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

来源：国际医学放射学杂志, 2018, 41(04): 499.

DOI：10.19300/j.2018.e0620

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40140 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。