Department of Radiology The University of Chicago Chicago IL 60637;
Radiomics; breast malignancy; convolutional neural networks; transfer learning; computer-aided diagnosis; quantitative image analysis;
机译:多因素乳房MRI射频在区分良性和恶性乳腺病变
机译:基于学习的DCE-MRI方法识别良性和恶性乳腺肿瘤之间的差异
机译:基于常规先生成像,深入学习以区分恶性肾病变
机译:在DCE-MRI中区分良性和恶性乳腺病变任务中的深度学习与分割的辐射瘤方法的性能比较
机译:DCE-MRI对乳腺癌的深度学习和放射线学评估恶性程度和对治疗的反应
机译:乳腺DCE-MRI:造影后时间对自动病变动力学评估和良恶性病变鉴别的影响
机译:目的:通过使用组织学结果作为参考标准,研究ELASTPQ测量对良性和恶性局灶性肝病变(FLLS)的鉴别诊断的价值。材料和方法:共有154名患者。对测量剪切波速度(SWS)的每个病变进行ELASTPQ测量。评估了FL1与周围肝脏的SWS和SWS比的差异,研究了切断值。接收器操作特征(ROC)曲线被绘制以评估诊断性能。组织学作为金标准通过患者的手术获得。结果:共有154例病变,包括129名(83.7%)恶性FLLS和25(16.3%)良性物质。 SWS的恶性和良性FLLS显着差异,2.77±0.68 m / s和1.57±0.55 m / s(p <0.05)。对于良性FLL的恶性为2.23±0.36,每个FL1与周围肝实质的SWS比为2.23±0.36(P <0.05)。差分诊断的切断值为SWS和SWS比率为2.06米/秒。结论:ELASTPQ测量提供了FLLS的可靠定量刚度信息,可能有助于恶性和良性FLL之间的差异诊断。