乳腺癌嚴(yán)重危害著婦女的生命健康,因其高發(fā)病率和死亡率,受到人們廣泛關(guān)注。乳腺癌根據(jù)乳腺癌基因表達(dá)情況的差異被分為四種分子分型,不同分型在預(yù)后效果、復(fù)發(fā)風(fēng)險(xiǎn)等都存在明顯差異,分子分型在乳腺癌精準(zhǔn)診療中正發(fā)揮著越來(lái)越重要的作用。乳腺腫瘤中存在復(fù)雜的異質(zhì)性,這會(huì)影響分子分型的準(zhǔn)確標(biāo)定。影像基因組學(xué)將影像特征與基因表現(xiàn)形式的相關(guān)特征建立聯(lián)系,其中動(dòng)態(tài)增強(qiáng)磁共振影像（dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI）因具有對(duì)病灶敏感、能反映腫瘤血管的生成情況等優(yōu)點(diǎn)而被應(yīng)用于分子分型預(yù)測(cè)研究中。DCE-MRI受成像分辨率和異質(zhì)性影響,其像素強(qiáng)度是多組織的血流活動(dòng)信號(hào)模式的混合,只能潛在反映腫瘤血管的異質(zhì)性,若將這些信號(hào)模式分解出來(lái),能為腫瘤的診斷、治療及預(yù)后提供重要的幫助。目前,對(duì)DCE-MRI信號(hào)分解的方法主要還是基于傳統(tǒng)矩陣分解的方法,受噪聲和初始化影響較大,沒有利用好樣本信息。本研究依據(jù)動(dòng)力學(xué)房室模型,將DCE-MRI信號(hào)抽象為動(dòng)力學(xué)信號(hào)模式的混合加權(quán),使用深度學(xué)習(xí)的方法,通過樣本訓(xùn)練從DCE-MRI影像中分解出各組織的... 

【文章來(lái)源】：杭州電子科技大學(xué)浙江省

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

感興趣區(qū)域及其TIC模式示意圖

せ詈??魑?詈蟮氖涑觶瑂oftplus的表達(dá)式為：f(x)=log(1+e)X（4.14）softplus激活函數(shù)是一個(gè)非線性的連續(xù)可微函數(shù)，其變化平緩。不同于relu激活函數(shù)在負(fù)值區(qū)間的強(qiáng)制置零使得輸出具有稀疏性，softplus在負(fù)值區(qū)間依然能有非負(fù)值的輸出，如圖4.5為softplus與relu激活函數(shù)曲線的對(duì)比示意圖。根據(jù)乳腺藥代動(dòng)力模型可知，信號(hào)模式矩陣是具有物理意義的不同房室組織灌注情況的體現(xiàn)，是非負(fù)的。而relu的稀疏性會(huì)使得信號(hào)模式矩陣損失許多重要物理信息，而softplus能保證信號(hào)模式矩陣始終保持較好的實(shí)際意義，有更好的泛化性。圖4.5softplus與relu激活函數(shù)曲線對(duì)比示意圖在得到信號(hào)模式矩陣和概率矩陣后，進(jìn)行矩陣乘法得到預(yù)測(cè)的輸出矩陣，其尺寸為T×N，與輸入的腫瘤影像矩陣相同。將網(wǎng)絡(luò)結(jié)構(gòu)cnn表示成一個(gè)函數(shù)：11=(,)(,)auxXKAcnnWXcnnWX=（4.15）

杭州電子科技大學(xué)碩士學(xué)位論文38驗(yàn)證示意圖。圖5.2留一交叉驗(yàn)證示意圖為評(píng)價(jià)模型的泛化能力和性能度量，引入模型評(píng)價(jià)指標(biāo)受試者工作特性曲線(ROC)下的面積(AUC)值作為評(píng)價(jià)標(biāo)準(zhǔn)。ROC曲線能綜合評(píng)價(jià)模型的靈敏度及特異性，其橫坐標(biāo)為假陽(yáng)性率(FalsePositiveRate，F(xiàn)PR)，等價(jià)于1-特異性，縱坐標(biāo)為真陽(yáng)性率(TruePositiveRate，TPR)，等價(jià)于敏感性。將樣本集的預(yù)測(cè)值排序后，用不同閾值截?cái)囝A(yù)測(cè)值，計(jì)算當(dāng)前截?cái)帱c(diǎn)時(shí)的FPR和TPR，使用固定步長(zhǎng)調(diào)整截?cái)嚅撝�，可得到一系列的FPR和TPR，依據(jù)這些點(diǎn)繪制出ROC曲線。AUC越大，模型性能越強(qiáng)。5.3基于影像分解特征的分子分型預(yù)測(cè)研究5.3.1單變量統(tǒng)計(jì)分析為研究從概率矩陣中提取的統(tǒng)計(jì)特征與分子分型的關(guān)聯(lián)性，對(duì)每個(gè)信號(hào)模式表達(dá)情況的每個(gè)統(tǒng)計(jì)特征都與分子分型建立單變量邏輯回歸模型。分子分型預(yù)測(cè)是典型的多分類（multiclass）問題，本實(shí)驗(yàn)將其拆分為一對(duì)多問題，即針對(duì)四種分型共使用四個(gè)二分類器，每個(gè)分類器進(jìn)行該分子分型和非該分子分型的分類任務(wù)，如LuminalB分類任務(wù)中，所有真實(shí)樣本為L(zhǎng)uminalB的標(biāo)簽置1，非LuminalB樣本的標(biāo)簽置0，其他分型任務(wù)亦是如此。對(duì)每個(gè)單特征建立與每個(gè)分型的建立邏輯回歸模型。具體算法流程如下：（1）取某一信號(hào)模式的某一特征，針對(duì)某一分型分類任務(wù)，生成對(duì)應(yīng)標(biāo)簽。（2）使用留一交叉驗(yàn)證，對(duì)數(shù)據(jù)集劃分為N（N為數(shù)據(jù)集大�。┓荩看稳∑渲幸环葑鳛闇y(cè)試集，使用剩余N-1份作為訓(xùn)練集，生成邏輯回歸模型。（3）將生成模型對(duì)那一份測(cè)試集測(cè)試，得到該份測(cè)試集的預(yù)測(cè)概率。（4）重復(fù)（2）、（3）至遍歷數(shù)據(jù)集，得到該特征對(duì)N個(gè)樣本的預(yù)測(cè)概率。（5）重復(fù)（1）、（2）、（3）、（4）至遍歷所有特征的所有分類任務(wù)，計(jì)算每個(gè)特征對(duì)應(yīng)每個(gè)分類任務(wù)的AUC。對(duì)比實(shí)驗(yàn)中CAM

【參考文獻(xiàn)】：
期刊論文
[1]乳腺癌診療規(guī)范（2018年版）[J]. National Health Commission of the People’s Republic of China;.  腫瘤綜合治療電子雜志. 2019(03)
[2]2015年中國(guó)惡性腫瘤流行情況分析[J]. 鄭榮壽,孫可欣,張思維,曾紅梅,鄒小農(nóng),陳茹,顧秀瑛,魏文強(qiáng),赫捷.  中華腫瘤雜志. 2019 (01)
[3]膠質(zhì)瘤及腫瘤微血管DCE-MRI臨床應(yīng)用及研究進(jìn)展[J]. 張俊峰,劉恒,陳曉,張偉國(guó).  國(guó)際醫(yī)學(xué)放射學(xué)雜志. 2016(04)
[4]基于空間FCM與MRF方法的乳腺M(fèi)RI序列三維病灶分割研究[J]. 張承杰,厲力華.  中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào). 2014(02)
[5]乳腺癌的分子分型[J]. 趙晶,付麗.  中華乳腺病雜志(電子版). 2009(02)



本文編號(hào)：3566792