乳腺X线图像纹理特征建立机器学习模型在鉴别良恶性乳腺肿块中的价值 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2021.04.012 |
| 中文关键词: 乳腺肿瘤 乳房X线摄影术 纹理分析 机器学习 诊断效能 |
| 基金项目: |
|
| 摘要点击次数: 2386 |
| 全文下载次数: 2558 |
| 中文摘要: |
| 【摘要】目的：探讨基于乳腺X线图像的纹理分析建立机器学习模型在鉴别乳腺肿块良恶性中的价值。方法：回顾性搜集经病理证实的124个乳腺良性肿块和139个乳腺恶性肿块的乳腺X线图像。并按照7﹕3的比例划将所有病灶随即分为训练集和验证集。使用MaZda软件，在X线图像上于乳腺病灶内手动勾画ROI，提取6类共133个纹理特征，经降维处理后，利用训练集数据得到线性判别分析（LDA）、Logistic回归（LR）、随机森林（RF)和支持向量机（SVM）共4种模型。在验证集中对这4种模型进行验证。通过符合率、Kappa系数和AUC值分别评价4种模型在训练集和验证集中的表现，并通过delong法比较4种模型间AUC值的差异。结果：RF模型在训练集和验证集中符合率、Kappa系数和AUC值均高于其它模型；其中，RF模型在验证集中的符合率为94.9%、Kappa系数为0.896、AUC值为0.946，与LDA模型、LR模型间AUC值的差异均具有统计学意义（P<0.05)。 SVM模型的符合率和Kappa系数仅次于RF模型；在验证集中，SVM模型的AUC值高于LDA和LR模型，但差异无统计学意义（P>0.05）。结论：基于乳腺X线图像纹理特征建立的机器学习模型在鉴别乳腺肿块良恶性中具有一定优势。其中RF模型表现出较好的诊断效能，SVM模型的表现仅次于RF模型。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
