目的:通過CT影像組學模型鑒別兒童盆部橫紋肌肉瘤（Rhabdomyosarcoma,RMS）與卵黃囊瘤（yolk sac tumor,YST）,探討其在診斷兒童盆部RMS的價值。材料和方法:回顧性收集2013年1月²019年7月在重慶醫(yī)科大學附屬兒童醫(yī)院進行術前CT增強且經病理證實的兒童盆部RMS（n=37）和YST（n=31）的患者68例,收集每位患者的臨床及影像資料,對CT平掃期、動脈期及靜脈期圖像手動分割腫瘤區(qū)域并提取影像組學特征,從三期時相中分別提取出1321個初始特征,采用10折交叉驗證策略,對每一折的訓練集采用最小絕對收縮和選擇算子（least absoluunderte shrinkage and selection operator,LASSO）算法進行特征降維,篩選出區(qū)分RMS和YST相關性最高的5個影像組學特征建立支持向量機（Support Vector Machine,SVM）、邏輯回歸（Logistic Regression,LR）和隨機森林（Random forests,RF）3種機器學習模型,采用受試者操作特性（Receiver ope... 

【文章來源】：重慶醫(yī)科大學重慶市

【文章頁數(shù)】：48 頁

【學位級別】：碩士

【部分圖文】：

女，4歲，診斷RMS

女，7歲8月，診斷YST

重慶醫(yī)科大學碩士研究生學位論文21表33期CT期相選擇的最優(yōu)影像組學特征Table3TheoptimalradiomicsfeaturesselectedbytheLASSOalgorithm平掃期動脈期靜脈期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模型的分類效能基于以上最優(yōu)特征集建立的支持向量機SVM、邏輯回歸LR和隨機森林RF3種分類器模型中：1.ROC曲線顯示RF模型區(qū)分RMS與YST具有最優(yōu)效能，動脈期RF模型的AUC為0.83（95%CI：0.72～0.91）（圖6），其他SVM和LR模型的AUC分別為0.78（95%CI：0.66～0.87）（圖7）和0.77（95%CI：0.66～0.87）（圖8）。圖6CT動脈期隨機森林RF分類器測試集的ROC曲線Fig6ROCcurveoftestsetofRFclassifierbasedonCTarterialphase


本文編號：3397651