CT影像组学对儿童盆部横纹肌肉瘤和卵黄囊瘤的鉴别诊断价值

发布时间：2021-09-17 01:09

　　目的:通过CT影像组学模型鉴别儿童盆部横纹肌肉瘤（Rhabdomyosarcoma,RMS）与卵黄囊瘤（yolk sac tumor,YST）,探讨其在诊断儿童盆部RMS的价值。材料和方法:回顾性收集2013年1月²019年7月在重庆医科大学附属儿童医院进行术前CT增强且经病理证实的儿童盆部RMS（n=37）和YST（n=31）的患者68例,收集每位患者的临床及影像资料,对CT平扫期、动脉期及静脉期图像手动分割肿瘤区域并提取影像组学特征,从三期时相中分别提取出1321个初始特征,采用10折交叉验证策略,对每一折的训练集采用最小绝对收缩和选择算子（least absoluunderte shrinkage and selection operator,LASSO）算法进行特征降维,筛选出区分RMS和YST相关性最高的5个影像组学特征建立支持向量机（Support Vector Machine,SVM）、逻辑回归（Logistic Regression,LR）和随机森林（Random forests,RF）3种机器学习模型,采用受试者操作特性（Receiver ope... 

【文章来源】：重庆医科大学重庆市

【文章页数】：48 页

【学位级别】：硕士

【部分图文】：

女，4岁，诊断RMS

女，7岁8月，诊断YST

重庆医科大学硕士研究生学位论文21表33期CT期相选择的最优影像组学特征Table3TheoptimalradiomicsfeaturesselectedbytheLASSOalgorithm平扫期动脉期静脉期1wavelet-HLH_glszm_SmallAreaLowGrayLevelEmphasisoriginal_firstorder_10Percentileexponential_firstorder_10Percentile2wavelet-LHH_glrlm_RunVariancesquare_firstorder_10Percentilewavelet-HLH_firstorder_Minimum3wavelet-LLH_glcm_Correlationsquareroot_glrlm_RunEntropysquareroot_glcm_InverseVariance4wavelet-LLH_glcm_Correlationoriginal_glcm_MaximumProbabilitywavelet-HLH_gldm_LargeDependenceHighGrayLevelEmphasis5logarithm_gldm_DependenceEntropylogarithm_glrlm_RunEntropywavelet-HHL_glcm_SumEntropy2.3模型的分类效能基于以上最优特征集建立的支持向量机SVM、逻辑回归LR和随机森林RF3种分类器模型中：1.ROC曲线显示RF模型区分RMS与YST具有最优效能，动脉期RF模型的AUC为0.83（95%CI：0.72～0.91）（图6），其他SVM和LR模型的AUC分别为0.78（95%CI：0.66～0.87）（图7）和0.77（95%CI：0.66～0.87）（图8）。图6CT动脉期随机森林RF分类器测试集的ROC曲线Fig6ROCcurveoftestsetofRFclassifierbasedonCTarterialphase


本文编号：3397651