目的:探讨乳腺数字断层扫描(digital breast tomosynthesis,DBT)影像计算机辅助诊断方法在乳腺肿块良恶性鉴别中的价值。方法:本研究纳入我院乳腺癌早期筛查患者(2018年02月至2020年02月)190例,分别提取和筛选DBT影像中常规手工特征和...目的:探讨乳腺数字断层扫描(digital breast tomosynthesis,DBT)影像计算机辅助诊断方法在乳腺肿块良恶性鉴别中的价值。方法:本研究纳入我院乳腺癌早期筛查患者(2018年02月至2020年02月)190例,分别提取和筛选DBT影像中常规手工特征和深度学习神经网络特征,进行特征级融合,建立逻辑回归分类器模型,并绘制诺模图,通过ROC曲线、校正曲线和决策曲线对模型进行评估。结果:影像组学手工特征与深度学习特征融合筛选后得到含有三个特征的最优特征集,融合模型的诊断效果优于单独特征;无监督聚类分析和箱线图表明获得的特征具有良好的良恶性鉴别能力;基于融合特征构建的诺模图模型在训练集和测试集上获得AUC值分别为0.985(95%CI 0.956~1.000,敏感性=0.970,特异性=0.929)和0.984(95%CI 0.956~1.000,敏感性=0.909,特异性=0.931),绘制决策曲线(DCA)表明模型具有良好的潜在临床应用价值。结论:通过影像组学手工特征与深度学习特征融合并建立计算机模型可辅助临床医生提高乳腺DBT影像对肿块的良恶性鉴别能力。展开更多
文摘目的:探讨乳腺数字断层扫描(digital breast tomosynthesis,DBT)影像计算机辅助诊断方法在乳腺肿块良恶性鉴别中的价值。方法:本研究纳入我院乳腺癌早期筛查患者(2018年02月至2020年02月)190例,分别提取和筛选DBT影像中常规手工特征和深度学习神经网络特征,进行特征级融合,建立逻辑回归分类器模型,并绘制诺模图,通过ROC曲线、校正曲线和决策曲线对模型进行评估。结果:影像组学手工特征与深度学习特征融合筛选后得到含有三个特征的最优特征集,融合模型的诊断效果优于单独特征;无监督聚类分析和箱线图表明获得的特征具有良好的良恶性鉴别能力;基于融合特征构建的诺模图模型在训练集和测试集上获得AUC值分别为0.985(95%CI 0.956~1.000,敏感性=0.970,特异性=0.929)和0.984(95%CI 0.956~1.000,敏感性=0.909,特异性=0.931),绘制决策曲线(DCA)表明模型具有良好的潜在临床应用价值。结论:通过影像组学手工特征与深度学习特征融合并建立计算机模型可辅助临床医生提高乳腺DBT影像对肿块的良恶性鉴别能力。