目的:根據(jù)WHO 2016版對膠質瘤的分級,應用卷積神經(jīng)網(wǎng)絡對膠質瘤患者的術前頭部磁共振進行分類訓練。觀察可否通過應用本研究所用卷積神經(jīng)網(wǎng)絡對術前頭部磁共振進行分析,以無創(chuàng)性的預測術前膠質瘤分級。研究方法:收集于2015年1月至2019年6月期間于中國醫(yī)科大學附屬盛京醫(yī)院接受顱內占位切除術或活檢術的膠質瘤患者的術前頭部磁共振數(shù)據(jù)�；诓±斫M織學將其分為低級別膠質瘤組（LGG）和高級別膠質瘤組（HGG）。所有患者均符合以下標準:（1）術前近期于盛京醫(yī)院行頭部磁共振;（2）于我院行顱內占位切除術或活檢術;（3）術后病理證實為膠質瘤。應用數(shù)據(jù)擴增技術對訓練集進行擴增,應用自適應迭代閾值法對數(shù)據(jù)去除背景并將所有數(shù)據(jù)進行標準化。將所有數(shù)據(jù)分為訓練集、驗證集和測試集,并對本研究所用卷積神經(jīng)網(wǎng)絡進行訓練、調整參數(shù)和檢驗性能。觀察預測的膠質瘤分級準確率,觀察預測的膠質瘤分級與對應的病理組織學分級是否一致。結果:計算得出本研究所設計卷積神經(jīng)網(wǎng)絡的靈敏度為95.0%,特異度為91.0%,準確率為93.0%;Mc Nemar檢驗的P值為0.424,預測結果與真實結果無統(tǒng)計學差異（P>0.05）;kap... 

【文章來源】：中國醫(yī)科大學遼寧省

【文章頁數(shù)】：34 頁

【學位級別】：碩士

【部分圖文】：

膠質瘤分級

中國醫(yī)科大學碩士學位論文32資料與方法2.1一般資料病例納入標準：（1）術前于我院行頭部磁共振；（2）于我院行顱內占位切除術或活檢術；（3）術后病理證實為膠質瘤。病例排除標準：（1）術前無我院近期頭部磁共振；（2）存在手術絕對禁忌癥；（3）術后病理證實為非膠質瘤。收集2015年1月～2019年6月間于中國醫(yī)科大學附屬盛京醫(yī)院接受顱內占位切除術或活檢術且病理證實為膠質瘤的患者的1281張術前頭部磁共振。2.2圖像處理方法2.2.1頭部MRI擴增一般情況下，在深度學習中對數(shù)據(jù)量的要求很高，當數(shù)據(jù)量相對不足時通常采用數(shù)據(jù)擴增技術來擴大訓練集，從而避免過度擬合。本研究中將收集到的頭部MRI進行90°、180°、270°的二維旋轉和加入高斯噪聲、椒鹽噪聲，將訓練樣本擴增至6倍（圖2）[7,8]。圖2通過圖像旋轉和增加噪聲擴增數(shù)據(jù)

中國醫(yī)科大學碩士學位論文42.2.2頭部MRI標準化事實上，腦腫瘤診斷的任務只是與腦區(qū)有關，背景的存在會導致計算復雜度的增加，因此有必要引入背景去除方法。由于腦圖像背景中的像素信號很低，可以采用自適應迭代閾值法去除背景。首先從原始圖像中獲取最大和最小灰度值(maxI和minI)，然后用)(*0.5minmaxII定義初始閾值，再根據(jù)初始閾值將原始圖像分為前景和背景，得到前景和背景的平均灰度值(H0和H1)。最后，將閾值更新為（H0+H1）/2。重復上述步驟，直到閾值幾乎不變或達到最大迭代次數(shù)（本研究設計為10次）。背景去除后的圖像大小不一，這會對后續(xù)步驟造成不利影響。所以，將背景去除后輸出圖像重塑為96*96的標準圖像（圖3）。圖3基于自適應迭代閾值法的背景去除2.3網(wǎng)絡設計近年來，隨著計算機性能的飛速發(fā)展，深度學習已成為一個研究熱點，它在信號處理、圖像語義分割等領域有著廣泛的應用。事實上，這種受到人腦結構的啟發(fā)的深度學習被視為機器學習的一個子領域。在深度學習模型中，卷積神經(jīng)網(wǎng)絡（CNN）是炙手可熱的處理分類任務的工具之一。與傳統(tǒng)的支持向量機和KNN等機器學習模型不同，CNN不需要人工提取特征，因為卷積層被看作特征抽取器，通過更新卷積層的權值可以獲得期望的特征。卷積的目的是為了從輸入圖像中提取特征。卷積可以通過從輸入的一小塊數(shù)據(jù)中學到圖像的特征，并可以保留像素間的空間關系。在CNN的術語中，

【參考文獻】：
期刊論文
[1]腦膠質瘤術前分級的MR影像研究進展[J]. 李萬蘭,周劍,高培毅.  醫(yī)學綜述. 2018(14)



本文編號：3103028