目的:通過使用影像組學(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MRI圖像預(yù)測腦膠質(zhì)瘤病理分級的可行性和有效性。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)入測試組。隨后將訓(xùn)練組(198例)劃分為5個亞組(每個亞組分別有40、39、40、39、40個樣本),使用R軟件進(jìn)行5折交叉驗證擬合,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(每個節(jié)點可能分割的變量的數(shù)量)和min.node.size(即最小的節(jié)點的大小),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)行測試組圖像判讀和分類器性能評價,輸出混淆矩陣,計算準(zhǔn)確度、敏感度、特異度、精確度、F1值,繪制ROC曲線,進(jìn)行一致性評價等。結(jié)果:共獲得訓(xùn)練集中高級別膠質(zhì)瘤210例,低級別膠質(zhì)瘤75例,每個病例包含T1、T2、Flair、T1ce 4個序列及1個預(yù)先分割的ROI序列。75例LGG中有3...

【文章頁數(shù)】：71 頁

【學(xué)位級別】：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，對無創(chuàng)成像的需求樣大[28]。不管哪種醫(yī)學(xué)影像形式都有一個共性，那就是客觀，但對影像的解讀卻非常主觀。對于一種影像學(xué)的人們通過大量采集影像學(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]。但目前還沒有一個規(guī)范的執(zhí)行標(biāo)準(zhǔn)來評判各家算法的短長，經(jīng)過自動或半自動分割的ROI大多數(shù)情況下仍需要有經(jīng)驗的醫(yī)師驗證，當(dāng)樣本量增大時不可避免地導(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....

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；最簡單的人工神經(jīng)網(wǎng)絡(luò)有1個輸入層，1個隱層，1個輸出層；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來估計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)合上臨床危險因素后，C指數(shù)增加到0.739；Nie等[69]使用3DCNNs并提....

本文編號：3968748