目的:探讨动态增强核磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)定量灌注参数联合血清miR-6861-5p水平检测对原发性肝癌患者预后的预测价值。方法:回顾性选取2022年1月至2024年1月78例原发性肝癌患者...目的:探讨动态增强核磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)定量灌注参数联合血清miR-6861-5p水平检测对原发性肝癌患者预后的预测价值。方法:回顾性选取2022年1月至2024年1月78例原发性肝癌患者为研究对象,依据病理分期将患者分为Ⅰ~Ⅱ期组(46例)、Ⅲ期组(32例),比较两组及不同预后患者DCE-MRI定量灌注参数[转运常数(transport constant,K Trans)、速率常数(rate constant,K ep)、血管外细胞外间隙体积百分比(volume percentage of extracellular space outside blood vessels,V e)]、血清miR-6861-5p水平并分析各指标与病理分期、患者预后的相关性及联合检测对患者预后的预测价值。结果:Ⅰ~Ⅱ期组K^(Trans),K_(ep),V_(e)、miR-6861-5p低于Ⅲ期组(P<0.05);与预后良好患者相比,预后不良患者K^(Trans),K_(ep),V_(e)、miR-6861-5p水平较高(P<0.05);K^(Trans),K_(ep),V_(e)、miR-6861-5p水平与病理分期、患者预后呈正相关(P<0.05);DCE-MRI定量灌注参数(K^(Trans),K_(ep),V_(e))联合miR-6861-5p预测患者预后的曲线下面积(area under the curve,AUC)为0.929,约登指数为0.812,敏感度为95.24%,特异度为85.96%(P<0.05)。结论:DCE-MRI定量灌注参数、血清miR-6861-5p水平与原发性肝癌患者病理分期、预后有关,联合检测对患者预后有一定预测价值。展开更多
目的分析探讨基于动态增强磁共振成像(DCE-MR)构建卷积神经网络(CNN)模型预测乳腺癌表达Ki-67状态的临床价值。方法回顾性分析2020年1月至2023年7月经过病理证实的200例乳腺癌患者的临床资料,根据免疫组化结果,将Ki-67表达状态分为高表...目的分析探讨基于动态增强磁共振成像(DCE-MR)构建卷积神经网络(CNN)模型预测乳腺癌表达Ki-67状态的临床价值。方法回顾性分析2020年1月至2023年7月经过病理证实的200例乳腺癌患者的临床资料,根据免疫组化结果,将Ki-67表达状态分为高表达组(133例)和低表达组(67例),于DCE-MR第三期增强图像中手动勾画ROI并提取其影像组学特征,使用组间相关系数(ICC)、统计分析、Pearson相关系数筛选、最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)对特征进行筛选降维,分别构建随机森林(random forests)、逻辑回归(LR)、极度随机树(ExtraTrees)、极度梯度提升(XGBoost)、梯度提升决策树(LightGBM)等传统机器学习模型以及深度学习(CNN)模型,依据样本量8:2随机划分为训练集(160例)和验证集(40例),使用受试者工作特征(receiver operating charateristic,ROC)曲线及曲线下面积(area under the curve,AUC)评价6种模型的预测效能,利用决策曲线(decision curve analysis,DCA)评估模型的临床效能。结果基于乳腺DCE-MR图像共提取1197个特征,经过ICC、统计分析、Pearson相关系数筛选以及LASSO最终筛选出7个最优影像特征,以之构建Random Forests、LR、ExtraTrees、XGBoost、LightGBM及CNN模型,各模型预测乳腺癌Ki-67表达状态的AUC分别为0.793、0.674、0.755、0.748、0.766及0.832,其中CNN模型的AUC最高为0.832。结论基于DCE-MR图像构建的CNN模型对术前乳腺癌Ki-67表达具有较高的预测效能。展开更多
目的基于计算机辅助诊断的乳腺肿瘤动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)检测和分类存在着准确度低、缺乏可用数据集等问题。方法针对这些问题,建立一个乳腺DCE-MRI影像数据集,并提...目的基于计算机辅助诊断的乳腺肿瘤动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)检测和分类存在着准确度低、缺乏可用数据集等问题。方法针对这些问题,建立一个乳腺DCE-MRI影像数据集,并提出一种将面向局部特征学习的卷积神经网络(convolutional neural network,CNN)和全局特征学习的视觉Transformer(vision Transformer,ViT)方法相融合的局部—全局跨注意力融合网络(local global cross attention fusion network,LG-CAFN),用于实现乳腺肿瘤DCE-MRI影像自动诊断,以提高乳腺癌的诊断准确率和效率。该网络采用跨注意力机制方法,将CNN分支提取出的图像局部特征和ViT分支提取出的图像全局特征进行有效融合,从而获得更具判别性的图像特征用于乳腺肿瘤DCE-MRI影像良恶性分类。结果在乳腺癌DCE-MRI影像数据集上设置了两组包含不同种类的乳腺DCE-MRI序列实验,并与VGG16(Visual Geometry Group 16-layer network)、深度残差网络(residualnetwork,ResNet)、SENet(squeeze-and-excitationnetwork)、ViT以及Swin-S(swinTransformer-small)方法进行比较。同时,进行消融实验以及与其他方法的比较。两组实验结果表明,LG-CAFN在乳腺肿瘤良恶性分类任务上分别取得88.20%和83.93%的最高准确率(accuracy),其ROC(receiver operating characteristic)曲线下面积(area under the curve,AUC)分别达到0.9154和0.8826,均优于其他方法并最接近1。结论提出的LG-CAFN方法具有优异的局部—全局特征学习能力,可以有效提升DCE-MRI乳腺肿瘤影像良恶性分类性能。展开更多
文摘目的:探讨动态增强核磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)定量灌注参数联合血清miR-6861-5p水平检测对原发性肝癌患者预后的预测价值。方法:回顾性选取2022年1月至2024年1月78例原发性肝癌患者为研究对象,依据病理分期将患者分为Ⅰ~Ⅱ期组(46例)、Ⅲ期组(32例),比较两组及不同预后患者DCE-MRI定量灌注参数[转运常数(transport constant,K Trans)、速率常数(rate constant,K ep)、血管外细胞外间隙体积百分比(volume percentage of extracellular space outside blood vessels,V e)]、血清miR-6861-5p水平并分析各指标与病理分期、患者预后的相关性及联合检测对患者预后的预测价值。结果:Ⅰ~Ⅱ期组K^(Trans),K_(ep),V_(e)、miR-6861-5p低于Ⅲ期组(P<0.05);与预后良好患者相比,预后不良患者K^(Trans),K_(ep),V_(e)、miR-6861-5p水平较高(P<0.05);K^(Trans),K_(ep),V_(e)、miR-6861-5p水平与病理分期、患者预后呈正相关(P<0.05);DCE-MRI定量灌注参数(K^(Trans),K_(ep),V_(e))联合miR-6861-5p预测患者预后的曲线下面积(area under the curve,AUC)为0.929,约登指数为0.812,敏感度为95.24%,特异度为85.96%(P<0.05)。结论:DCE-MRI定量灌注参数、血清miR-6861-5p水平与原发性肝癌患者病理分期、预后有关,联合检测对患者预后有一定预测价值。
文摘目的分析探讨基于动态增强磁共振成像(DCE-MR)构建卷积神经网络(CNN)模型预测乳腺癌表达Ki-67状态的临床价值。方法回顾性分析2020年1月至2023年7月经过病理证实的200例乳腺癌患者的临床资料,根据免疫组化结果,将Ki-67表达状态分为高表达组(133例)和低表达组(67例),于DCE-MR第三期增强图像中手动勾画ROI并提取其影像组学特征,使用组间相关系数(ICC)、统计分析、Pearson相关系数筛选、最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)对特征进行筛选降维,分别构建随机森林(random forests)、逻辑回归(LR)、极度随机树(ExtraTrees)、极度梯度提升(XGBoost)、梯度提升决策树(LightGBM)等传统机器学习模型以及深度学习(CNN)模型,依据样本量8:2随机划分为训练集(160例)和验证集(40例),使用受试者工作特征(receiver operating charateristic,ROC)曲线及曲线下面积(area under the curve,AUC)评价6种模型的预测效能,利用决策曲线(decision curve analysis,DCA)评估模型的临床效能。结果基于乳腺DCE-MR图像共提取1197个特征,经过ICC、统计分析、Pearson相关系数筛选以及LASSO最终筛选出7个最优影像特征,以之构建Random Forests、LR、ExtraTrees、XGBoost、LightGBM及CNN模型,各模型预测乳腺癌Ki-67表达状态的AUC分别为0.793、0.674、0.755、0.748、0.766及0.832,其中CNN模型的AUC最高为0.832。结论基于DCE-MR图像构建的CNN模型对术前乳腺癌Ki-67表达具有较高的预测效能。
文摘目的基于计算机辅助诊断的乳腺肿瘤动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)检测和分类存在着准确度低、缺乏可用数据集等问题。方法针对这些问题,建立一个乳腺DCE-MRI影像数据集,并提出一种将面向局部特征学习的卷积神经网络(convolutional neural network,CNN)和全局特征学习的视觉Transformer(vision Transformer,ViT)方法相融合的局部—全局跨注意力融合网络(local global cross attention fusion network,LG-CAFN),用于实现乳腺肿瘤DCE-MRI影像自动诊断,以提高乳腺癌的诊断准确率和效率。该网络采用跨注意力机制方法,将CNN分支提取出的图像局部特征和ViT分支提取出的图像全局特征进行有效融合,从而获得更具判别性的图像特征用于乳腺肿瘤DCE-MRI影像良恶性分类。结果在乳腺癌DCE-MRI影像数据集上设置了两组包含不同种类的乳腺DCE-MRI序列实验,并与VGG16(Visual Geometry Group 16-layer network)、深度残差网络(residualnetwork,ResNet)、SENet(squeeze-and-excitationnetwork)、ViT以及Swin-S(swinTransformer-small)方法进行比较。同时,进行消融实验以及与其他方法的比较。两组实验结果表明,LG-CAFN在乳腺肿瘤良恶性分类任务上分别取得88.20%和83.93%的最高准确率(accuracy),其ROC(receiver operating characteristic)曲线下面积(area under the curve,AUC)分别达到0.9154和0.8826,均优于其他方法并最接近1。结论提出的LG-CAFN方法具有优异的局部—全局特征学习能力,可以有效提升DCE-MRI乳腺肿瘤影像良恶性分类性能。
