目的:利用多參數(shù)磁共振成像圖像進行紋理分析,訓練機器學習模型,初步探究其對前列腺癌骨轉移的診斷價值。研究方法:研究隊列為我院2016年1月至2019年9月進行磁共振檢查的經(jīng)組織病理學證實的前列腺癌患者。112例被納入研究。匹配T2加權成像（T2WI）、表觀彌散系數(shù)（ADC）圖像與病理學結果,確定病灶范圍。使用ITK-SNAP圖像處理軟件逐層勾畫病灶感興趣區(qū)（ROI）,融合后得到感興趣體積（VOI）。使用MIKT平臺的A.K.軟件進行影像組學特征的提取、降維及建模,同時對模型分類器進行訓練。使用MedCalc軟件（Version3.1.0）進行統(tǒng)計學分析及ROC曲線繪制。采用R語言（Version3.6.2）軟件繪制決策曲線,驗證模型的臨床價值。結果:分別有5個ADC紋理特征及7個T2紋理特征可用于預測前列腺癌同期骨轉移。在六種機器學習模型中,基于ADC圖像紋理特征訓練的Logistic Regression分類器模型訓練組ROC曲線下面積AUC值為0.767,測試組AUC為0.790,表現(xiàn)出中等的分類性能�；赥2圖像紋理特征訓練的C＿SVC&LINEAR分類器模型訓練組AUC... 

【文章來源】：中國醫(yī)科大學遼寧省

【文章頁數(shù)】：36 頁

【學位級別】：碩士

【部分圖文】：

沿病變各層面勾畫ROI示意圖

中國醫(yī)科大學碩士學位論文10圖3基于ADCLogisticRegression模型預測前列腺癌同期骨轉移的ROC曲線圖4基于T2C_SVC&LINEAR模型預測前列腺癌同期骨轉移的ROC曲線

中國醫(yī)科大學碩士學位論文10圖3基于ADCLogisticRegression模型預測前列腺癌同期骨轉移的ROC曲線圖4基于T2C_SVC&LINEAR模型預測前列腺癌同期骨轉移的ROC曲線

【參考文獻】：
期刊論文
[1]影像組學中特征提取研究進展[J]. 謝凱,孫鴻飛,林濤,高留剛,眭建鋒,倪昕曄.  中國醫(yī)學影像技術. 2017(12)
[2]影像組學與大數(shù)據(jù)結合的研究現(xiàn)狀[J]. 吳佩琪,劉再毅,何蘭,黃燕琪,梁長虹.  中華放射學雜志. 2017 (07)



本文編號：3119304