Paper: Meningioma consistency assessment based on the fusion of deep learning
features and radiomics features

Authors: Jiatian Zhang, Yajing Zhao, Yiping Lu, Peng Li, Shijie Dang, Xuanxuan Li, Bo Yin b,
Lingxiao Zhao
Journal: European Journal of Radiology
本研究旨在将深度学习特征与放射组学特征相结合,用于计算机辅助的术前脑膜瘤一致性评估。
方法概览:由专业神经外科医生根据Zada的一致性分级系统评估T2-液体衰减反转恢复(T2-Flair)图像,将脑膜瘤分类为软性或硬性。我们提出了一种卷积神经网络(CNN)模型以提取深度学习特征,并将这些特征与放射组学特征结合。在多次特征选择后,使用四种分类器构建了分类模型,并通过AUC评估每个分类器的性能。利用最小绝对收缩和选择算子(LASSO)进一步构建了一个特征签名,并基于该签名创建了一个列线图用于预测脑膜瘤的一致性。
本文中提出的基于DLR的脑膜瘤质地预测模型显现了优异的质地术前分类能力,AUC在测试集上达0.943。DCA分析显示,本实验提出的分类模型能够实现肿瘤质地的准确分类,模型具有较高的净收益(红色曲线)。

论文原文预览