典型文献
基于影像组学和机器学习的脑膜瘤病理等级分类研究
文献摘要：
目的 评估基于常规MRI的影像组学模型在预测脑膜瘤病理分级中的作用.方法 回顾性分析227例接受术前常规磁共振扫描的脑膜瘤患者的临床资料(157例WHO Ⅰ级和70例WHO Ⅱ级),按7:3的比例随机分为训练组(158例)和验证组(69例).将所有患者的T1WI增强和T2WI图像导入ITK-SNAP软件手动描绘肿瘤的感兴趣区域并提取影像组学特征.对特征数据进行降维处理后,再分别采用逻辑回归、高斯朴素贝叶斯、随机森林、K-邻近算法和支持向量机算法建立分类模型.采用受试者工作特征曲线来评价模型的预测性能.结果 脑膜瘤病理等级的最佳分类模型在验证集中的曲线下面积为0.959(95％CI,0.878～1.000).结论 基于常规MRI的影像组学特征的机器学习分类器可以准确进行脑膜瘤病理等级的术前分类.
文献关键词：
机器学习;MRI;脑膜瘤;影像组学
中图分类号：
作者姓名：
徐晨光;宋文雄;丁飞雨;陈玖;刘永;刘文;邹元杰
作者机构：
210000南京,南京医科大学第四临床医学院;南京医科大学附属脑科医院神经外科;南京医科大学附属脑科医院影像科
文献出处：
引用格式：
[1]徐晨光;宋文雄;丁飞雨;陈玖;刘永;刘文;邹元杰-.基于影像组学和机器学习的脑膜瘤病理等级分类研究)[J].临床神经外科杂志,2022(03):247-252,257
A类：
B类：
脑膜瘤,等级分类,分类研究,病理分级,常规磁共振,磁共振扫描,WHO,训练组,T1WI,T2WI,ITK,SNAP,感兴趣区域,影像组学特征,特征数据,降维处理,逻辑回归,朴素贝叶斯,支持向量机算法,分类模型,受试者工作特征曲线,预测性能,验证集,机器学习分类器
AB值：
0.286676
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。
