CT纹理特征在早期自发性脑出血血肿扩大的预测应用研究
目的 自发性脑出血早期血肿扩大提示预后不良.本研究旨在通过对脑出血感兴趣区(ROI)进行纹理分析来预测脑出血的早期扩大.方法 搜集115例自发性脑出血患者,分为血肿扩大组(阳性组)和未扩大组(阴性组).手动勾画ROI,用MaZda 4.6软件提取纹理特征.利用Fisher、分类错误概率联合平均相关系数(POE+ACC)和交互信息(MI)三种方法对纹理特征进行降维,分别提取10个最佳特征参数.采用MaZda自带的B11模块对选取的特征进行分析,计算不同降维方法筛选的特征参数的错判率.采用Graphpad 8.0软件比较血肿扩大组和未扩大组的30个最佳纹理特征参数间的统计学差异.对差异有统计学意义的特征参数进行受试者工作特征(ROC)曲线分析并比较其诊断效能.将115例病例按8:2随机分为训练集和测试集,结合五折交叉验证法计算训练集和测试集的平均错判率、灵敏度、特异度、阳性预测值、阴性预测值.结果 115例患者中,扩大组30例,未扩大组85例.在Fisher、POE +ACC和MI三种特征降维中,POE+ ACC提取的10个纹理特征错分率最低(7.85％).对30个最佳纹理参数中的15个进行ROC曲线分析,有7个特征参数曲线下面积(AUC) ＞0.70,其中Kurtosis 3D的AUC值最高(0.75).两种人工神经网络分类器(ANN 1-class和ANN N-class)在测试集中ANN N-class预测较好,平均错判率为5.43％,灵敏度为87.5％,特异度为97.06％,准确率为94.57％.结论 基于CT平扫图像的纹理分析有助于预测高血压性脑出血的早期扩大,其中POE+ ACC降维下提取的纹理特征参数结合非线性判断(NDA)分析法具有最好的预测价值.POE+ ACC提取的特征参数结合人工神经网络对脑出血患者血肿扩大的预测价值较好.
纹理特征、自发性脑出血、血肿扩大、体层摄影术、X线计算机
41
2022-03-28（万方平台首次上网日期，不代表论文的发表时间）
共5页
236-240
