论文-医学影像的神经网络模型拟合
2024-05-14 11:59:40 0 举报本文提出了一种基于神经网络的放射图像拟合方法，该模型能够准确地预测并生成高分辨率的放射图像。这种方法采用了卷积神经网络（CNN）结构，该结构能够自动学习并提取出图像中的高阶特征。实验结果表明，与传统方法相比，所提出的神经网络模型在拟合放射图像时具有更高的精度和速度，且能够更好地保留原始图像的质量。此外，该模型还可以应用于其他医学影像数据的处理和分析中，具有广泛的应用前景。
作者其他创作
大纲/内容
小提琴图（3A）显示数据分布及其概率密度
选择出来的特征变量分析
AUC(3Cspan style=\"font-size: inherit;\
3个模型的预测概率可视化（3B）
放射组学流程从 CT 图像数据中总共提取了 707 个放射组学特征； 614 个因为低可重复性或高冗余被过滤掉，最终选择了 25 个对目标有显着影响的特征
4个模型的决策曲线（3E）
数据集以3:1的比例分为training和validation，另设一个independent test cohort
clinical model临床模型
RF 做特征的重要性分析（Fig.S2）
这里还做了ROC图（Fig.S3）span style=\"font-size: inherit;\
4个模型的IDI分析（S7）
混合模型fused model（inputting predicted probabilities into the logistic regression model）
深度学习：VGG19卷积神经网络
4个模型的校准曲线（3D）
4个模型 DeLong's testAUC显著性检验的方法T2
nomogram（3F）
radiomics signature
收藏
收藏
0 条评论
下一页
