腦膠質(zhì)瘤（也被稱為是腦癌）是大腦膠質(zhì)細胞產(chǎn)生癌變引發(fā)的腦腫瘤,且占主要腦腫瘤疾病的約45%。高級別腦膠質(zhì)瘤（High Grade Glioma,HGG）是致死率最高的腦膠質(zhì)瘤,它由世界衛(wèi)生組織（World Health Organization,WHO）定義的III級和IV級腦膠質(zhì)瘤組成。高級別腦膠質(zhì)瘤嚴重威脅著患者的生命健康（高級別腦膠質(zhì)瘤患者的平均總生存期僅為2年）,卻占所有級別腦膠質(zhì)瘤約75%。目前,臨床治療方法均不能有效地治愈高級別腦膠質(zhì)瘤�？紤]到高級別腦膠質(zhì)瘤高致死率和難治療的特點,若能運用計算機輔助診斷技術幫助醫(yī)生更好地進行準確的早期診斷和預后,將對治療方案的精準制定、延長患者壽命、提高生活質(zhì)量和進行臨終關懷等都有著重要的臨床價值和現(xiàn)實意義。本文主要圍繞計算機輔助診斷腦膠質(zhì)瘤的關鍵技術展開研究和探討,包括腦腫瘤圖像分割、高級別腦膠質(zhì)瘤患者生存期預測及預后、以及影響患者生存期或預后的生物分子狀態(tài)（例如6-氧-甲基鳥嘌呤-DNA甲基轉(zhuǎn)移酶,O⁶-mehtylguanine-DNA Methyltransferase,MGMT;異檸檬酸脫氫酶1,Isocit... 

【文章來源】：上海交通大學上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：119 頁

【學位級別】：博士

【部分圖文】：

基于多任務的快速腦腫瘤分割方法框架

與Fast/FasterRCNN不同的是，前者基于區(qū)域的檢測的全卷積計算都幾乎可以在一整幅圖像上完成，而后者是每個區(qū)域一個子網(wǎng)絡，且要計算上百上千次。R-FCN通過提出一個對位置敏感的分數(shù)圖譜同時解決了在圖像分類中的變換不變性和目標檢測中的變換變化性兩個不兼容的問題。圖2-2所示的是R-FCN目標檢測對位置敏感的分數(shù)圖的關鍵技術圖解。在圖2-2中，一個全卷積網(wǎng)絡生成很多個=3×3的位置敏感分數(shù)圖，而在感興趣區(qū)（RegionofInterest，RoI）中的每個×的網(wǎng)格，池化操作都只作用在圖中標記為不同顏色的2個對位置敏感的分數(shù)圖上。圖2-2R-FCN物體檢測方法框架[39]Fig.2-2TheframeworkofR-FCNobjectdetectionmethodR-FCN(Region-basedFullyConvolutionalNetwork)是與FCN(FullyConvolutionalNetwork)類似的計算全部共享的、全卷積的網(wǎng)絡結(jié)構。為了使FCN網(wǎng)絡結(jié)構有變化可變性的特性，R-FCN網(wǎng)絡在全卷積網(wǎng)絡的輸出層設計了一個卷積層來生成對物體位置變化靈敏的分數(shù)圖，每一個分數(shù)圖隱含了與之對應的相關的空間位置的位置信息（如圖2-2所示，從物體的左上側(cè)（Top-left）到物體的右下側(cè)（Bottom-right）），這些分數(shù)圖上的信息由RoI池化層指導學習，池化層之后沒有任何其他的卷積層或者全連接層。這整個網(wǎng)絡結(jié)構是端到端的學習，所有可學習的層都在一幅圖像上進行卷積操作并共享這些運算信息，因此可以將物體檢測所需的空間信息編碼在網(wǎng)絡結(jié)構中。為了可以明確的將位置信息編碼在每一個RoI中，每一個RoI矩形框都是用網(wǎng)格分成×個最小單元格，如對于一個大小為×的RoI矩形框，被分割成最小單元格的大小約為×。如圖2-2所

上海交通大學博士學位論文15圖2-3R-FCN（Region-basedFullyConvolutionalNetwork）網(wǎng)絡結(jié)構示意圖[39]Fig.2-3ThearchitectureofR-FCN(Region-basedFullyConvolutionalNetwork)network腫瘤檢測任務中，我們使用的R-FCN是基于ResNet-50（此處也可以使用其他的深度卷積網(wǎng)絡）。ResNet-50網(wǎng)絡結(jié)構由50個卷積層組成，每個卷積層后面依次連接著平均池化層和全連接層。在R-FCN中，ResNet-50最后的平均池化層和全連接層被移除，僅使用卷積層計算特征圖，然后使用了上面介紹的2(+1)（在我們的應用中因為只檢測腫瘤區(qū)，所以=1）個通道的卷積層來生成位置敏感的分數(shù)圖。我們使用的數(shù)據(jù)集是BRATSChallenge2017訓練集，該訓練集包含285腫瘤患者的4種模態(tài)的腦腫瘤影像，以及該患者腫瘤分割的標簽集。我們選擇FLAIR影像作為輸入圖像（因為腫瘤的全區(qū)在此種影像中最明顯）。為了訓練腫瘤檢測網(wǎng)絡，我們需要為R-FCN網(wǎng)絡準備訓練數(shù)據(jù)的標簽集，即訓練數(shù)據(jù)的腫瘤位置以及檢測樣本所屬類別的注解。訓練數(shù)據(jù)標簽的注解可以通過以下幾步生成：1）計算BRATSChallenge2017訓練數(shù)據(jù)標簽集的連通區(qū)域，2）使用廣度優(yōu)先搜索（Breadth-firstSearch，BFS）來確定每個連通區(qū)域的近鄰連通區(qū)域，并將近鄰的連通區(qū)域作為一個整體，3）用矩形框標記在2）中更新后的所有區(qū)域，并記錄這些區(qū)域（即腫瘤區(qū)域）的坐標位置以類別記錄在txt文檔中，4）將txt文件中的內(nèi)容轉(zhuǎn)成xml格式的注解文件。生成腫瘤檢測任務的標簽集后，我們將3D的FLAIR圖像分別從冠狀面、矢狀面和軸向面三個不同的維度，把3DFLAIR影像對應三個維度每一層都存儲成2D圖像，并使用R-FCN對應每個維度的2D圖像訓練一個腫瘤檢測網(wǎng)絡，使用訓練好的三個網(wǎng)絡對BRATSChallenge2017的測試集（同樣使用FLAIR影像，并使用同樣的方法

【參考文獻】：
期刊論文
[1]Molecular biology of high-grade gliomas: what should the clinician know?[J]. Silvia Hofer,Elisabeth Rushing,Matthias Preusser,Christine Marosi.  Chinese Journal of Cancer. 2014(01)



本文編號：3218029