目的:通過(guò)使用影像組學(xué)和機(jī)器學(xué)習(xí)的方法構(gòu)建隨機(jī)森林模型,用于判讀腦膠質(zhì)瘤的MRI圖像,探討術(shù)前通過(guò)MRI圖像預(yù)測(cè)腦膠質(zhì)瘤病理分級(jí)的可行性和有效性。方法:首先獲取BraTS訓(xùn)練集的DICOM圖像,所有圖像已經(jīng)預(yù)先劃分出ROI。使用Python平臺(tái)下的Pyradiomics包進(jìn)行全部圖像的特征提取。將全部樣本按照70%的比例隨機(jī)劃分出訓(xùn)練組,剩余30%進(jìn)入測(cè)試組。隨后將訓(xùn)練組(198例)劃分為5個(gè)亞組(每個(gè)亞組分別有40、39、40、39、40個(gè)樣本),使用R軟件進(jìn)行5折交叉驗(yàn)證擬合,以Gini系數(shù)作為隨機(jī)森林中樹的分枝規(guī)則,獲得隨機(jī)森林最佳參數(shù)mtry(每個(gè)節(jié)點(diǎn)可能分割的變量的數(shù)量)和min.node.size(即最小的節(jié)點(diǎn)的大小),將得到的最佳參數(shù)用于構(gòu)建最終的隨機(jī)森林模型,并輸出特征重要性排名。最后進(jìn)行測(cè)試組圖像判讀和分類器性能評(píng)價(jià),輸出混淆矩陣,計(jì)算準(zhǔn)確度、敏感度、特異度、精確度、F1值,繪制ROC曲線,進(jìn)行一致性評(píng)價(jià)等。結(jié)果:共獲得訓(xùn)練集中高級(jí)別膠質(zhì)瘤210例,低級(jí)別膠質(zhì)瘤75例,每個(gè)病例包含T1、T2、Flair、T1ce 4個(gè)序列及1個(gè)預(yù)先分割的ROI序列。75例LGG中有3...

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.2典型的影像學(xué)診斷流程

腫瘤性疾病的發(fā)病率居高不下，對(duì)無(wú)創(chuàng)成像的需求樣大[28]。不管哪種醫(yī)學(xué)影像形式都有一個(gè)共性，那就是客觀，但對(duì)影像的解讀卻非常主觀。對(duì)于一種影像學(xué)的人們通過(guò)大量采集影像學(xué)圖片、視頻等總結(jié)出種種“影明確這種圖像能帶給我們那些信息，再將同一種疾病的行提取，然后在兩個(gè)特征的集合之中進(jìn)行互....

圖2.4灰度值轉(zhuǎn)換（綠色為ROI）

第2章綜述算法上并取得了重要的成果[31-34]。但目前還沒(méi)有一個(gè)規(guī)范的執(zhí)行標(biāo)準(zhǔn)來(lái)評(píng)判各家算法的短長(zhǎng)，經(jīng)過(guò)自動(dòng)或半自動(dòng)分割的ROI大多數(shù)情況下仍需要有經(jīng)驗(yàn)的醫(yī)師驗(yàn)證，當(dāng)樣本量增大時(shí)不可避免地導(dǎo)致工作進(jìn)度被拖慢。關(guān)于特征的提取，比較公認(rèn)的提取原理是將ROI分割為一個(gè)....

圖2.64種算法原理示意圖

分類或回歸效能也不相同[44-46]。常用的算法有SVM、人工神經(jīng)網(wǎng)絡(luò)、線性回歸、隨機(jī)森林、聚類分析等。不同算法的主要原理如圖2.6所示，SVM在支撐向量的基礎(chǔ)上構(gòu)建直線、平面或超平面將樣本進(jìn)行劃分；最簡(jiǎn)單的人工神經(jīng)網(wǎng)絡(luò)有1個(gè)輸入層，1個(gè)隱層，1個(gè)輸出層；線性回歸是....

圖2.7多層CNNs多種類腫瘤診斷方案

圖2.7多層CNNs多種類腫瘤診斷方案在預(yù)后類研究中，Lao等[68]利用CNNs來(lái)估計(jì)GBM患者的總生存期，C指數(shù)為0.71，可以認(rèn)為該回歸模型擬合良好，當(dāng)此模型結(jié)合上臨床危險(xiǎn)因素后，C指數(shù)增加到0.739；Nie等[69]使用3DCNNs并提....

本文編號(hào)：3968748