| 基于多中心MRI的3D-ResNet101深度学习模型预测脑胶质瘤术前分级的研究 | |
李大瑞1,2,3; 胡万均1,2; 刘光耀1,2; 甘铁军1,2; 马来阳1,2,3; 张静1,2 | |
| 2023-05-20 | |
| Source Publication | 磁共振成像 Impact Factor & Quartile |
| ISSN | 1674-8034 |
| Volume | 14Issue:05Pages:25-30 |
| page numbers | 6 |
| Abstract | 目的 术前准确无创预测胶质瘤分级仍然具有挑战性。基于常规T2WI图像开发一种鲁棒性强的残差神经网络（Residual Networks,Res Net）深度学习模型以预测脑胶质瘤术前病理分级。材料与方法回顾性分析919例经病理证实为胶质瘤患者的术前T2WI图像，其中708例为2014年6月至2021年4月在兰州大学第二医院收治的患者数据，211例来源于癌症影像档案（The Cancer Imaging Archive,TCIA）数据库。TCIA数据集又被细分为开发集（n=135）和独立测试集（n=76），将兰州大学第二医院数据集和TCIA开发集的数据按7∶3随机分为训练集（n=590）和测试集（n=253），基于T2WI图像构建3 D-Res Net101深度学习模型。训练后的模型在测试集和独立测试集进行验证，并通过宏观F1分数、准确率（accaruy,ACC）及受试者工作特征（receiver operating characteristic,ROC）曲线对模型效能进行评估。结果基于T2WI构建的3 D-Res Net101深度学习模型在训练集和测试集ACC分别为99%、95%,F1分数分别为99%、95%,ROC曲线下面积（area under the curve,AUC）分别为0.98、0.97；独立测试集ACC为83%、F1分数为83%、AUC为0.89。结论 基于T2WI图像的3 D-Res Net101深度学习模型预测高、低级别胶质瘤具有较高的准确性、鲁棒性。该方法可用于术前胶质瘤分级的无创预测，并有助于提升患者临床管理的有效性。 |
| Keyword | 胶质瘤 3D-残差神经网络 深度学习 磁共振成像 T2加权成像 |
| URL | 查看原文 |
| Indexed By | 北大核心 ; CSCD |
| Language | 中文 |
| CSCD ID | CSCD:7476440 |
| Subtype | 学术期刊 |
| Citation statistics |
Cited Times:1[CSCD]
[CSCD Record]
|
| Document Type | 期刊论文 |
| Identifier | https://ir.lzu.edu.cn/handle/262010/527340 |
| Collection | 外国语学院 第二临床医学院 |
| Corresponding Author | 张静 |
| Affiliation | 1.兰州大学第二医院核磁共振科; 2.甘肃省功能及分子影像临床医学研究中心; 3.兰州大学第二临床医学院 |
| First Author Affilication | Second Clinical School |
| Corresponding Author Affilication | Second Clinical School |
| Recommended Citation GB/T 7714 | 李大瑞,胡万均,刘光耀,等. 基于多中心MRI的3D-ResNet101深度学习模型预测脑胶质瘤术前分级的研究[J]. 磁共振成像,2023,14(05):25-30. |
| APA | 李大瑞,胡万均,刘光耀,甘铁军,马来阳,&张静.(2023).基于多中心MRI的3D-ResNet101深度学习模型预测脑胶质瘤术前分级的研究.磁共振成像,14(05),25-30. |
| MLA | 李大瑞,et al."基于多中心MRI的3D-ResNet101深度学习模型预测脑胶质瘤术前分级的研究".磁共振成像 14.05(2023):25-30. |
| Files in This Item: | There are no files associated with this item. | ||||
