作者:黄景浩; 林海城; 李德亮alexnet影像组学相关性验证stacking
摘要:本文通过机器学习方法建立了CT图像直肠肿瘤分割模型与直肠癌淋巴结转移分类模型。在CT图像直肠肿瘤分割模型中,使用Alex Net预测单幅CT图像是否包含肿瘤区域,根据直肠癌CT图像序列的特点对预测结果进行修正,继而使用Mask-RCNN对存在肿瘤区域的CT图像进行分割,得到肿瘤区域的掩模,测试结果表明,分割的dice系数平均值为0.753。在分割出肿瘤区域后,抽取了1502个影响组学特征。使用近似t检验、Kendall系数以及relief算法对抽取所得的特征进行检验,判断特征与直肠癌淋巴结转移相关性。在直肠癌淋巴结转移分类模型中,我们使用相关性最大的70个影像组学特征构建分类模型,由于数据集样本数量较小,我们采用集成学习方法Stacking提高模型的泛化能力,在测试集中,模型的F-Score值为0.909,精度为93.75%。
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社