The Potential Value of Preoperative MRI Texture and Shape Analysis in Grading Meningiomas: A Preliminary Investigation
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».