腦腫瘤是對(duì)人類健康造成極大威脅的中樞神經(jīng)系統(tǒng)常見(jiàn)疾病之一,其術(shù)前分級(jí)是一項(xiàng)非常重要但又很困難的臨床任務(wù)。近年來(lái),高級(jí)磁共振成像(如磁共振灌注成像和多體素磁共振波譜成像)可以提供更多關(guān)于腫瘤的診斷信息。而貝葉斯網(wǎng)絡(luò)作為人工智能領(lǐng)域的一種有力工具可以結(jié)合不同類型信息并完成不確定性下的概率推理。因此,本文使用貝葉斯網(wǎng)絡(luò)探究其結(jié)合多模態(tài)磁共振成像特征在大腦膠質(zhì)瘤分級(jí)中的應(yīng)用價(jià)值。在特征提取中,本文所使用的特征有中線偏移特征、灌注成像特征、T1W增強(qiáng)特征和多體素磁共振波譜特征,它們都與腫瘤級(jí)別有很大聯(lián)系。其中,我們提出了較為簡(jiǎn)單的中線偏移測(cè)量方法,根據(jù)臨床診斷定義了T1W增強(qiáng)特征。對(duì)于灌注成像,我們提取腫瘤區(qū)灌注數(shù)據(jù)與對(duì)側(cè)正常區(qū)灌注數(shù)據(jù)的比值作為灌注成像特征。對(duì)于多體素磁共振波譜,我們基于LCModel波譜量化軟件提出了波譜特征的多重限定準(zhǔn)則,提取膽堿、乙酰天門冬氨酸、乳酸、脂質(zhì)等代謝物,并完成了波譜代謝物的可視化。在構(gòu)建網(wǎng)絡(luò)進(jìn)行分級(jí)中,本文依次使用中線偏移特征、灌注成像特征、灌注成像特征結(jié)合T1W增強(qiáng)特征、多體素磁共振波譜特征構(gòu)建貝葉斯網(wǎng)絡(luò)。網(wǎng)絡(luò)結(jié)構(gòu)由K2算法學(xué)習(xí)得到,分布參數(shù)由最大似然估計(jì)得到,分級(jí)正確率由留一法計(jì)算。我們發(fā)現(xiàn)在灌注特征中,區(qū)域腦血容量、平均通過(guò)時(shí)間和區(qū)域腦血流量對(duì)分級(jí)最有幫助,且它們與T1W增強(qiáng)特征結(jié)合可以提高分級(jí)正確率。在波譜特征中,我們發(fā)現(xiàn)膽堿、乙酰天門冬氨酸和脂質(zhì)對(duì)分級(jí)最有幫助。本文也探討了結(jié)合使用各類特征構(gòu)建貝葉斯網(wǎng)絡(luò)的分級(jí)效果,網(wǎng)絡(luò)結(jié)構(gòu)由半自動(dòng)的方法確定,分布參數(shù)分別使用最大似然估計(jì)和最大化期望得到,分級(jí)正確率依然由留一法計(jì)算。我們發(fā)現(xiàn)灌注特征結(jié)合T1W增強(qiáng)特征對(duì)分級(jí)最有幫助,其次為波譜特征,最后是中線偏移。此外,期望最大化估計(jì)比最大似然估計(jì)更準(zhǔn)確,但計(jì)算時(shí)間更長(zhǎng)。
【學(xué)位單位】：東南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2015
【中圖分類】：R445.2;R739.41
【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 腦腫瘤分級(jí)的意義及現(xiàn)狀
    1.2 與腦腫瘤分級(jí)相關(guān)的磁共振影像學(xué)表現(xiàn)
    1.3 計(jì)算機(jī)輔助診斷系統(tǒng)研究現(xiàn)狀
    1.4 論文組織結(jié)構(gòu)
第二章 貝葉斯網(wǎng)絡(luò)的原理與方法
    2.1 貝葉斯網(wǎng)絡(luò)的基本概念
        2.1.1 貝葉斯網(wǎng)絡(luò)的發(fā)展歷史
        2.1.2 貝葉斯網(wǎng)絡(luò)的定義
        2.1.3 貝葉斯網(wǎng)絡(luò)中的條件獨(dú)立性質(zhì)
    2.2 貝葉斯網(wǎng)絡(luò)應(yīng)用的組成部分
        2.2.1 貝葉斯網(wǎng)絡(luò)中的變量數(shù)目及其類型
        2.2.2 貝葉斯網(wǎng)絡(luò)中的結(jié)構(gòu)學(xué)習(xí)
        2.2.3 貝葉斯網(wǎng)絡(luò)中的參數(shù)學(xué)習(xí)
        2.2.4 使用貝葉斯網(wǎng)絡(luò)進(jìn)行概率推斷和分類
    2.3 本章小結(jié)
第三章 多模態(tài)磁共振成像特征提取
    3.1 病人信息
    3.2 磁共振成像掃描參數(shù)
    3.3 占位效應(yīng)特征提取
    3.4 灌注成像原理與特征提取
        3.4.1 灌注成像基本原理
        3.4.2 灌注成像特征提取
    3.5 T1W增強(qiáng)圖像特征提取
    3.6 磁共振波譜原理與特征提取
        3.6.1 磁共振波譜原理
        3.6.2 LCModel量化原理
        3.6.3 使用LCModel量化多體素磁共振波譜
        3.6.4 多體素波譜的可視化
        3.6.5 LCModel量化結(jié)果的選取
    3.7 本章小結(jié)
第四章 貝葉斯網(wǎng)絡(luò)結(jié)合多模態(tài)磁共振成像特征的分級(jí)
    4.1 貝葉斯網(wǎng)絡(luò)應(yīng)用流程
    4.2 中線偏移的貝葉斯網(wǎng)絡(luò)分級(jí)
    4.3 灌注特征的貝葉斯網(wǎng)絡(luò)分級(jí)
    4.4 T1W增強(qiáng)特征結(jié)合灌注特征的貝葉斯網(wǎng)絡(luò)分級(jí)
    4.5 波譜特征的貝葉斯網(wǎng)絡(luò)分級(jí)
    4.6 多模態(tài)特征結(jié)合的貝葉斯網(wǎng)絡(luò)分級(jí)
    4.7 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 局限性及展望
致謝
參考文獻(xiàn)
作者簡(jiǎn)介

【相似文獻(xiàn)】

相關(guān)期刊論文 前1條

1 溫秋玲;楊博;戴康;;貝葉斯規(guī)整化神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)吲哚烷胺類化合物對(duì)5-HT_(1B/1D)受體親和力[J];醫(yī)藥導(dǎo)報(bào);2010年05期

相關(guān)博士學(xué)位論文 前1條

1 雷旭;基于貝葉斯理論的EEG-fMRI融合技術(shù)研究[D];電子科技大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 陳仕超;基于貝葉斯理論的行動(dòng)者評(píng)論家算法研究[D];蘇州大學(xué);2015年

2 朱曉峰;貝葉斯網(wǎng)絡(luò)及馬爾科夫毯的學(xué)習(xí)算法研究[D];西安電子科技大學(xué);2014年

3 張盈俠;基于約束的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)算法研究[D];西安電子科技大學(xué);2014年

4 胡冀蘇;貝葉斯網(wǎng)絡(luò)結(jié)合多模態(tài)磁共振成像特征在大腦膠質(zhì)瘤分級(jí)中的應(yīng)用[D];東南大學(xué);2015年

5 胡衛(wèi)華;基于桶消元的多連通貝葉斯網(wǎng)絡(luò)推理算法的改進(jìn)與實(shí)現(xiàn)[D];華北電力大學(xué)（河北）;2004年

6 許英強(qiáng);基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的評(píng)估模型研究及其在人力資源考核中的應(yīng)用[D];首都師范大學(xué);2009年

7 劉棟;基于貝葉斯網(wǎng)絡(luò)的云取證研究[D];山東師范大學(xué);2013年

8 陳文多;基于貝葉斯網(wǎng)絡(luò)與多元統(tǒng)計(jì)分析的故障診斷方法研究[D];上海交通大學(xué);2011年

9 陳固勝;基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的戰(zhàn)場(chǎng)信息預(yù)測(cè)與評(píng)估[D];南京理工大學(xué);2013年

10 董飛飛;基于貝葉斯理論的軌道交通列控系統(tǒng)安全評(píng)估[D];北京交通大學(xué);2013年

本文編號(hào)：2868629