基于机器学习方法的前列腺癌DWI多参数分析及其应用

Multi-Parameter Analysis and Application of Diffusion Weighted Imaging in Prostate Cancer Based on Machine Learning

探究使用机器学习方法,提升对扩散加权成像(DWI)多参数图的前列腺癌(PCa)诊断的准确性。对39例前列腺癌患者、56例良性患者,进行磁共振扩散加权图像的采集,并使用传统单指数模型(Mono)、拉伸指数模型(SEM)、弥散张量成像(DTI)模型、弥散峰度成像(DKI)模型以及体内素不相干运动扩散(IVIM)模型等5种重建模型,得到共计16个参数图,而后对于每一个参数图进行直方图分析,得到相关图像特征后使用机器学习的方法进行分类。使用支持向量机和随机森林两种分类器对前列腺病变进行良恶性分类,随机森林分类器的AUC值可以达到0.98,具有较高的分类性能。另外,对特征进行重要性排序后,发现DKI参数图是肿瘤分类的重要指标。