期刊导航
期刊开放获取
河南省图书馆
退出
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
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
检索
高级检索
期刊导航
共找到
3
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:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于深度学习的影像组学预测直肠癌T2与T3分期
被引量:
1
1
作者
吴树剑
俞咏梅
+4 位作者
范莉芳
张虎
陈国仙
徐静雅
亚胜男
《磁共振成像》
CAS
CSCD
北大核心
2023年第11期84-89,102,共7页
目的本研究探讨基于MRI轴位高分辨T2WI图像的深度学习(deep learning,DL)影像组学在术前预测直肠癌T2与T3期的价值。材料与方法回顾性分析皖南医学院第一附属医院(弋矶山医院)2018年1月至2022年12月361例经术后病理证实的T2与T3期直肠...
目的本研究探讨基于MRI轴位高分辨T2WI图像的深度学习(deep learning,DL)影像组学在术前预测直肠癌T2与T3期的价值。材料与方法回顾性分析皖南医学院第一附属医院(弋矶山医院)2018年1月至2022年12月361例经术后病理证实的T2与T3期直肠癌患者的完整资料,其中T2期100例,T3期261例,按7∶3采用分层抽样将患者随机分为训练集(n=262)与测试集(n=99)。采用单因素与多因素logistic回归分析筛选临床影像特征独立危险因素。利用ResNet-18模型作为DL特征提取的基础模型,分别基于轴位高分辨T2WI图像提取手工影像组学(hand-crafted radiomic,HCR)特征及DL影像组学特征,分别基于临床影像特征、HCR特征、DL特征及三者组合特征利用支持向量机(support vector machine,SVM)、K最近邻(K-nearest neighbor,KNN)、极端梯度增强机(extreme gradient boosting,XGBoost)三种算法构建12个机器学习模型,采用ROC曲线下面积(area under the curve,AUC)评价各模型的诊断效能,确定最优模型作为输出模型。结果单因素与多因素logistic回归分析临床影像特征中碳水化合物抗原(carbohydrate antigen 199,CA19-9)[95%置信区间(confidence interval,CI):1.150-1.820,P=0.002]及肿瘤长径(longest diameter,LD)(95%CI:1.159-22.584,P=0.031)为预测T2与T3期直肠癌的独立危险因素,构建的所有模型中组合特征模型效能均高于单独特征模型,训练集XGBoost分类器模型效能最高,AUC为0.998(95%CI:0.995-1.000),作为本研究输出模型。结论基于MRI轴位高分辨T2WI图像的DL影像组学机器学习模型可有效预测直肠癌T2与T3期,其中训练集组合特征的XGBoost分类器模型效能最佳。
展开更多
关键词
磁共振成像
深度学习
影像组学
机器学习
直肠癌
下载PDF
职称材料
基于定量CT及临床危险因素列线图预测重症新型冠状病毒肺炎短期预后
2
作者
吴树剑
俞咏梅
+3 位作者
范莉芳
徐静雅
徐争元
亚胜男
《中国医学计算机成像杂志》
CSCD
北大核心
2023年第5期498-504,共7页
目的:探讨定量CT结合临床危险因素构建的列线图预测重症新型冠状病毒肺炎(COVID-19)短期预后的价值。方法:回顾性分析287例重症COVID-19患者的胸部CT及临床资料,其中好转出院222例(生存组),住院期间死亡65例(死亡组),采用分层抽样按7∶...
目的:探讨定量CT结合临床危险因素构建的列线图预测重症新型冠状病毒肺炎(COVID-19)短期预后的价值。方法:回顾性分析287例重症COVID-19患者的胸部CT及临床资料,其中好转出院222例(生存组),住院期间死亡65例(死亡组),采用分层抽样按7∶3将患者随机分为训练集(n=200)与验证集(n=87)。单因素与多因素logistic回归分析筛选导致死亡的独立危险因素,构建联合预测模型,并绘制模型的列线图。Hosmer-Lemeshow检验及校准曲线评价模型的拟合优度与校准度。结果:单因素与多因素logistic回归分析实性密度体积百分比、年龄、慢性阻塞性肺病、白细胞计数、淋巴细胞计数、中性粒细胞计数、超敏C反应蛋白是预测患者死亡的独立危险因素。联合预测模型的曲线下面积训练集为0.836 (95%CI 0.771~0.901)、验证集为0.825 (95%CI 0.722~0.928),Hosmer-Lemeshow检验训练集(χ^(2)=9.927,P=0.270)及验证集(χ^(2)=7.777,P=0.456)均拟合较好,校准曲线显示了较高的校准度。结论:定量CT结合临床危险因素构建的预测模型能够有效预测重症COVID-19患者短期预后,基于此构建的列线图能够可视化预测结果。
展开更多
关键词
定量CT
列线图
新型冠状病毒肺炎
短期预后
下载PDF
职称材料
基于多期CT影像组学鉴别卵巢良、恶性肿瘤的临床应用价值
3
作者
徐静雅
吴树剑
+1 位作者
范莉芳
翟建
《放射学实践》
CSCD
北大核心
2023年第9期1151-1156,共6页
目的:探讨基于多期CT影像组学模型及联合模型鉴别卵巢良、恶性肿瘤的临床应用价值。方法:回顾性搜集2018年1月-2022年7月经术后病理证实的144例良性及182例恶性卵巢肿瘤患者的临床及CT多期影像组学资料,将患者随机按7:3分为训练组228例...
目的:探讨基于多期CT影像组学模型及联合模型鉴别卵巢良、恶性肿瘤的临床应用价值。方法:回顾性搜集2018年1月-2022年7月经术后病理证实的144例良性及182例恶性卵巢肿瘤患者的临床及CT多期影像组学资料,将患者随机按7:3分为训练组228例及验证组98例。图像预处理并利用ITK-SNAP勾画肿瘤病灶区域,用PY提取组学特征,将提取特征正则化,采用Spearman相关分析,相关系数大于0.9,保留其一特征,使用最小绝对收缩与选择算子(LASSO)回归分析对组学特征降维,建立影像组学标签。将影像组学的优势期相与临床指标结合建立联合模型,利用列线图分析预测效能。结果:筛选出平扫、动脉期、静脉期及延迟期的特征数分别为22、7、10、22个,构建各期影像组学模型,结果显示延迟期为最优模型,在训练组中,其受试者工作特征(ROC)曲线的曲线下面积(AUC)为0.857。将临床特征与延迟期影像组学特征构建联合模型,其ROC的AUC值为0.870,优于临床模型,且差异有统计学意义(Z=3.376,P=0.0007)。验证组中,联合模型ROC的AUC值为0.844,优于临床模型,差异无统计学意义(Z=1.650,P=0.0989)。结论:CT扫描的延迟期影像组学特征鉴别卵巢良性与恶性肿瘤的效能优于其它期相,延迟期影像组学标签与临床特征相结合的联合模型有较高的鉴别诊断效能。
展开更多
关键词
卵巢肿瘤
影像组学
体层摄影术
X线计算机
列线图
下载PDF
职称材料
题名
基于深度学习的影像组学预测直肠癌T2与T3分期
被引量:
1
1
作者
吴树剑
俞咏梅
范莉芳
张虎
陈国仙
徐静雅
亚胜男
机构
皖南医学院
第一
附属
医院
(
弋
矶
山
医院
)
放射科
皖南医学院
医学
影像
学院
芜湖市第二人民
医院
放射科
皖南医学院
临床
医学院
出处
《磁共振成像》
CAS
CSCD
北大核心
2023年第11期84-89,102,共7页
基金
安徽省高校自然科学基金项目(编号:2022AH051215)。
文摘
目的本研究探讨基于MRI轴位高分辨T2WI图像的深度学习(deep learning,DL)影像组学在术前预测直肠癌T2与T3期的价值。材料与方法回顾性分析皖南医学院第一附属医院(弋矶山医院)2018年1月至2022年12月361例经术后病理证实的T2与T3期直肠癌患者的完整资料,其中T2期100例,T3期261例,按7∶3采用分层抽样将患者随机分为训练集(n=262)与测试集(n=99)。采用单因素与多因素logistic回归分析筛选临床影像特征独立危险因素。利用ResNet-18模型作为DL特征提取的基础模型,分别基于轴位高分辨T2WI图像提取手工影像组学(hand-crafted radiomic,HCR)特征及DL影像组学特征,分别基于临床影像特征、HCR特征、DL特征及三者组合特征利用支持向量机(support vector machine,SVM)、K最近邻(K-nearest neighbor,KNN)、极端梯度增强机(extreme gradient boosting,XGBoost)三种算法构建12个机器学习模型,采用ROC曲线下面积(area under the curve,AUC)评价各模型的诊断效能,确定最优模型作为输出模型。结果单因素与多因素logistic回归分析临床影像特征中碳水化合物抗原(carbohydrate antigen 199,CA19-9)[95%置信区间(confidence interval,CI):1.150-1.820,P=0.002]及肿瘤长径(longest diameter,LD)(95%CI:1.159-22.584,P=0.031)为预测T2与T3期直肠癌的独立危险因素,构建的所有模型中组合特征模型效能均高于单独特征模型,训练集XGBoost分类器模型效能最高,AUC为0.998(95%CI:0.995-1.000),作为本研究输出模型。结论基于MRI轴位高分辨T2WI图像的DL影像组学机器学习模型可有效预测直肠癌T2与T3期,其中训练集组合特征的XGBoost分类器模型效能最佳。
关键词
磁共振成像
深度学习
影像组学
机器学习
直肠癌
Keywords
magnetic resonance imaging
deep learning
radiomics
machine learning
rectal cancer
分类号
R445.2 [医药卫生—影像医学与核医学]
R735.3 [医药卫生—肿瘤]
下载PDF
职称材料
题名
基于定量CT及临床危险因素列线图预测重症新型冠状病毒肺炎短期预后
2
作者
吴树剑
俞咏梅
范莉芳
徐静雅
徐争元
亚胜男
机构
皖南医学院
第一
附属
医院
(
弋
矶
山
医院
)
放射科
皖南医学院
医学
影像
学院
出处
《中国医学计算机成像杂志》
CSCD
北大核心
2023年第5期498-504,共7页
基金
安徽省高校自然科学基金(2022AH051215)。
文摘
目的:探讨定量CT结合临床危险因素构建的列线图预测重症新型冠状病毒肺炎(COVID-19)短期预后的价值。方法:回顾性分析287例重症COVID-19患者的胸部CT及临床资料,其中好转出院222例(生存组),住院期间死亡65例(死亡组),采用分层抽样按7∶3将患者随机分为训练集(n=200)与验证集(n=87)。单因素与多因素logistic回归分析筛选导致死亡的独立危险因素,构建联合预测模型,并绘制模型的列线图。Hosmer-Lemeshow检验及校准曲线评价模型的拟合优度与校准度。结果:单因素与多因素logistic回归分析实性密度体积百分比、年龄、慢性阻塞性肺病、白细胞计数、淋巴细胞计数、中性粒细胞计数、超敏C反应蛋白是预测患者死亡的独立危险因素。联合预测模型的曲线下面积训练集为0.836 (95%CI 0.771~0.901)、验证集为0.825 (95%CI 0.722~0.928),Hosmer-Lemeshow检验训练集(χ^(2)=9.927,P=0.270)及验证集(χ^(2)=7.777,P=0.456)均拟合较好,校准曲线显示了较高的校准度。结论:定量CT结合临床危险因素构建的预测模型能够有效预测重症COVID-19患者短期预后,基于此构建的列线图能够可视化预测结果。
关键词
定量CT
列线图
新型冠状病毒肺炎
短期预后
Keywords
Quantitative CT
Nomogram
Novel coronavirus pneumonia
Short term prognosis
分类号
R563.1 [医药卫生—呼吸系统]
下载PDF
职称材料
题名
基于多期CT影像组学鉴别卵巢良、恶性肿瘤的临床应用价值
3
作者
徐静雅
吴树剑
范莉芳
翟建
机构
皖南医学院
第一
附属
医院
(
弋
矶
山
医院
)
放射科
皖南医学院
医学
影像
学院
出处
《放射学实践》
CSCD
北大核心
2023年第9期1151-1156,共6页
文摘
目的:探讨基于多期CT影像组学模型及联合模型鉴别卵巢良、恶性肿瘤的临床应用价值。方法:回顾性搜集2018年1月-2022年7月经术后病理证实的144例良性及182例恶性卵巢肿瘤患者的临床及CT多期影像组学资料,将患者随机按7:3分为训练组228例及验证组98例。图像预处理并利用ITK-SNAP勾画肿瘤病灶区域,用PY提取组学特征,将提取特征正则化,采用Spearman相关分析,相关系数大于0.9,保留其一特征,使用最小绝对收缩与选择算子(LASSO)回归分析对组学特征降维,建立影像组学标签。将影像组学的优势期相与临床指标结合建立联合模型,利用列线图分析预测效能。结果:筛选出平扫、动脉期、静脉期及延迟期的特征数分别为22、7、10、22个,构建各期影像组学模型,结果显示延迟期为最优模型,在训练组中,其受试者工作特征(ROC)曲线的曲线下面积(AUC)为0.857。将临床特征与延迟期影像组学特征构建联合模型,其ROC的AUC值为0.870,优于临床模型,且差异有统计学意义(Z=3.376,P=0.0007)。验证组中,联合模型ROC的AUC值为0.844,优于临床模型,差异无统计学意义(Z=1.650,P=0.0989)。结论:CT扫描的延迟期影像组学特征鉴别卵巢良性与恶性肿瘤的效能优于其它期相,延迟期影像组学标签与临床特征相结合的联合模型有较高的鉴别诊断效能。
关键词
卵巢肿瘤
影像组学
体层摄影术
X线计算机
列线图
Keywords
Ovarian neoplasms
Radiomics
Tomography,X-ray computed
Nomogram
分类号
R737.31 [医药卫生—肿瘤]
R814.42 [医药卫生—影像医学与核医学]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于深度学习的影像组学预测直肠癌T2与T3分期
吴树剑
俞咏梅
范莉芳
张虎
陈国仙
徐静雅
亚胜男
《磁共振成像》
CAS
CSCD
北大核心
2023
1
下载PDF
职称材料
2
基于定量CT及临床危险因素列线图预测重症新型冠状病毒肺炎短期预后
吴树剑
俞咏梅
范莉芳
徐静雅
徐争元
亚胜男
《中国医学计算机成像杂志》
CSCD
北大核心
2023
0
下载PDF
职称材料
3
基于多期CT影像组学鉴别卵巢良、恶性肿瘤的临床应用价值
徐静雅
吴树剑
范莉芳
翟建
《放射学实践》
CSCD
北大核心
2023
0
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部