| 陈美容，周涛，陈炫幸，钟向阳，陈智慧，冯宝，陈业航，徐坤财.基于CT图像的深度学习模型鉴别良恶性肾肿瘤[J].放射学实践,2023,(04):468-473 |
| 基于CT图像的深度学习模型鉴别良恶性肾肿瘤 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2023.04.016 |
| 中文关键词: 肾肿瘤 深度学习 影像组学 体层摄影术，X线计算机 |
| 基金项目: |
|
| 摘要点击次数: 902 |
| 全文下载次数: 1124 |
| 中文摘要: |
| 【摘要】目的：探讨基于CT图像的深度学习模型对肾脏良、恶性肿瘤的鉴别诊断价值。方法：回顾性搜集2008－2020年经病理证实且符合本研究要求的798位患者（共805例肾肿瘤）的临床和三期（平扫、皮髓质期和实质期）腹部CT影像资料。其中，来自本院的418例肾癌和78例肾良性肿瘤的资料用于建立影像组学模型和内部验证，来自另外两个研究中心和一个公共数据库（癌症医学图像数据库TCIA）的262例肾癌和47例肾良性肿瘤的资料作为独立外部验证集。使用ITK-SNAP3.6.0软件，在三期CT图像中选择肿瘤边缘显示较清楚的一期图像，选取肿瘤最大层面及其上、下相邻层面，沿病灶边缘手动勾画ROI，再通过软件的空间调整技术，使另外两期CT图像上肿瘤的边缘与勾画的ROI的边缘最大程度地拟合。使用ResNet50网络中的卷积核作为特征提取器，分别提取3期图像上肾肿瘤的影像组学特征，并采用Mann-Whitney U检验进行特征的筛选。对于同一肾肿瘤，分别建立基于单期和3期CT图像的深度学习模型，并对各模型的预测效能进行外部验证。随后，将训练集中良、恶性肿瘤组的样本数按3种比例（1∶1、1∶2、1∶3）进行设置，分别用于极限学习机（ELM）分类模型的训练，建立基于多期CT图像的3种深度学习模型，并对模型进行外部验证。采用AUC曲线评估深度学习模型对良恶性肾肿瘤的鉴别诊断效能，采用综合判别改善指数（IDI）评估模型预测能力的改善情况。结果：基于多期CT图像的预测模型预测恶性肿瘤的AUC（0.84）大于基于单期（平扫、皮髓质期和实质期）图像的3个AUC（0.78、0.79、0.77）。良性与恶性肿瘤的样本数比例分别为1∶1、1∶2和1∶3时，基于多期图像的预测模型的AUC分别为0.85、0.84和0.86。基于多期图像的预测模型与基于单期图像的3个预测模型比较，IDI值分别为0.1215、0.1209和0.0094（P均>0.05）。结论：基于多期CT图像的深度学习模型对肾癌与肾良性肿瘤具有较好的鉴别诊断效能，改变训练集中肾良恶性肿瘤的样本比例对预测模型的诊断效能无显著影响。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
