期刊文献+
共找到7篇文章
< 1 >
每页显示 20 50 100
基于深度神经网络的机会性CT骨质疏松筛查和骨密度预测研究 被引量:1
1
作者 彭涛 曾小辉 +4 位作者 李洋 李曼 蒲冰洁 植彪 王永芹 《中国医疗设备》 2024年第2期57-62,74,共7页
目的建立并评价基于机会性CT检查的骨质疏松筛查分类和骨密度值预测的深度学习神经网络模型。方法以定量计算机断层扫描(Quantitative Computed Tomography,QCT)骨密度测定为标准,将199例机会性CT检查数据用于建立密集卷积网络的深度学... 目的建立并评价基于机会性CT检查的骨质疏松筛查分类和骨密度值预测的深度学习神经网络模型。方法以定量计算机断层扫描(Quantitative Computed Tomography,QCT)骨密度测定为标准,将199例机会性CT检查数据用于建立密集卷积网络的深度学习神经网络的骨密度二分类模型和骨密度值预测回归模型,以五折交叉验证和随机分组的方法进行测试,并以来自不同设备的42例机会性CT检查病例进行独立测试,计算和评价模型的性能参数。结果受试者工作特征(Receiver Operating Characteristic,ROC)曲线显示:骨密度二分类模型的测试集和独立测试集的ROC曲线下面积均值分别为0.974、0.938,测试集的F1得分、召回率、精准度、特异性、准确度均≥0.91,独立测试集的上述评价参数均>0.862。在训练集、测试集和独立测试集上,骨密度值预测回归模型的平均绝对误差分别为1.42、8.52和13.89,均方根误差分别为1.93、10.80、20.36,预测值与QCT骨密度值呈极强正相关。结论基于机会性CT检查的深度学习神经网络模型对骨密度正常和降低具有较强的分类能力,且可较准确地预测骨密度值,避免多余的辐射风险,减少时间、经济消耗,有效扩大骨质疏松筛查的范围。 展开更多
关键词 骨质疏松筛查 机会性CT 人工智能 骨密度 卷积神经网络
下载PDF
基于多参数MRI及影像组学建立机器学习模型诊断临床显著性前列腺癌 被引量:33
2
作者 彭涛 肖建明 +7 位作者 张仕慧 蒲冰洁 高月琴 牛翔科 王宗勇 曾小辉 杨进 李佽 《中国医学影像技术》 CSCD 北大核心 2019年第10期1526-1530,共5页
目的建立基于多参数MRI(mpMRI)和影像组学特征的机器学习模型,评价其诊断临床显著性前列腺癌(CSPC)的价值。方法结合纹理分析、MR动态增强定量分析、前列腺影像报告与数据系统(PI-RADS)评分和部分临床资料建立Logistic回归(LR)、逐步回... 目的建立基于多参数MRI(mpMRI)和影像组学特征的机器学习模型,评价其诊断临床显著性前列腺癌(CSPC)的价值。方法结合纹理分析、MR动态增强定量分析、前列腺影像报告与数据系统(PI-RADS)评分和部分临床资料建立Logistic回归(LR)、逐步回归(SR)、经典决策树(cDT)、条件推断树(CIT)、随机森林(RF)和支持向量机(SVM)模型,运用ROC曲线和决策曲线分析法(DCA)评价上述模型和变量的重要性。结果验证组中RF模型诊断CSPC的AUC大于SVM、cDT、SR模型(P均<0.05),RF模型与LR、CIT模型诊断CSPC的AUC差异无统计学意义(P均>0.05),其余各模型间诊断CSPC的AUC差异无统计学意义(P均>0.05)。概率阈值为16%~91%时,RF模型的净获益最大,优于其他模型;概率阈值为23%~91%时,SVM模型的净获益仅次于RF模型而优于其他模型。前列腺特异性抗原密度(PSAD)和部分纹理分析参数的重要性较高。结论RF模型诊断CSPC优于其他模型,SVM模型次之。PSAD和纹理分析相关参数诊断CSPC的重要性高于PI-RADS评分和动态增强MRI定量参数。 展开更多
关键词 前列腺肿瘤 磁共振成像 纹理分析 影像组学 机器学习
下载PDF
PI-RADS v2与adjusted-PSAD联合运用对前列腺高级别癌的诊断价值分析 被引量:3
3
作者 李林 牛翔科 +2 位作者 陈志凡 蒲冰洁 彭涛 《中国临床医学影像杂志》 CAS 2018年第1期42-45,76,共5页
目的 :探讨前列腺影像报告和数据系统第2版(Prostate Imaging Reporting and Data System version 2,PI-RADS v2)与调整前列腺特异性抗原密度(adjusted-Prostate-Specific Antigen Density,adjusted-PSAD)联合运用在前列腺高级别癌中的... 目的 :探讨前列腺影像报告和数据系统第2版(Prostate Imaging Reporting and Data System version 2,PI-RADS v2)与调整前列腺特异性抗原密度(adjusted-Prostate-Specific Antigen Density,adjusted-PSAD)联合运用在前列腺高级别癌中的诊断价值。方法:回顾性分析2013年1月—2016年9月168例前列腺磁共振扫描的患者资料,其中高级别癌52例(Gleason评分≥7分)和非高级别癌116例(前列腺良性病变+低级别癌)。由两名观察者运用盲法分析对所有多参数磁共振图像进行PIRADS v2评分,采用Kappa检验分析两名观察者独立对病灶PI-RADS v2评分的一致性,ROC曲线分析PI-RADS v2法(PR法)、PI-RADS v2联合前列腺特异性抗原密度(Prostate-Specific Antigen Density,PSAD)法(PP法)、PI-RADS v2联合adjustedPSAD法(PA法)在前列腺高级别癌中的诊断价值,利用Spearman分析各参数与高级别癌Gleason评分的相关性。结果 :两名观察者采用PI-RADS v2法对于高级别癌评分的一致性为中等(Kappa=0.633);ROC曲线分析表明:三种方法中以PI-RADS v2联合adjusted-PSAD法的曲线下面积(Area under the curve,AUC)最大(P<0.05),AUC、敏感性、特异性、阳性预测值、阴性预测值分别为91%,85%、87%、75%、93%。PI-RADS v2评分与Gleason评分呈正相关(r=0.475,P=0.001)。结论:PI-RADS v2联合adjusted-PSAD法对于前列腺高级别癌的诊断价值较为理想,且PI-RADS v2评分可作为评价前列腺高级别癌侵袭性的指标。 展开更多
关键词 前列腺肿瘤 磁共振成像
下载PDF
基于MRI的鹿特丹前列腺癌风险计算器应用于中国前列腺癌患者的性能评估与验证
4
作者 蒲冰洁 李林 +3 位作者 吕赛群 王永芹 王宗勇 彭涛 《临床放射学杂志》 北大核心 2024年第7期1153-1158,共6页
目的评估鹿特丹前列腺癌风险计算器(RPCRC)在中国前列腺癌(PCa)患者人群的应用性能。方法回顾性分析2020年2月至2022年8月300例具备多参数磁共振成像(mpMRI)、前列腺特异性抗原(PSA)、直肠指检(DRE)、前列腺影像报告和数据系统(PI-RADS... 目的评估鹿特丹前列腺癌风险计算器(RPCRC)在中国前列腺癌(PCa)患者人群的应用性能。方法回顾性分析2020年2月至2022年8月300例具备多参数磁共振成像(mpMRI)、前列腺特异性抗原(PSA)、直肠指检(DRE)、前列腺影像报告和数据系统(PI-RADS)评分、病理资料、病历等完整PCa患者资料,使用RPCRC(Ver.3.2.3,含MRI评估项)评估罹患PCa和临床显著性前列腺癌(csPCa)的风险,使用受试者工作特征(ROC)曲线、校准曲线和决策曲线评估其性能、校准度及临床净获益。结果最终155例纳入研究,其中43例(28%)为PCa,36例(21%)为csPCa。RPCRC对PCa风险预测的曲线下面积(AUC)(AUC=0.94)高于单独应用PI-RADS评分(AUC=0.79)和单独应用血清总前列腺特异性抗原(tPSA)(AUC=0.60),且差异有统计学意义;RPCRC对csPCa风险预测的AUC(AUC=0.91)高于单独应用PI-RADS评分(AUC=0.86)和单独应用tPSA(AUC=0.65),且差异有统计学意义;RPCRC对PCa和csPCa风险预测的AUC间差异没有统计学意义(P>0.05)。校准曲线显示RPCRC对概率的估计没有明显的系统性偏倚。决策曲线显示RPCRC预测PCa的表现好于预测csPCa。结论RPCRC在预测中国人群PCa及csPCa风险方面有很好的表现,有利于扩大PCa筛查范围,助力PCa的早期诊断、合理治疗,但其对于csPCa的预测能力略低于Pca,在csPCa的准确预测和避免过度干预方面还有待进一步改进。 展开更多
关键词 前列腺肿瘤 临床显著性前列腺癌 磁共振成像 前列腺癌风险计算器 筛查
原文传递
基于bp-MRI和VB-Net的临床显著性前列腺癌自动分割和机器学习分类的研究 被引量:5
5
作者 彭涛 肖建明 +8 位作者 李林 蒲冰洁 夏朝阳 牛翔科 王宗勇 曾小辉 陈林 杨进 李佽 《临床放射学杂志》 北大核心 2022年第3期519-524,共6页
目的评价基于双参数MRI的深度学习自动分割与机器学习分类模型,探索其在临床显著性前列腺癌(CSPC)诊断中的应用。方法纳入409例前列腺患者MRI检查资料,在DWI、ADC和T;WI中应用VB-Net模型分别进行病灶自动分割和腺体自动分割,生成感兴趣... 目的评价基于双参数MRI的深度学习自动分割与机器学习分类模型,探索其在临床显著性前列腺癌(CSPC)诊断中的应用。方法纳入409例前列腺患者MRI检查资料,在DWI、ADC和T;WI中应用VB-Net模型分别进行病灶自动分割和腺体自动分割,生成感兴趣区(ROI),病灶自动分割时将分割阈值设置为不同数值分别重复进行。分别提取病灶ROI和腺体ROI中的纹理特征,进行Lasso特征选择,建立、训练随机森林、支持向量机和Logistic回归模型并进行验证。结果病灶分割中分割阈值分别为0.9、0.5、0.1时,假阴性率分别为0.462、0.273、0.182,假阳性率分别为0.134、0.419、0.661;当分割阈值设为0.5,病灶自动分割后进行纹理分析和机器学习分类,3种模型ROC曲线的AUC为0.76~0.792;腺体分割后进行纹理分析和机器学习分类,3种模型ROC曲线的AUC为0.827~0.855。结论采用基于前列腺bp-MRI的VB-Net模型对CSPC病灶具有一定的自动分割、分类能力,结合进一步的机器学习能较好地诊断CSPC;VB-Net模型对腺体自动分割后再进行机器学习分类,也对CSPC有较好的诊断价值。在提高全自动病灶自动分割能力方面还需要进一步的深入研究。 展开更多
关键词 前列腺癌 双参数磁共振成像 深度学习 卷积神经网络 纹理分析 机器学习
原文传递
前列腺影像报告和数据系统v2及v2.1检测移行区前列腺癌的对比分析 被引量:4
6
作者 王宗勇 肖建明 +4 位作者 蒲冰洁 李林 彭涛 牛翔科 李佽 《临床放射学杂志》 北大核心 2021年第7期1345-1349,共5页
目的比较前列腺影像报告和数据系统(PI-RADS)v2和v2.1检测移行区前列腺癌的诊断效能。方法筛选67例前列腺特异性抗原(PSA)水平升高的患者行前列腺磁共振检查,随后行超声引导下前列腺穿刺活检或前列腺根治手术,并取得病理结果。由2名放... 目的比较前列腺影像报告和数据系统(PI-RADS)v2和v2.1检测移行区前列腺癌的诊断效能。方法筛选67例前列腺特异性抗原(PSA)水平升高的患者行前列腺磁共振检查,随后行超声引导下前列腺穿刺活检或前列腺根治手术,并取得病理结果。由2名放射科医师独立评估每个移行区病变,并进行PI-RADS v2和v2.1评分,比较2名医师评分一致性。采用诊断性试验方法计算PI-RADS v2和v2.1诊断移行区前列腺癌的敏感度、特异度、阳性预测值、阳性预测值、准确率,采用McNemar检验分析上述测值的差异。采用Medcalc软件绘制受试者工作特征曲线,并计算曲线下面积,采用Delong test分析二者曲线下面积差异。结果67例患者中,前列腺癌30例,前列腺良性病变37例。两名放射科医师应用PI-RADS v2及PI-RADS v2.1评价前列腺病变的Kappa值分别为0.730及0.852。两名放射科医师使用PI-RADS v2.1评价前列腺病变的敏感度均高于PI-RADS v2,差异无统计学意义(P=0.688、P=0.063);PI-RADS v2.1的诊断特异度、阳性预测值、阳性预测值、准确率、曲线下面积均高于PI-RADS v2,且差异有统计学意义。结论与PI-RADS v2相比,PI-RADS v2.1能更好地评价移行区前列腺病变。 展开更多
关键词 前列腺影像报告和数据系统 前列腺肿瘤 移行区 磁共振成像
原文传递
基于PI-RADS v2建立预测前列腺高级别肿瘤的列线图模型 被引量:8
7
作者 牛翔科 刘晓敏 +3 位作者 李林 蒲冰洁 张亚美 彭涛 《临床放射学杂志》 CSCD 北大核心 2017年第12期1820-1824,共5页
目的探索基于前列腺影像报告和数据系统第二版(PI-RADS v2)联合前列腺癌相关生物指标建立预测前列腺高级别肿瘤的列线图模型。方法回顾性分析2014年1月至2016年8月本院接受前列腺多参数磁共振成像检查的患者资料,根据PI-RADS v2标准对... 目的探索基于前列腺影像报告和数据系统第二版(PI-RADS v2)联合前列腺癌相关生物指标建立预测前列腺高级别肿瘤的列线图模型。方法回顾性分析2014年1月至2016年8月本院接受前列腺多参数磁共振成像检查的患者资料,根据PI-RADS v2标准对前列腺主要病灶进行评分,纳入患者年龄、PI-RADS v2、总前列腺特异抗原(t PSA)、游离前列腺特异抗原(f PSA)、前列腺体积、前列腺特异抗原密度(PSAD),游离/总前列腺抗原百分比(f/t)比值等相关指标进行多因素Logistic回归分析,病理采用超声引导穿刺活检或前列腺切除作为"金标准"。各指标在前列腺高级别肿瘤中的诊断价值采用受试者工作特征(ROC)曲线分析。筛选出的预测因子通过R软件建立nomogram模型,最后采用留一交叉验证评估模型判别能力。结果共111例患者纳入研究,ROC曲线分析显示PSAD在诊断前列腺高级别肿瘤中曲线下面积(AUC)最大(AUC=0.84,95%CI:0.77,0.90);多因素Logistic回归分析显示患者年龄(OR=1.10,95%CI:1.01,1.20,P=0.023)、PI-RADS v2评分(OR=3.05,95%CI:1.70,5.49,P=0.001)、前列腺体积(OR=0.96,95%CI:0.93,0.99,P=0.020)为高级别肿瘤的独立预测因素,拟合ROC曲线AUC达0.92(95%CI:0.87,0.97)。留一交叉验证该模型对82%的病例进行了准确分类。结论基于患者年龄、PI-RADS v2、前列腺体积建立的前列腺高级别肿瘤预测模型诊断准确性明显提高,值得推广运用。 展开更多
关键词 多参数 磁共振成像 PI-RADS 前列腺癌 列线图
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部