【摘要】：腦膠質(zhì)瘤是最常見的中樞神經(jīng)系統(tǒng)惡性腫瘤,根據(jù)腫瘤良惡性程度,可以分為高級別腦膠質(zhì)瘤和低級別腦膠質(zhì)瘤。近年來,基因?qū)用娴难芯恳呀?jīng)被證實在腦膠質(zhì)瘤預測和預后上具有很大的價值。但是僅僅基于分子層面對腦膠質(zhì)瘤進行分級研究是不完整的。因此對腦膠質(zhì)瘤在組織層面進行準確分級是進行分子診斷的基礎,在腦膠質(zhì)瘤患者臨床診斷治療上起著重要的作用。目前,臨床上使用手術或活檢的方法對腫瘤進行化驗分級。但是這種方法由于手術侵入性和腫瘤的異質(zhì)性使得它具有很大的局限性。作為一種無創(chuàng)性工具,磁共振成像(MR)在膠質(zhì)瘤診斷中起著重要作用。大部分關于腦膠質(zhì)瘤MR圖像的研究都是針對單模態(tài),或者是重點研究MR圖像的一階特征,如平均值和最大、小值等統(tǒng)計學特征,并不能完整的表示腫瘤的表型信息。基于這種現(xiàn)狀,本文使用2015年BRATS提供的腦膠質(zhì)瘤MR圖像樣本集,高通量的從多模態(tài)腦膠質(zhì)瘤MR圖像中提取影像組學特征,使用支持向量機-遞歸消除法對特征進行選擇,獲得能夠表示腦膠質(zhì)瘤表象特征的最優(yōu)特征子集,然后使用XgBoost算法訓練分類器,作為對比本文也使用ERT和SVM兩種方法進行分類訓練。本文從腦膠質(zhì)瘤四個模態(tài)MR圖像中,總共提取了 420個影像組學特征。這些特征數(shù)據(jù)量龐大,具有很多無關特征和噪聲,無法直接用于分類器訓練研究。所以需要先進行特征選擇,本文在特征選擇環(huán)節(jié)使用的是支持向量機-遞歸消除法,整個過程中使用5-折交叉驗證方法,對樣本總集進行五次特征選擇,獲得五個最優(yōu)特征子集,將這些特征子集中共同包含的特征作為特征選擇的結果。可以發(fā)現(xiàn)多數(shù)的紋理特征和T1c模態(tài)中的特征被選擇出來,說明紋理特征和T1c模態(tài)圖像在高、低級別腦膠質(zhì)瘤的分類中起到很重要的作用。這點研究發(fā)現(xiàn)和目前比較先進的國內(nèi)外研究結論一致。本文最后使用XgBoost算法訓練分類器,對樣本集使用5-折交叉驗證來評價分類器性能,同時使用ERT和SVM兩種算法訓練分類器作為對比,研究實驗顯示,XgBoost分類器的精度、查準率、查全率和F1分別為:91.25%、91.63%、91.25%和91.06%,均高于ERT和SVM兩個分類器。這點也說明本文中采用XgBoost算法在本次良惡性腫瘤分級預測研究上具有很大的優(yōu)越性。本文設計的分類訓練器具有較高的精度,可以用于協(xié)助醫(yī)生診斷腦膠質(zhì)瘤的良惡性,是進一步分子診斷的基礎。
【學位授予單位】：山東大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：R739.41
【圖文】：

０邐１２邐３逡逑１邐０２２１０邐４１邐１０２００邐２２邐２邐０邐０邐３邐（Ｔ）邐１３邐３邐０邐０邐０邐１邐０（ｂ）ＧＬＣＭ邐（ｃ）圖２－１邋ＧＬＣＭ示例逡逑出現(xiàn)的頻率，本文將ＧＬＣＭ進行歸一化。表示列數(shù)，Ｎ表示灰度值范圍，？（／，＿／）表概率值。逡逑ＧＬＣＭ正則化后的ＧＬＣＭ如下圖２－２０．６６邋０．０８３邋０．０４２邐０逡逑

山東大學碩士學位論文逡逑似的，可以畫出如圖２－３邋（ａ）表示的圖像，在方向分別為：（丨，１）邋，邐（０，１）和逡逑（－１，１）的邋ＧＬＲＬＭ，分別如圖邋２－３邋（ｃ），邋（ｄ）和（ｅ）所示。逡逑Ｒｕｎ邋Ｌｅｎｇｔｈ邋ｊ邐Ｒｕｎ邋Ｌｅｎｇｔｈ邋ｊ逡逑

照需求對排序特征集合進行從前往后的特征選擇，生成最出這個迭代過程是一個后向特征消除的例子。但是在實際機特征并進行新的分類器訓練，可能無法滿足科研中的計算個特征可能是更有效的方法，但這樣做極大程度上會導致法下產(chǎn)生的是特征子集的排序，而不是特征的排序。產(chǎn)生：Ａｃ逡逑量機（ＳＶＭ）逡逑本思想就是根據(jù)樣本集Ｄ在樣本空間中找到一個超平面，行分類。ＳＶＭ算法是一種比較常用的樣本分類方法本集是線性可分數(shù)據(jù)。所以本節(jié)重點介紹線性可分支持向量的線性ＳＶＭ分類示例圖。逡逑ｙ

【參考文獻】

相關期刊論文 前3條

1 胡盼盼;王佳舟;胡偉剛;章真;;影像組學在精準放療中的應用[J];中華放射腫瘤學雜志;2017年01期

2 熊赤;牛朝詩;;多模態(tài)磁共振成像在腦膠質(zhì)瘤鑒別診斷的應用[J];立體定向和功能性神經(jīng)外科雜志;2013年01期

3 高程程;惠曉威;;基于灰度共生矩陣的紋理特征提取[J];計算機系統(tǒng)應用;2010年06期

相關碩士學位論文 前1條

1 尹祖鈺;基于主成分分析和遞歸特征消除的支持向量機分類方法研究[D];哈爾濱工業(yè)大學;2016年

本文編號：2793086