目的膠質(zhì)母細(xì)胞瘤(glioblastoma multiforme,GBM)是由星形膠質(zhì)細(xì)胞分化形成的顱內(nèi)原發(fā)惡性腫瘤,具有生存率低、致殘率高、病死率高等特點,對患者傷害巨大,無論是疾病的診斷、治療方案的提出還是預(yù)后觀察,均需對GMB進行定位和診斷。多模態(tài)MR圖像含有豐富的組織結(jié)構(gòu)信息,被廣泛地應(yīng)用于GBM的診療。目前臨床上主要依賴放射科醫(yī)生利用MR圖像手動分割GBM,但其組織在MR圖像中存在灰度差異不明顯、周圍常有水腫、邊界不清等問題,且專家手動分割復(fù)雜繁瑣、可重復(fù)性差。因此,精確手動分割GBM存在極大挑戰(zhàn)。自動方法可以避免因人為因素造成的誤分割,結(jié)果相對客觀,能極大程度地減輕醫(yī)生工作強度。因此,自動分割GBM多模態(tài)MR圖像具有極其重要的臨床意義。方法針對現(xiàn)有大多數(shù)GBM多模態(tài)MR圖像分割算法未實現(xiàn)細(xì)分割腫瘤區(qū)域的問題,本文提出了一種基于隨機森林的GBM多模態(tài)MR圖像分割方法。首先,配準(zhǔn)GBM 3個模態(tài)MR圖像后使用N4ITK方法進行偏置場校正;其次,提取MR圖像的位置特征、強度特征、紋理特征、上下文特征和對稱特征后,應(yīng)用隨機森林分類器獲得初步分割結(jié)果;最后,移除小于200像素的區(qū)域后...

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
ABSTRACT
前言
第一部分 基于隨機森林的GBM多模態(tài)MR圖像分割
    一、隨機森林概述
        （一）決策樹的基本原理
            1. 決策樹的劃分與選擇
            2. 決策樹的剪枝處理
        （二）Bagging集成理論
        （三）隨機森林模型
    二、圖像預(yù)處理
    三、底層特征提取
        （一）位置特征
        （二）強度特征
        （三）紋理特征
        （四）上下文特征
        （五）對稱特征
    四、初步分割
    五、后處理
    六、材料與設(shè)備
        （一）實驗材料
        （二）實驗設(shè)備
    七、實驗方法
    八、實驗結(jié)果
    九、小結(jié)
第二部分 基于三維區(qū)域生長的GBM多模態(tài)MR圖像分割
    一、區(qū)域生長法概述
        （一）區(qū)域生長法的基本原理
            1. 像素種子點的選取
            2. 區(qū)域生長停止條件
            3. 區(qū)域生長法的優(yōu)點
    二、基于三維區(qū)域生長的GBM多模態(tài)MR圖像分割
        （一）分析腫瘤區(qū)域分?jǐn)?shù)置信度和精度的關(guān)系
        （二）多種子點三維區(qū)域生長分割
        （三）精確分割
        （四）后處理
    三、實驗方法
    四、實驗結(jié)果
    五、小結(jié)
第三部分 結(jié)論與展望
    一、結(jié)論
    二、展望
參考文獻
致謝
文獻綜述
    參考文獻



本文編號：3843995