腦膠質(zhì)瘤是一種最常見(jiàn)的原發(fā)性腦腫瘤,具有較高的發(fā)病率和死亡率,即使采取最積極的治療,預(yù)后也比較差。分子生物標(biāo)志物O6-甲基鳥(niǎo)嘌呤-DNA-甲基轉(zhuǎn)移酶（MGMT）啟動(dòng)子甲基化狀態(tài)與膠質(zhì)瘤患者的化療效果及其預(yù)后密切相關(guān),其狀態(tài)的檢測(cè)對(duì)患者具有重要的意義。目前的檢測(cè)方法大多是基于活體組織的侵入式檢測(cè),本文提出一種無(wú)創(chuàng)的定量影像分析方法來(lái)預(yù)測(cè)MGMT啟動(dòng)子甲基化狀態(tài)。該方法主要包含了影像的分割、特征提取與選擇以及分類預(yù)測(cè),本文將圍繞這三個(gè)方面展開(kāi)具體的研究。影像的分割是整個(gè)檢測(cè)過(guò)程的關(guān)鍵,其結(jié)果直接影響后續(xù)影像的分析。本文提出一種基于多模態(tài)卷積神經(jīng)網(wǎng)絡(luò)的自動(dòng)分割方法來(lái)將患者M(jìn)RI影像分割為水腫區(qū)、增強(qiáng)區(qū)、非增強(qiáng)區(qū)、壞死區(qū)以及健康區(qū)五個(gè)子區(qū)域。為了充分利用多個(gè)模態(tài)影像的差異信息,針對(duì)每個(gè)模態(tài)影像都分別構(gòu)建一個(gè)卷積神經(jīng)網(wǎng)絡(luò)特征提取器,然后將其組合來(lái)訓(xùn)練分類,從而優(yōu)化分割結(jié)果。其次在模型中使用兩個(gè)具有小卷積核的卷積層來(lái)替代一個(gè)具有較大卷積核的卷積層,從而來(lái)提高模型的判別能力。公開(kāi)數(shù)據(jù)集的驗(yàn)證結(jié)果顯示了本方法能夠有效準(zhǔn)確的分割出腦膠質(zhì)瘤各個(gè)子區(qū)域。與其它算法的對(duì)比結(jié)果顯示了本方法能夠更加全面的分割出腫... 

【文章來(lái)源】：武漢理工大學(xué)湖北省211工程院校教育部直屬院校

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

腫瘤內(nèi)空間-時(shí)間異質(zhì)性示意圖

圖 2-5 四個(gè)模態(tài)的影像及正確的分割真值充分利用這 4 個(gè)不同模態(tài)不同的突出信息，本文提出了一絡(luò)分割模型。在該模型中，每種模態(tài)影像都分別對(duì)應(yīng)一個(gè)樣態(tài)影像樣本數(shù)據(jù)構(gòu)建了一個(gè)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，然并進(jìn)行訓(xùn)練分類。下面對(duì)多模態(tài)卷積神經(jīng)網(wǎng)絡(luò)算法以及結(jié)構(gòu)。模態(tài)卷積神經(jīng)網(wǎng)絡(luò)算法見(jiàn)的 CNN 模型相比，本文提出的多模態(tài)卷積神經(jīng)網(wǎng)絡(luò)模型行了改變外，在內(nèi)部結(jié)構(gòu)以及算法訓(xùn)練上也進(jìn)行了一些變化和全連接層的改變，正則化、BatchNormalization 技術(shù)的使失函數(shù)和梯度下降優(yōu)化算法的選擇。卷積層卷積神經(jīng)網(wǎng)絡(luò)，通常卷積層越多，學(xué)習(xí)到的特征越復(fù)雜，網(wǎng)

訓(xùn)練學(xué)習(xí)率 α 0.003訓(xùn)練動(dòng)量因子 γ 0.9訓(xùn)練批處理樣本數(shù) Batch 100構(gòu)建的模型中，共有 3751325 個(gè)參數(shù)需要訓(xùn)練。在具體實(shí)驗(yàn)中，采證的方法來(lái)訓(xùn)練構(gòu)建的網(wǎng)絡(luò)模型，訓(xùn)練過(guò)程中的訓(xùn)練準(zhǔn)確率以及迭代次數(shù)變化示意圖如圖 2-8 所示，從圖中我們可以看出，訓(xùn)練準(zhǔn)次數(shù)的增加而逐漸增高，驗(yàn)證準(zhǔn)確率隨著迭代次數(shù)的增加，剛開(kāi)始加，后來(lái)逐漸趨于穩(wěn)定。訓(xùn)練過(guò)程中的訓(xùn)練損失值以及驗(yàn)證損失值化示意圖如圖 2-9 所示，從圖中我們可以看出，訓(xùn)練損失值隨著迭而逐漸降低，驗(yàn)證損失值隨著迭代次數(shù)的增加，剛開(kāi)始整體趨勢(shì)在漸趨于穩(wěn)定。從訓(xùn)練結(jié)果可以看出，當(dāng)?shù)螖?shù)在 35 左右時(shí)，驗(yàn)隨著訓(xùn)練準(zhǔn)確率的增加而明顯變化，因此本次訓(xùn)練最終將迭代次型在訓(xùn)練時(shí)采用 NVIDIAGeForce GTX 1050 GPU 加速，每次迭代 分鐘，整個(gè)訓(xùn)練過(guò)程大約需要 10 個(gè)小時(shí)。

【參考文獻(xiàn)】：
期刊論文
[1]高維小樣本分類問(wèn)題中特征選擇研究綜述[J]. 王翔,胡學(xué)鋼.  計(jì)算機(jī)應(yīng)用. 2017(09)
[2]MGMT基因甲基化檢測(cè)在神經(jīng)膠質(zhì)瘤治療中的應(yīng)用[J]. 宣自學(xué),袁守軍,王維,俞佳.  腫瘤學(xué)雜志. 2016(10)
[3]基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的磁共振成像腦腫瘤分割研究[J]. 李健,羅蔓,羅曉,藍(lán)威,周懷恒,陳榮耀.  中國(guó)醫(yī)學(xué)裝備. 2016(02)
[4]中國(guó)腦膠質(zhì)瘤分子診療指南[J]. 中國(guó)腦膠質(zhì)瘤基因組圖譜計(jì)劃（CGGA）.  中華神經(jīng)外科雜志. 2014 (05)
[5]基于磁共振圖像的腦瘤MGMT表達(dá)狀況檢測(cè)算法[J]. 劉晨彬,潘穎,張海石,黃峰平,夏順仁.  浙江大學(xué)學(xué)報(bào)(工學(xué)版). 2012(01)
[6]MGMT基因啟動(dòng)子甲基化檢測(cè)在腦膠質(zhì)瘤化療中的意義[J]. 鄭長(zhǎng)青,季守平,宮鋒,李安民,邰軍利,章?lián)P培.  癌癥. 2009(06)



本文編號(hào)：3624059