메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색

논문 기본 정보

자료유형
학술저널
저자정보
Quang Le Thanh (Department of Artificial Intelligence Convergence, Chonnam National University, Gwangju, Korea.) Baek Byung Hyun (Department of Radiology, Chonnam National University Medical School, Gwangju, Korea.Department of Radiology, Chonnam National University Hospital, Gwangju, Korea.) Yoon Woong (Department of Radiology, Chonnam National University Medical School, Gwangju, Korea.Department of Radiology, Chonnam National University Hospital, Gwangju, Korea.) Kim Seul Kee (Department of Radiology, Chonnam National University Medical School, Gwangju, Korea.Department of Radiology, Chonnam National University Hwasun Hospital, Hwasun, Korea.) Park Ilwoo (Department of Artificial Intelligence Convergence, Chonnam National University, Gwangju, Korea.Department of Radiology, Chonnam National University Medical School, Gwangju, Korea.Department)
저널정보
대한자기공명의과학회 Investigative Magnetic Resonance Imaging Investigative Magnetic Resonance Imaging Vol.28 No.2
발행연도
2024.6
수록면
61 - 67 (7page)
DOI
10.13104/imri.2024.0010

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색

초록· 키워드

오류제보하기
'Purpose: This study aimed to compare the effects of different normalization methods on radiomics features extracted from magnetic resonance imaging (MRI). Materials and Methods: Preoperative T1-contrast enhanced MRI data from 212 patients with meningiomas were obtained from two university hospitals. The tumors were segmented using 3D Slicer software, and the PyRadiomics framework was used to extract radiomics features. We developed four experiments to predict the histological grade of meningiomas prior to surgery. The first experiment was performed without normalization. The next three experiments used the StandardScaler, MinMaxScaler, and RobustScaler to normalize radiomics features. The PyCaret framework was used for feature selection and to explore an optimized machine learning model for predicting meningioma grades. The prediction models were trained and validated using data from the first hospital. External test data from the second hospital were used to test the performance of the final models. Results: Our testing results demonstrated that meningioma grade prediction performance depends highly on the choice of the normalization method. The RobustScaler demonstrated a higher level of accuracy and sensitivity than the other normalization methods. The area under the receiver operating characteristic curve and specificity of the RobustScaler method were comparable to those of no-normalization but higher than those of the Standard and MinMaxScaler methods. Conclusion: The results of our study suggest that careful consideration of the normalization method may provide a way to optimize the experimental results.
#Meningiomas #Radiomics features #Magnetic resonance imaging #Normalization #Scaling

목차

등록된 정보가 없습니다.

참고문헌 (0)

참고문헌 신청
참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

최근 본 자료

전체보기

댓글(0)

0