發(fā)布時間：2022-01-03 18:51

　　乳腺癌嚴重危害著婦女的生命健康,因其高發(fā)病率和死亡率,受到人們廣泛關注。乳腺癌根據(jù)乳腺癌基因表達情況的差異被分為四種分子分型,不同分型在預后效果、復發(fā)風險等都存在明顯差異,分子分型在乳腺癌精準診療中正發(fā)揮著越來越重要的作用。乳腺腫瘤中存在復雜的異質性,這會影響分子分型的準確標定。影像基因組學將影像特征與基因表現(xiàn)形式的相關特征建立聯(lián)系,其中動態(tài)增強磁共振影像（dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI）因具有對病灶敏感、能反映腫瘤血管的生成情況等優(yōu)點而被應用于分子分型預測研究中。DCE-MRI受成像分辨率和異質性影響,其像素強度是多組織的血流活動信號模式的混合,只能潛在反映腫瘤血管的異質性,若將這些信號模式分解出來,能為腫瘤的診斷、治療及預后提供重要的幫助。目前,對DCE-MRI信號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)動力學房室模型,將DCE-MRI信號抽象為動力學信號模式的混合加權,使用深度學習的方法,通過樣本訓練從DCE-MRI影像中分解出各組織的... 

【文章來源】：杭州電子科技大學浙江省

【文章頁數(shù)】：61 頁

【學位級別】：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的表達式為：f(x)=log(1+e)X（4.14）softplus激活函數(shù)是一個非線性的連續(xù)可微函數(shù)，其變化平緩。不同于relu激活函數(shù)在負值區(qū)間的強制置零使得輸出具有稀疏性，softplus在負值區(qū)間依然能有非負值的輸出，如圖4.5為softplus與relu激活函數(shù)曲線的對比示意圖。根據(jù)乳腺藥代動力模型可知，信號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)，是非負的。而relu的稀疏性會使得信號模式矩陣損失許多重要物理信息，而softplus能保證信號模式矩陣始終保持較好的實際意義，有更好的泛化性。圖4.5softplus與relu激活函數(shù)曲線對比示意圖在得到信號模式矩陣和概率矩陣后，進行矩陣乘法得到預測的輸出矩陣，其尺寸為T×N，與輸入的腫瘤影像矩陣相同。將網(wǎng)絡結構cnn表示成一個函數(shù)：11=(,)(,)auxXKAcnnWXcnnWX=（4.15）

杭州電子科技大學碩士學位論文38驗證示意圖。圖5.2留一交叉驗證示意圖為評價模型的泛化能力和性能度量，引入模型評價指標受試者工作特性曲線(ROC)下的面積(AUC)值作為評價標準。ROC曲線能綜合評價模型的靈敏度及特異性，其橫坐標為假陽性率(FalsePositiveRate，F(xiàn)PR)，等價于1-特異性，縱坐標為真陽性率(TruePositiveRate，TPR)，等價于敏感性。將樣本集的預測值排序后，用不同閾值截斷預測值，計算當前截斷點時的FPR和TPR，使用固定步長調整截斷閾值，可得到一系列的FPR和TPR，依據(jù)這些點繪制出ROC曲線。AUC越大，模型性能越強。5.3基于影像分解特征的分子分型預測研究5.3.1單變量統(tǒng)計分析為研究從概率矩陣中提取的統(tǒng)計特征與分子分型的關聯(lián)性，對每個信號模式表達情況的每個統(tǒng)計特征都與分子分型建立單變量邏輯回歸模型。分子分型預測是典型的多分類（multiclass）問題，本實驗將其拆分為一對多問題，即針對四種分型共使用四個二分類器，每個分類器進行該分子分型和非該分子分型的分類任務，如LuminalB分類任務中，所有真實樣本為LuminalB的標簽置1，非LuminalB樣本的標簽置0，其他分型任務亦是如此。對每個單特征建立與每個分型的建立邏輯回歸模型。具體算法流程如下：（1）取某一信號模式的某一特征，針對某一分型分類任務，生成對應標簽。（2）使用留一交叉驗證，對數(shù)據(jù)集劃分為N（N為數(shù)據(jù)集大�。┓�，每次取其中一份作為測試集，使用剩余N-1份作為訓練集，生成邏輯回歸模型。（3）將生成模型對那一份測試集測試，得到該份測試集的預測概率。（4）重復（2）、（3）至遍歷數(shù)據(jù)集，得到該特征對N個樣本的預測概率。（5）重復（1）、（2）、（3）、（4）至遍歷所有特征的所有分類任務，計算每個特征對應每個分類任務的AUC。對比實驗中CAM

【參考文獻】：
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,陳茹,顧秀瑛,魏文強,赫捷.  中華腫瘤雜志. 2019 (01)
[3]膠質瘤及腫瘤微血管DCE-MRI臨床應用及研究進展[J]. 張俊峰,劉恒,陳曉,張偉國.  國際醫(yī)學放射學雜志. 2016(04)
[4]基于空間FCM與MRF方法的乳腺MRI序列三維病灶分割研究[J]. 張承杰,厲力華.  中國生物醫(yī)學工程學報. 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：3566792