人工智能技術(shù)和傳統(tǒng)醫(yī)療行業(yè)結(jié)合形成的智能醫(yī)療領(lǐng)域已逐漸成熟,但是如何在該領(lǐng)域中得到高精度、高穩(wěn)定性的模型以及如何讓更多的醫(yī)學(xué)研究者更便攜地使用人工智能技術(shù)進(jìn)行基礎(chǔ)研究依然是亟待解決的問題。本文針對以上問題開發(fā)了智能醫(yī)學(xué)影像研究平臺 RIAS(Radiomics Intelligent Analysis Software),對構(gòu)成RIAS的影像組學(xué)算法、深度學(xué)習(xí)分類和分割網(wǎng)絡(luò)算法的理論部分進(jìn)行討論。本文重點(diǎn)對影像組學(xué)的圖像預(yù)處理、感興趣區(qū)間的勾畫方式、特征提取、特征工程、特征可視化、模型建立及評價(jià)等方面進(jìn)行了討論。圖像預(yù)處理中提出了圖像重采樣的兩種方式,對圖像特征的構(gòu)成進(jìn)行分析,通過分別對降維算法原理的闡述總結(jié)出特征工程的一般規(guī)律,以及探討了借最優(yōu)搜索算法獲取模型最優(yōu)參數(shù)的過程。除了影像特征外,還對其他特征如臨床信息等實(shí)現(xiàn)特征多融合進(jìn)行了分析。在深度學(xué)習(xí)中重點(diǎn)討論了卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展史,對圖像分類網(wǎng)絡(luò)、圖像分割網(wǎng)絡(luò)的構(gòu)造進(jìn)行分析,并討論了網(wǎng)絡(luò)的共通點(diǎn)和優(yōu)缺點(diǎn)。最后,從理論層面對卷積神經(jīng)網(wǎng)絡(luò)如何有效地在醫(yī)學(xué)圖像中運(yùn)用進(jìn)行了闡述,從網(wǎng)絡(luò)原理、網(wǎng)絡(luò)應(yīng)用等方面重點(diǎn)分析。接著以結(jié)直腸癌肝轉(zhuǎn)移、肝臟... 

【文章來源】： 李明洋 吉林大學(xué)

【文章頁數(shù)】：84 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．?１?ＩＴＫ－ＳＮＡＰ軟件的操作界面??除了?ＩＴＫ－ＳＭＰ外，３ＤＳｌｉｃｅｒ同樣具有ＲＯＩ勾畫的功能

?第二率．像組學(xué)．．棊本理論???３ＤＳｌｉｃｅｒ同時(shí)兼容影像組學(xué)特怔的直接計(jì)算和導(dǎo)出，也支持圖像的３Ｄ熏建和導(dǎo)??出。它提供了基于Ｐｙｔｈｏｎ平臺的外部接□，可以以插件形式實(shí)現(xiàn)不同的子功能，??功能十分強(qiáng)大。具體操作界面如圖２．?２所示。??纛》ａｕ＊?，?ｘ??ｔｉｌ＊?ｌｉ＊＊??＆９?？?＆?－?？＋?００?薩頃?ｔ?－?４．Ｑ＜＊??．．．．??Ｗｅｌｃｏｍｅ??１ｍＩ＞Ｕ?ＵＩ．Ｍ?＾?Ｓ？？ｌ＊?？？？？??ｉ－?Ｉ??Ｉｍｉ?ｖ？?＞．１Ｍｎｌ－ＣＭＩ?Ｊ？?ＩＶ－？？；??ｏ＂??圖２．?２?３ＤＳＩ?ｉｃｅｒ軟件的操作界面??第三種得到ＲＯＩ的方式需要基于較為成熟的深度學(xué)習(xí)分割網(wǎng)絡(luò)，一般很少甩??在影像組學(xué)研宄的Ｒ０Ｉ獲取過程中。不過全自動(dòng)分割的好處在于可以后期應(yīng)用到??臨床，通過深度學(xué)習(xí)的高精度的分割網(wǎng)絡(luò)實(shí)現(xiàn)自動(dòng)勾畫Ｒ０Ｉ，再經(jīng)過影像組學(xué)計(jì)??算和建模即可實(shí)現(xiàn)全禽動(dòng)診斷和預(yù)測，因此潛在價(jià)值很高＜＝??此外，除了?Ｒ０Ｉ：的標(biāo)注需要規(guī)范化、高精度化外，由于有些研究中涉及對Ｒ０Ｉ??邊緣影像的相關(guān)研宄（如脂肪），囡此圖像后處理也十分關(guān)鍵。一般來說通過圖??像的基本形態(tài)學(xué)運(yùn)算（如腐蝕、膨脹、開閉運(yùn)算方法等）即可完成對Ｒ０Ｉ固定像??素的擴(kuò)展和縮進(jìn)，再通過Ｒ０Ｉ相減的式即可得到邊緣或內(nèi)部影像Ｒ０Ｉｆｆ??２．?３影像組學(xué)特征工程??２．?３．１特征提取??影像組學(xué)的原料即是圖像的低階和高階特征，國此特征的精度、深度和廣度??在源頭部分將決定了結(jié)果的好壞。目前大多數(shù)的影像組學(xué)特征提�。�？式均基于??Ｍａｔｌａｂ＼?Ｐ＿ｙｔｈｏｎ等平臺，但眉為Ｍａｔｌａｂ的商業(yè)化原因和沒有

?矩陣相乘從而得到降維后的樣本矩陣，即通過坐標(biāo)映射實(shí)現(xiàn)了降維的目的。新的??低維特征必須互相正交。ＰＣＡ的優(yōu)勢在于可以手動(dòng)調(diào)整要選取的特征向量數(shù)量，??根據(jù)不同需求實(shí)現(xiàn)不同程度的降維。而ＰＣＡ的缺陷則在于無法明確原始影像組學(xué)??特征名稱和研究目標(biāo)的映射關(guān)系，因此無法在直觀上探討影像組學(xué)特征對研宄結(jié)??果的影響。??ＬＤＡ和ＰＣＡ的降維思路類似但不絕對相同。ＬＤＡ也可以將原始數(shù)據(jù)集變換到??一個(gè)維度更低的新的特征子空間＃在盡可能多地保持相關(guān)信息的情況下，對數(shù)據(jù)??進(jìn)行壓縮。但差別如圖２．?３所示，在二維特征空間中，沿ｙ軸降維雖然保證了方??差最大，但是無法很好地區(qū)分兩個(gè)類別，井不是一個(gè)較好的線性判定。沿＾軸降??維則可以很好地區(qū)分兩個(gè)類別，因此是較優(yōu)的線性判定。??ｔ?ｉ??Ｉ??ｙ?？?？？?？??Ｚ?ｘ?Ｘ?ｘ?ｘ??圖２．?３二維空間下ＬＤＡ降維示意圖??總結(jié)ＬＤＡ降維原理即是，給定訓(xùn)練集，要盡可能將訓(xùn)練集中的每個(gè)樣本投影??到一條直線上＊并使得同類樣例的投影點(diǎn)盡可能接近，異類樣例的投影點(diǎn)盡可能??遠(yuǎn)離。其中關(guān)鍵步驟為，要對原始ｎ維特征進(jìn)行標(biāo)準(zhǔn)化處理，計(jì)算均值向：羹？，再??構(gòu)造類間的散布矩陣和類內(nèi)的散布矩陣，最后選擇矩陣的特征值和特征向量構(gòu)成??轉(zhuǎn)換矩陣從而實(shí)現(xiàn)降維的目的。因此ＬＤＡ需要提供樣本的標(biāo)簽信息，鳳最少降維??后的新特征個(gè)數(shù)要為類別數(shù)加一。??ｍＲＭＲ是一種濾波式的降維方法，在進(jìn)行特征降維時(shí)，多個(gè)優(yōu)質(zhì)特征的組合或??許弁不能增加模型的性能，因?yàn)橛锌赡芴卣髦g存在高度相關(guān)的關(guān)系，即特征冗??佘。而我們又需要將特征與分類變量之間的相關(guān)度最大化，即選擇與分類變量捆??有最高相關(guān)度的前ｋ個(gè)變量，因此最

【參考文獻(xiàn)】：
期刊論文
[1]全卷積神經(jīng)網(wǎng)絡(luò)與全連接條件隨機(jī)場中的左心室射血分?jǐn)?shù)精準(zhǔn)計(jì)算[J]. 劉曉鳴,雷震,何刊,張惠茅,郭樹旭,張歆東,李雪妍.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2019(03)
[2]CT影像組學(xué)對結(jié)直腸癌肝轉(zhuǎn)移的診斷價(jià)值[J]. 郭鈺,李明洋,劉祥春,王鳴飛,李雪妍,張惠茅.  中國臨床醫(yī)學(xué)影像雜志. 2018(11)
[3]Radiomics approach for preoperative identification of stages Ⅰ-Ⅱ and Ⅲ-Ⅳ of esophageal cancer[J]. Lei Wu,Cong Wang,Xianzheng Tan,Zixuan Cheng,Ke Zhao,Lifen Yan,Yanli Liang,Zaiyi Liu,Changhong Liang.  Chinese Journal of Cancer Research. 2018(04)



本文編號：2907051