目的:根據(jù)WHO 2016版對(duì)膠質(zhì)瘤的分級(jí),應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)對(duì)膠質(zhì)瘤患者的術(shù)前頭部磁共振進(jìn)行分類訓(xùn)練。觀察可否通過(guò)應(yīng)用本研究所用卷積神經(jīng)網(wǎng)絡(luò)對(duì)術(shù)前頭部磁共振進(jìn)行分析,以無(wú)創(chuàng)性的預(yù)測(cè)術(shù)前膠質(zhì)瘤分級(jí)。研究方法:收集于2015年1月至2019年6月期間于中國(guó)醫(yī)科大學(xué)附屬盛京醫(yī)院接受顱內(nèi)占位切除術(shù)或活檢術(shù)的膠質(zhì)瘤患者的術(shù)前頭部磁共振數(shù)據(jù)�；诓±斫M織學(xué)將其分為低級(jí)別膠質(zhì)瘤組（LGG）和高級(jí)別膠質(zhì)瘤組（HGG）。所有患者均符合以下標(biāo)準(zhǔn):（1）術(shù)前近期于盛京醫(yī)院行頭部磁共振;（2）于我院行顱內(nèi)占位切除術(shù)或活檢術(shù);（3）術(shù)后病理證實(shí)為膠質(zhì)瘤。應(yīng)用數(shù)據(jù)擴(kuò)增技術(shù)對(duì)訓(xùn)練集進(jìn)行擴(kuò)增,應(yīng)用自適應(yīng)迭代閾值法對(duì)數(shù)據(jù)去除背景并將所有數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化。將所有數(shù)據(jù)分為訓(xùn)練集、驗(yàn)證集和測(cè)試集,并對(duì)本研究所用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、調(diào)整參數(shù)和檢驗(yàn)性能。觀察預(yù)測(cè)的膠質(zhì)瘤分級(jí)準(zhǔn)確率,觀察預(yù)測(cè)的膠質(zhì)瘤分級(jí)與對(duì)應(yīng)的病理組織學(xué)分級(jí)是否一致。結(jié)果:計(jì)算得出本研究所設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)的靈敏度為95.0%,特異度為91.0%,準(zhǔn)確率為93.0%;Mc Nemar檢驗(yàn)的P值為0.424,預(yù)測(cè)結(jié)果與真實(shí)結(jié)果無(wú)統(tǒng)計(jì)學(xué)差異（P>0.05）;kap... 

【文章來(lái)源】：中國(guó)醫(yī)科大學(xué)遼寧省

【文章頁(yè)數(shù)】：34 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

膠質(zhì)瘤分級(jí)

中國(guó)醫(yī)科大學(xué)碩士學(xué)位論文32資料與方法2.1一般資料病例納入標(biāo)準(zhǔn)：（1）術(shù)前于我院行頭部磁共振；（2）于我院行顱內(nèi)占位切除術(shù)或活檢術(shù)；（3）術(shù)后病理證實(shí)為膠質(zhì)瘤。病例排除標(biāo)準(zhǔn)：（1）術(shù)前無(wú)我院近期頭部磁共振；（2）存在手術(shù)絕對(duì)禁忌癥；（3）術(shù)后病理證實(shí)為非膠質(zhì)瘤。收集2015年1月～2019年6月間于中國(guó)醫(yī)科大學(xué)附屬盛京醫(yī)院接受顱內(nèi)占位切除術(shù)或活檢術(shù)且病理證實(shí)為膠質(zhì)瘤的患者的1281張術(shù)前頭部磁共振。2.2圖像處理方法2.2.1頭部MRI擴(kuò)增一般情況下，在深度學(xué)習(xí)中對(duì)數(shù)據(jù)量的要求很高，當(dāng)數(shù)據(jù)量相對(duì)不足時(shí)通常采用數(shù)據(jù)擴(kuò)增技術(shù)來(lái)擴(kuò)大訓(xùn)練集，從而避免過(guò)度擬合。本研究中將收集到的頭部MRI進(jìn)行90°、180°、270°的二維旋轉(zhuǎn)和加入高斯噪聲、椒鹽噪聲，將訓(xùn)練樣本擴(kuò)增至6倍（圖2）[7,8]。圖2通過(guò)圖像旋轉(zhuǎn)和增加噪聲擴(kuò)增數(shù)據(jù)

中國(guó)醫(yī)科大學(xué)碩士學(xué)位論文42.2.2頭部MRI標(biāo)準(zhǔn)化事實(shí)上，腦腫瘤診斷的任務(wù)只是與腦區(qū)有關(guān)，背景的存在會(huì)導(dǎo)致計(jì)算復(fù)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(hào)很低，可以采用自適應(yīng)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(fù)上述步驟，直到閾值幾乎不變或達(dá)到最大迭代次數(shù)（本研究設(shè)計(jì)為10次）。背景去除后的圖像大小不一，這會(huì)對(duì)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(biāo)準(zhǔn)圖像（圖3）。圖3基于自適應(yīng)迭代閾值法的背景去除2.3網(wǎng)絡(luò)設(shè)計(jì)近年來(lái)，隨著計(jì)算機(jī)性能的飛速發(fā)展，深度學(xué)習(xí)已成為一個(gè)研究熱點(diǎn)，它在信號(hào)處理、圖像語(yǔ)義分割等領(lǐng)域有著廣泛的應(yīng)用。事實(shí)上，這種受到人腦結(jié)構(gòu)的啟發(fā)的深度學(xué)習(xí)被視為機(jī)器學(xué)習(xí)的一個(gè)子領(lǐng)域。在深度學(xué)習(xí)模型中，卷積神經(jīng)網(wǎng)絡(luò)（CNN）是炙手可熱的處理分類任務(wù)的工具之一。與傳統(tǒng)的支持向量機(jī)和KNN等機(jī)器學(xué)習(xí)模型不同，CNN不需要人工提取特征，因?yàn)榫矸e層被看作特征抽取器，通過(guò)更新卷積層的權(quán)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(guò)從輸入的一小塊數(shù)據(jù)中學(xué)到圖像的特征，并可以保留像素間的空間關(guān)系。在CNN的術(shù)語(yǔ)中，

【參考文獻(xiàn)】：
期刊論文
[1]腦膠質(zhì)瘤術(shù)前分級(jí)的MR影像研究進(jìn)展[J]. 李萬(wàn)蘭,周劍,高培毅.  醫(yī)學(xué)綜述. 2018(14)



本文編號(hào)：3103028