利用机器学习进行组织分类的光谱多能量CT结构分析:利用良性腮腺肿瘤分类作为测试范例的研究

作     者：E.A.I.Ajmi B.Forghani C.Reinhold M.Bayat R.Forghani 郑孝飞 

作者机构：Department of RadiologyJewish General Hospital 

出 版 物：《国际医学放射学杂志》 (International Journal of Medical Radiology)

年 卷 期：2018年第4期

页      面：499-499页

学科分类：1002[医学-临床医学] 1001[医学-基础医学(可授医学、理学学位)] 100214[医学-肿瘤学] 100106[医学-放射医学] 10[医学] 

主　　题：腮腺肿瘤 VMI 纹理分析 CT 

摘      要：目的在双能CT（DECT）产生的光谱数据集中有大量的定量信息。在本研究中,将多能量数据集上进行的纹理分析性能与65 ke V虚拟单色图像（VMI）的性能进行比较,并以2种最常见的良性腮腺肿瘤分类为测试范例。方法对42例病理证实的Warthin瘤（25例）或多形性腺瘤（17例）进行评估。纹理分析是在40;40 keV VMI范围内以5 ke V递增（多能量分析）或仅以65 keV VMI进行的,通常认为其等效为单能CT。采用单独的随机选择的训练和测试集或整个病人组来构建随机森林（RF）模型用于结果预测。结果使用多能纹理分析独立测试集中的肿瘤分类准确度、敏感度、特异度、阳性预测值、阴性预测值分别为92%、86%、100%、100%、83%,而单能分析以上各值分别为75%、57%、100%、100%和63%。结论与65 keV VMI的单能质地分析相比,多能量纹理分析在良性腮腺肿瘤具有更好的分类性能。