背景及目的:血腫擴大與腦出血（intracerebral hemorrhage,ICH）患者的神經(jīng)功能預后不良密切相關。因此,準確預測ICH患者是否發(fā)生血腫擴大具有重要的臨床工作意義。在此研究中,我們探究了1種雙模型的機器學習（machine learning,ML）方法對于血腫擴大的預測能力。此方法的特點是可以將ICH患者的非增強CT（non-contrast computed tomography,NCCT）圖像信息與患者的多個臨床資料數(shù)據(jù)結合用于血腫擴大的預測。方法:我們回顧性收集了2016年5月至2018年12月來自吉林大學第一醫(yī)院的140例ICH患者（其中包含58位發(fā)生血腫擴大的患者）,總共獲得了5616張NCCT血腫圖像（其中包含2635張發(fā)生血腫擴大的圖像）以及每位患者的10個臨床資料數(shù)據(jù)。此研究中使用的雙模型ML方法包含2個步驟。第1個步驟是使用1個基于深度卷積神經(jīng)網(wǎng)絡（deep convolutional neural network,DCNN）的單模型預測器,此預測器僅使用患者的基線NCCT圖像進行血腫擴大的預測。為了選擇合適的DCNN模型,我們同時比較了3個DCN... 

【文章頁數(shù)】：45 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
abstract
英文縮略詞表
第1章 前言
    1.1 研究背景及目的
第2章 綜述
    2.1 NCCT預測血腫擴大的研究進展及人工智能機器學習簡介
    2.2 血腫擴大的定義
    2.3 NCCT血腫擴大的預測因素
        2.3.1 首次NCCT檢查時間
        2.3.2 血腫體積
        2.3.3 血腫邊緣的不規(guī)則
        2.3.4 血腫密度
    2.4 展望及人工智能機器學習簡介
第3章 資料與方法
    3.1 患者資料收集
        3.1.1 研究對象
        3.1.2 患者納入及排除標準以及血腫擴大定義
        3.1.3 血腫體積測量方法
    3.2 圖像的預處理
    3.3 流程圖
    3.4 雙模型的ML方法
        3.4.1 第1 個預測模型:基于DCNN的單模型預測
        3.4.2 第2 個預測模型:基于MLP的雙模型預測
    3.5 模型性能的評估
第4章 結果
    4.1 患者基本資料
    4.2 圖像預處理結果
    4.3 ML預測血腫擴大的性能評估
第5章 討論
第6章 結論
參考文獻
作者簡介
致謝


【參考文獻】：
期刊論文
[1]人工智能在重癥醫(yī)學領域的應用進展[J]. 謝芳,薄祿龍,卞金俊.  國際麻醉學與復蘇雜志. 2019 (10)
[2]人工智能在醫(yī)學影像領域的應用與挑戰(zhàn)[J]. 季冰,劉伶俐.  中國醫(yī)學倫理學. 2019(08)
[3]人工智能在醫(yī)學領域的研究進展[J]. 高萌,楊仙鴻,姜祎群.  中華皮膚科雜志. 2019 (02)
[4]人工智能在神經(jīng)醫(yī)學領域應用的現(xiàn)狀和展望[J]. 王擁軍,荊京.  中華內科雜志. 2018 (10)



本文編號：3686536