病理系统地诱导形态学变化,从而提供了主要但不足以量化的可观察到诊断来源。该研究基于计算机断层扫描(CT)体积的形态特征(3D形态学)开发了病理状态的预测模型。开发了一个完整的工作流程,以进行网状提取和简化器官表面的工作流程,并与平均曲率和网状能的分布自动提取形态特征自动提取。然后对XGBoost监督分类器进行了训练和测试,以预测病理状态。该框架应用于肺结节恶性肿瘤的预测。在具有恶性肿瘤的NLST数据库的子集中,仅使用3D形态学证实了活检,将肺结节的分类模型分类为恶性与良性AUC的良性0.964。 (1)临床相关特征的其他三组经典特征经过训练和测试,AUC为0.58,(2)111辐射因子学的AUC为0.976,(3)含有结节大小,衰减和衰减和衰减的放射科医生地面真相(GT) Spiculation定性注释的AUC为0.979。我们还测试了Brock模型并获得0.826的AUC。将3D形态学和放射素学特征结合在一起,可以实现最新的结果,而AUC为0.978,其中3D形态学具有一些最高的预测能力。作为对公共独立队列的验证,将模型应用于LIDC数据集,3D形态学的AUC达到0.906,而3D型物体+放射线学则获得了0.958的AUC,在挑战中排名第二。它将曲率分布确定为预测肺结核恶性肿瘤的有效特征,并可以直接应用于任意计算机辅助诊断任务。
translated by 谷歌翻译