TY -的A2 Gorriz J.M.盟——张、李盟——哲,夏盟——唐,分盟,张任京盟——,古时的非盟-张,小玲AU - Li Longchao PY - 2021 DA - 2021/12/23 TI -预测前列腺癌的分级基于Biparametric MRI Radiomics签名SP - 7830909六世- 2021 AB - 目的。本研究旨在探讨的价值biparametric磁共振成像(bp-MRI)的radiomics签名的术前预测前列腺癌(PCa)年级与放射科医生视觉评估相比基于前列腺成像报告和数据系统2.1版本(PI-RADS V2.1)大量multiparametric MRI (mp-MRI)。 方法。这项回顾性研究包括142名连续患者组织学证实PCa mp-MRI之前手术。核磁共振图像是由两个独立的得分和评估使用PI-RADS V2.1放射科医生。radiomics工作流程分为五个步骤:(a)选择和图像分割,特征提取(b), (c)特征选择,(d)模型建立和评价(e)模型。三个机器学习算法(随机森林树(RF)、逻辑回归和支持向量机(SVM))是区分高级和低级的PCa构造。接受者操作特征(ROC)分析是用来比较的基于机器学习分析bp-MRI radiomics PI-RADS V2.1模型。 结果。,804 radiomics稳定特性的提取特性基于t2加权成像(T2WI)和ADC序列被选中。Radiomics签名成功地分类高档和低档PCa例( P < 0.05 )在训练和测试数据集。基于模型radiomics射频方法(曲线下面积,AUC: 0.982;0.918),逻辑回归(AUC: 0.886;0.886)和支持向量机(AUC: 0.943;0.913)在训练和测试组最好的诊断性能比PI-RADS V2.1 (AUC: 0.767;0.813)当预测PCa品位。 结论。这项临床研究的结果表明,基于机器学习的分析bp-MRI radiomic模型可能有助于区分高级和低级的PCa,表现在PI-RADS V2.1分数基于mp-MRI。机器学习算法射频模式略好。SN - 1555 - 4309 UR - https://doi.org/10.1155/2021/7830909 - 10.1155 / 2021/7830909摩根富林明对比媒体与分子成像PB - Hindawi KW - ER