典型文献
容积旋转调强计划剂量验证中影像组学和机器学习的应用研究
文献摘要：
目的 通过提取剂量图像影像组学特征建立机器学习模型,对患者容积调强放射治疗(VMAT)计划的伽马通过率结果进行分类.方法 收集2020-01-01-2022-02-01在徐州市肿瘤医院放疗科行VMAT的523例患者治疗计划.其中,男267例,女256例;年龄22～87岁,中位年龄59岁.从每个三维剂量图像中提取107个影像组学特征,使用3％/2 mm/10％阈值标准,建立随机森林分类模型.模型使用平均不纯度减少来选择重要特征,并对性能进行评估.结果 根据Sklearn编程计算选择不同阈值下模型的精度,在阈值0.01下模型精度最高,筛选出了28个重要特征,最终模型在测试集的准确度为0.82,ROC曲线显示模型的曲线下面积为0.76.结论 基于影像组学特征建立的随机森林模型可以对伽马通过率进行准确分类,对临床放射治疗质量保证工作具有一定的指导意义.
文献关键词：
剂量验证;伽马通过率;影像组学;分类模型;机器学习
中图分类号：
作者姓名：
陈宏林;梁冰花;陈晶晶;苗慧
作者机构：
徐州市肿瘤医院放疗科,江苏 徐州 221005;邳州市人民医院放疗科,江苏 邳州 221300
文献出处：
引用格式：
[1]陈宏林;梁冰花;陈晶晶;苗慧-.容积旋转调强计划剂量验证中影像组学和机器学习的应用研究)[J].中华肿瘤防治杂志,2022(23):1697-1701,1708
A类：
伽马通过率
B类：
容积旋转调强,调强计划,计划剂量验证,中影,提取剂,图像影像,影像组学特征,机器学习模型,容积调强放射治疗,VMAT,徐州市,肿瘤医院,放疗科,治疗计划,随机森林分类,分类模型,模型使用,平均不纯度减少,Sklearn,编程计算,阈值下,模型精度,终模型,测试集,随机森林模型,治疗质量,质量保证
AB值：
0.323375
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
