期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到2篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于ADC图的纹理分析在低、高级别前列腺癌诊断中的价值 被引量：18
1
作者 范婵媛 闵祥德 +6 位作者 Li Quibai 方俊华 方志华 张配配 冯朝燕 游慧娟 王良 《中华放射学杂志》 CAS CSCD 北大核心 2019年第10期859-863,共5页
目的探讨前列腺ADC图纹理分析鉴别低、高级别前列腺癌(PCa)的价值。方法回顾性分析2015年5月至2017年6月华中科技大学同济医学院附属同济医院根治术后病理证实为PCa,根治术前在我院行MRI检查的患者,进行常规T1WI、T2WI和DWI序列扫描。采... 目的探讨前列腺ADC图纹理分析鉴别低、高级别前列腺癌(PCa)的价值。方法回顾性分析2015年5月至2017年6月华中科技大学同济医学院附属同济医院根治术后病理证实为PCa,根治术前在我院行MRI检查的患者,进行常规T1WI、T2WI和DWI序列扫描。采用ITK-SNAP软件在ADC图上手动逐层勾画ROI。采用基于python的pyradiomics包提取105个纹理特征。采用组内相关系数(ICC)评估特征可重复性,独立样本t检验或Mann-WhitneyU检验筛选出在低、高级别PCa组间差异有统计学意义的纹理特征。采用Lasso回归模型及5折交叉验证法对特征进行进一步的筛选和建模,采用ROC曲线评估模型诊断效能。结果纳入低级别PCa患者34例,高级别PCa患者56例。筛选出3个系数非零纹理特征,分别为第10百分位数、中位数及主轴长度。构建的模型鉴别低、高级PCa的ROC下面积为0.841,敏感度为69.6%,特异度为91.2%。优于单一纹理特征和传统的平均ADC值。结论前列腺MR ADC图纹理分析可用于鉴别低、高级别PCa。 展开更多
关键词 高级别PCa.前列腺肿瘤 纹理分析 磁共振成像
原文传递
人工智能深度学习对前列腺多序列MR图像分类的可行性研究 被引量：11
2
作者 方俊华 Li Qiubai +4 位作者 余成新 王兴刚 方志华 刘涛 王良 《中华放射学杂志》 CAS CSCD 北大核心 2019年第10期839-843,共5页
目的开发一种能够自动分辨前列腺多序列MR图像的人工智能(AI)工具。方法回顾性分析2017年5月至2018年12月华中科技大学同济医学院附属同济医院前列腺多序列MR图像。前列腺多序列MR图像的分类由ResNet18卷积神经网络(CNN)模型来实现。运... 目的开发一种能够自动分辨前列腺多序列MR图像的人工智能(AI)工具。方法回顾性分析2017年5月至2018年12月华中科技大学同济医学院附属同济医院前列腺多序列MR图像。前列腺多序列MR图像的分类由ResNet18卷积神经网络(CNN)模型来实现。运用深度残差网络提升训练精度和测试精度。所使用的数据集包括19 146张7个前列腺MR序列图像(横断面T1WI、横断面T2WI、冠状面T2WI、矢状面T2WI、横断面DWI、横断面ADC、横断面PWI),选取其中2 800张图像作为训练集,选取剩余图像中的388张图像作为测试集。采用准确度评价ResNet18 CNN模型的效能。结果7个前列腺MR序列(横断面DWI、冠状面T2WI、横断面灌注成像、矢状面T2WI、横断面ADC、横断面T1WI和横断面T2WI)图像测试准确率分别为100.0%(44/44)、77.5%(31/40)、96.7%(116/120)、100.0%(44/44)、100.0%(44/44)、100.0%(52/52)和100.0%(44/44)。横断面PWI的分类0.8%(1/120)被错误地分到了横断面T2WI序列,仅2.5%(3/120)错误地分到矢状面T2WI序列;对于冠状面T2WI的分类15.0%(6/40)被错误地分到了横断面T2WI序列,7.5%(3/40)错误地分到矢状面T2WI序列。结论开发的能够自动分辨前列腺多序列MR图像的AI工具准确率高。 展开更多
关键词 人工智能 深度学习 前列腺 磁共振成像 图像分类
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部