The Potential Value of Preoperative MRI Texture and Shape Analysis in Grading Meningiomas: A Preliminary Investigation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECT: Preoperative knowledge of meningioma grade is essential for planning treatment and surgery. The purpose of this study was to investigate the diagnostic value of MRI texture and shape analysis in grading meningiomas. METHODS: A surgical database was reviewed to identify meningioma patients who had undergone tumor resection between January 2015 and December 2016. Preoperative MR images were retrieved and analyzed. Texture and shape analysis was conducted to quantitatively evaluate tumor heterogeneity and morphology. Three machine learning classifiers were trained with these features to build classification models. The performance of the features and classification models was assessed. RESULTS: A total of 131 patients were included in this study: 21 with high-grade meningiomas and 110 with low-grade meningiomas. Three texture features were selected: Horzl_RLNonUni, S(2,2)SumOfSqs, and WavEnHL_s-3; three shape features were selected: GeoFv, GeoW4, and GeoW5b. The Mann-Whitney test indicated that all six features were significantly different between high-grade and low-grade meningiomas. AUC values were generally greater than 0.50 (range, 0.73 to 0.88). Sensitivities and specificities ranged from 47.62% to 90.48% and 69.09% to 96.36%, respectively. Among the nine classification models obtained, the one built by training the SVM classifier with all six features achieved the best performance, with a sensitivity, specificity, diagnostic accuracy, and AUC of 0.86, 0.87, 0.87, and 0.87, respectively. CONCLUSIONS: Texture and shape analysis, especially when combined with a SVM classifier, can provide satisfactory performance in the preoperative determination of meningioma grade and is thus potentially useful for clinical application.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle