【摘要】：研究背景:越來越多的斷層掃描檢查導(dǎo)致偶然發(fā)現(xiàn)的小腎腫瘤(small renal masses,SRMs)日益增加,這些小腎腫瘤已成為很常見的臨床問題。目前小腎腫瘤的定義為影像檢查中最大直徑不超過4cm的強(qiáng)化腫瘤。這些小腎腫瘤中80%為腎細(xì)胞癌(renal cell carcinoma,RCC),從臨床角度出發(fā),最重要的有三種腎細(xì)胞癌:腎透明細(xì)胞癌(clear cell RCC,ccRCC)最多見,占腎細(xì)胞癌總數(shù)的80-90%;乳頭狀腎細(xì)胞癌(papillary RCC,pRCC),可分為I型和II型,占腎細(xì)胞癌總數(shù)的10-15%;腎嫌色細(xì)胞癌(chromophobe RCC,chRCC),占腎細(xì)胞癌總數(shù)的4-5%。余下的20%小腎腫瘤為良性腫瘤,其中腎血管平滑肌脂肪瘤(angiomyolipoma,AML)最常見。當(dāng)影像檢查偶然發(fā)現(xiàn)小腎腫瘤時(shí),對臨床的挑戰(zhàn)包括腎臟良惡性腫瘤之間的鑒別以及腎臟惡性腫瘤的最佳治療選擇。傳統(tǒng)的腎臟腫瘤影像檢查方法包括超聲檢查,電子計(jì)算機(jī)斷層掃描(computed tomography,CT)檢查以及核磁共振成像(magnetic resonance imaging,MRI)檢查。大多數(shù)的腎臟腫瘤可以通過影像學(xué)檢查正確診斷,但是CT和MRI并不能可靠地鑒別乏脂肪AML(fat-poor angiomyolipoma,fp-AML)和腎臟惡性腫瘤,同時(shí)也無法預(yù)測腎臟惡性腫瘤的生物學(xué)侵襲性。腎臟穿刺活檢術(shù)在一定程度上可以認(rèn)為是鑒別診斷腎臟腫瘤組織學(xué)類型的金標(biāo)準(zhǔn),但其作為有創(chuàng)檢查,可能會(huì)對患者造成一定程度的危險(xiǎn)并增加患者額外的經(jīng)濟(jì)負(fù)擔(dān)�？紤]到目前傳統(tǒng)影像學(xué)檢查方法和腎臟活檢穿刺術(shù)的局限性,開發(fā)一種全新的能夠準(zhǔn)確且無創(chuàng)的對腎臟腫瘤病理組織學(xué)類型進(jìn)行預(yù)測的技術(shù)將具有很大的臨床價(jià)值。深度學(xué)習(xí),作為機(jī)器學(xué)習(xí)的一個(gè)分支,最近在計(jì)算機(jī)視覺、圖像分類、語音識(shí)別、自然語言處理和游戲開發(fā)等多個(gè)領(lǐng)域取得了顯著的進(jìn)步。卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)方法中最典型的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng),它的架構(gòu)由許多“層”組成,每層有大量類似神經(jīng)元的節(jié)點(diǎn)相連接。眾所周知,卷積神經(jīng)網(wǎng)絡(luò)中的卷積層中有多種類型的卷積核,它對圖像特征的識(shí)別極其有效。傳統(tǒng)的機(jī)器學(xué)習(xí)算法在學(xué)習(xí)之前需要先從圖像中提取特征,而深度學(xué)習(xí)中卷積層是在學(xué)習(xí)過程中自動(dòng)挖掘圖像數(shù)據(jù)的特征。因此,同傳統(tǒng)的機(jī)器學(xué)習(xí)受限于人類特定領(lǐng)域知識(shí)設(shè)計(jì)的手工特征不一樣的是,基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法能夠使用圖像本身包含的所有信息,這是深度學(xué)習(xí)方法的核心優(yōu)勢。通過這種學(xué)習(xí)方式,基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法很快被醫(yī)學(xué)影像領(lǐng)域所采用,并應(yīng)用在分類,探測和分割等多種影像學(xué)圖像處理任務(wù)中。因此這一方法具備在動(dòng)態(tài)增強(qiáng)CT圖像上鑒別腎臟腫瘤病理分類的潛能。第一部分基于MSCT的深度卷積神經(jīng)網(wǎng)絡(luò)鑒別乏脂肪腎血管平滑肌脂肪瘤與腎癌研究目的:使用基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法,通過四期動(dòng)態(tài)增強(qiáng)CT圖像,構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型用于鑒別乏脂肪腎血管平滑肌脂肪瘤與腎癌,并評價(jià)模型的性能。研究方法:這一回顧性單中心研究由醫(yī)院倫理委員會(huì)批準(zhǔn)。所有乏脂肪腎血管平滑肌脂肪瘤與腎癌患者均在我院病理科電子檔案庫中查詢得到,時(shí)間為2013年1月至2017年7月。共200位患者納入研究中,其中包括42名乏脂肪腎血管平滑肌脂肪瘤患者,158名腎癌患者。這200位患者由124位男性患者與76位女性患者組成,平均年齡55.07歲,年齡范圍20-83歲。所有患者均使用設(shè)備320排容積CT進(jìn)行腎臟四期規(guī)范化掃描,流程包括:平掃期、皮髓質(zhì)期、實(shí)質(zhì)期和排泄期。預(yù)處理的第一步就是對每張CT圖像中的腫瘤區(qū)域進(jìn)行分割以及分割后的非腫瘤區(qū)域的背景去除。該研究采用人工的腫瘤整體分割法,所有患者的分割工作由一位影像科醫(yī)師進(jìn)行,該醫(yī)師對所有患者信息均不知情。平掃圖像上的腎臟腫瘤邊界由該醫(yī)師與另外一名醫(yī)師使用相應(yīng)層面的三期增強(qiáng)圖像共同商量后決定。所有去除非腫瘤背景后的腫瘤圖像將用于卷積神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建。200位患者的12317張分割圖像(平掃期786張,皮髓質(zhì)期3854張,實(shí)質(zhì)期3900張,排泄期3777張)用于實(shí)驗(yàn)研究。預(yù)處理的第二步是在上一步得到的腫瘤分割圖像中截取腫瘤部分,將圖像改為96×96像素大小。第三步是將所有圖像整理放入文件夾中,六個(gè)文件夾分別對應(yīng)平掃期、皮髓質(zhì)期、實(shí)質(zhì)期、排泄期、后三期合并和四期合并。每個(gè)文件夾下設(shè)兩個(gè)訓(xùn)練用子文件夾包含小腎腫瘤的兩種不同類別。這兩個(gè)文件分別命名為:0(所有fp-AML的圖像),1(所有RCC的圖像)。論文中構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)包括十一層,其中四個(gè)卷積層,每一個(gè)卷積層后面緊跟一個(gè)最大池化層即四個(gè)最大池化層,最后面三層為一個(gè)扁平層和兩個(gè)全連接層。模型建立過程包含兩個(gè)階段:訓(xùn)練階段,采用十折交叉驗(yàn)證的方法,采用有監(jiān)督的基于卷積神經(jīng)網(wǎng)絡(luò)模型的深度學(xué)習(xí)方法,類別作為學(xué)習(xí)數(shù)據(jù);測試階段,采用未用于訓(xùn)練的剩余數(shù)據(jù)作為測試集,用以評價(jià)模型性能。應(yīng)用平掃期、皮髓質(zhì)期、實(shí)質(zhì)期和排泄期圖像單獨(dú)四期期相的圖像,三期增強(qiáng)期相的圖像以及四期所有期相的圖像構(gòu)建出六組模型。卷積神經(jīng)網(wǎng)絡(luò)模型分別預(yù)測該圖像為兩種類別的概率,二者概率和為1,最終概率大者作為模型的輸出結(jié)果。應(yīng)用受試者工作特征(receiver operating characteristic,ROC)曲線分析來評估卷積神經(jīng)網(wǎng)絡(luò)模型對于鑒別乏脂肪腎血管平滑肌脂肪瘤與腎癌的診斷效能。計(jì)算受試者工作特征曲線下面積(area under curve,AUC)。六組不同模型的平均AUC值間的比較應(yīng)用DeLong檢驗(yàn)(DeLong’s test)得到。P值小于0.05認(rèn)為差異有統(tǒng)計(jì)學(xué)意義。研究結(jié)果:model unenhanced鑒別乏脂肪腎血管平滑肌脂肪瘤與腎癌的平均AUC值為0.64,95%可信區(qū)間為(95%confidence interval,CI):0.58-0.69;model corticomedullary為0.83,95%可信區(qū)間:0.81-0.85;model nephrographic為0.83,95%可信區(qū)間:0.81-0.85;model excretory為0.81,95%可信區(qū)間:0.79-0.83;model enhanced為0.85,95%可信區(qū)間:0.84-0.86;model quadruple為0.84,95%可信區(qū)間:0.83-0.85。結(jié)論:除model unenhanced外,其余五組卷積神經(jīng)網(wǎng)絡(luò)模型能夠穩(wěn)健的鑒別出乏脂肪腎血管平滑肌脂肪瘤與腎癌,接下來的研究可以應(yīng)用這個(gè)方法去鑒別其它良性腫瘤與腎癌。第二部分基于MSCT的深度卷積神經(jīng)網(wǎng)絡(luò)預(yù)測腎透明細(xì)胞癌Fuhrman分級(jí)研究目的:使用基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法,通過四期動(dòng)態(tài)增強(qiáng)CT圖像,構(gòu)建預(yù)測T1a期腎透明細(xì)胞癌病理分級(jí)的卷積神經(jīng)網(wǎng)絡(luò)模型,并評價(jià)診斷模型的性能。研究方法:這一回顧性單中心研究由醫(yī)院倫理委員會(huì)批準(zhǔn)。所有腎透明細(xì)胞癌患者均在我院病理科電子檔案庫中查詢得到,時(shí)間為2013年1月至2017年7月。共97位患者納入研究,由72位男性患者與25位女性患者組成,其中69例低級(jí)別腎透明細(xì)胞癌;28例高級(jí)別腎透明細(xì)胞癌。這97位患者平均年齡55.64歲,年齡范圍28-83歲。所有患者均使用設(shè)備320排容積CT進(jìn)行腎臟四期規(guī)范化掃描,流程包括:平掃期、皮髓質(zhì)期、實(shí)質(zhì)期和排泄期。預(yù)處理的第一步分割與第二步方法同第一部分一致。97位患者的4936張分割圖像(平掃期390張,皮髓質(zhì)期1499張,實(shí)質(zhì)期1547張,排泄期1500張)用于實(shí)驗(yàn)研究。第三步是將所有圖像整理放入文件夾中,六個(gè)文件夾分別對應(yīng)平掃期、皮髓質(zhì)期、實(shí)質(zhì)期、排泄期、后三期合并和四期合并。每個(gè)文件夾下設(shè)兩個(gè)訓(xùn)練用子文件夾包含腎透明細(xì)胞癌的兩種不同類別。這兩個(gè)文件分別命名為:0(所有低級(jí)別ccRCC的圖像),1(所有高級(jí)別ccRCC的圖像)。論文中構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)包括十二層,其中四個(gè)卷積層,每一個(gè)卷積層后面緊跟一個(gè)最大池化層即四個(gè)最大池化層,最后面四層為一個(gè)扁平層和三個(gè)全連接層,模型建立過程同第一部分一致。卷積神經(jīng)網(wǎng)絡(luò)模型分別預(yù)測該圖像為兩種類別的概率,二者概率和為1,最終概率大者作為模型的輸出結(jié)果。應(yīng)用ROC曲線分析來評估卷積神經(jīng)網(wǎng)絡(luò)模型對于鑒別T1a期腎透明細(xì)胞癌病理分級(jí)的診斷效能。計(jì)算AUC值。六組不同模型的平均AUC值間的比較應(yīng)用DeLong檢驗(yàn)(DeLong’s test)得到。P值小于0.05認(rèn)為差異有統(tǒng)計(jì)學(xué)意義。研究結(jié)果:模型unenhanced鑒別腎透明細(xì)胞癌病理分級(jí)的平均AUC值為0.55,95%可信區(qū)間為:0.49-0.61;模型corticomedullary為0.77,95%可信區(qū)間:0.74-0.79;模型nephrographic為0.76,95%可信區(qū)間:0.74-0.79;模型excretory為0.69,95%可信區(qū)間:0.66-0.72;模型enhanced為0.78,95%可信區(qū)間:0.76-0.79;模型quadruple為0.75,95%可信區(qū)間:0.74-0.77。結(jié)論:我們的結(jié)果表明除模型unenhanced外,其余五組卷積神經(jīng)網(wǎng)絡(luò)模型或許能夠用于區(qū)分高低級(jí)別的T1a期腎透明細(xì)胞癌。這一結(jié)果需要在更大規(guī)模數(shù)據(jù)集上的得到驗(yàn)證后才能用于臨床。
【學(xué)位授予單位】：中國人民解放軍海軍軍醫(yī)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2018
【分類號(hào)】：R737.11;R730.44
【圖文】：

海軍軍醫(yī)大學(xué)博士學(xué)位論文瘤，緊接著我們繼續(xù)使用病理科電子檔案庫查詢目前記錄患者的腫瘤最大徑，將超過4.0cm 或 T1a 期的腫瘤排除，共排除 7 例腎血管平滑肌脂肪瘤、140 例腎透明細(xì)胞癌、11 例乳頭狀腎細(xì)胞癌和 29 例腎嫌色細(xì)胞癌。最終，剩下的 200 位患者納入本研究中，其中包括 42 名腎血管平滑肌脂肪瘤患者、97 名腎透明細(xì)胞癌患者、26 名乳頭狀腎細(xì)胞癌患者以及 35 名腎嫌色細(xì)胞癌患者。這 200 位患者由 124 位男性患者與 76 位女性患者組成，平均年齡 55.07 歲，年齡范圍 20-83 歲。此外，這 200 位患者均只有一枚腎臟腫瘤，平均直徑 2.5cm，直徑范圍 0.9-4.0cm。

-2 一位 53 歲女性，經(jīng)術(shù)后病理診斷為左腎直徑 3.5cm 乏脂肪腎血管平滑肌脂肪瘤，我腎癌。圖 A 示四張相對應(yīng)的原始 CT 軸位圖像，顯示位于最大直徑層面的乏脂肪腎血管肪瘤（512 像素×512 像素）。從上到下分別是平掃期，皮髓質(zhì)期，實(shí)質(zhì)期，排泄期。圖分割圖像，顯示四張不同期相原始 CT 圖像的綠線輪廓內(nèi)的腫瘤區(qū)域。腫瘤只占據(jù)整張的一小部分，除去腫瘤區(qū)域以外的圖像可以被視作背景區(qū)域。圖 C 示圖 B 中綠線內(nèi)的腫大后置入圖 C 中心。將此去除背景后放大的腫瘤圖像作為模型輸入

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測法[J];金融經(jīng)濟(jì);2017年18期

2 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)別[J];通訊世界;2018年12期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評[J];國際學(xué)術(shù)動(dòng)態(tài);1996年01期

4 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計(jì)研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

5 張庭略;;基于硬件的神經(jīng)網(wǎng)絡(luò)加速[J];通訊世界;2018年08期

6 蘇秀婷;;耦合神經(jīng)網(wǎng)絡(luò)的同步[J];紹興文理學(xué)院學(xué)報(bào)(自然科學(xué));2016年03期

7 朱n

本文編號(hào)：2724919