CT纹理分析联合机器学习对椎体隐匿性骨折辅助诊断价值初探

• 作者: 刘畅 吴晶涛 彭云 王猛 罗先富 贾宏茹
• 来源期刊: 暨南大学学报（自然科学与医学版）
• 学科: 医学
• 关键词: 机器学习 纹理分析 隐匿性骨折 多层感知模型
• 年，卷（期）: 2020,（3）
• 页码范围: 268-275
• 页数: 8页
• 分类号: R445.3
• 字数: 5872字
• 语种: 中文
• DOI: 10.11778/j.jdxb.2020.03.011

摘要

目的:探究CT纹理分析联合机器学习多层感知模型对椎体隐匿性骨折早期检出的辅助诊断价值.方法:回顾性分析2017年1月至2018年12月84例经MRI证实为胸/腰椎隐匿性骨折病例的CT资料,每例患者选择一个隐匿性骨折椎体纳入实验组,选择一个相邻正常椎体纳入对照组.对CT图像进行标准化后,使用A.K.(artificial intelligent kit)软件分别提取椎体CT矢状位及轴位图像纹理特征.将实验组与对照组椎体按照7:3的比例分为训练组与验证组,通过单因素方差分析、M-W秩和检验以及Spearman秩相关分析,依次对训练组椎体矢状位及轴位CT图像纹理参数进行筛选,采用多层感知模型对筛选出的参数进行建模,最后采用验证组验证其诊断效能.结果:椎体矢状位CT图像纹理参数筛选后获得最低密度值、能量、峰度、低密度增强值、Hara方差5个参数,对训练组参数进行学习建立多层感知模型后,训练组与验证组的曲线下面积(AUC)分别为1.00和0.84.椎体轴位CT图像纹理特征进行筛选后获得均值、能量、均质性、偏度、范围、区域百分比6个参数,对训练组参数进行学习建立多层感知模型后,训练组与验证组的AUC分别为1.00和0.85.结论:机器学习多层感知模型对椎体CT图像纹理特征进行筛选及建模,能够辅助诊断椎体隐匿性骨折,从而降低漏诊率.