肝細(xì)胞癌約占原發(fā)性肝癌的90%,易發(fā)生轉(zhuǎn)移和復(fù)發(fā),是第二大與癌癥相關(guān)的主要死因。肝細(xì)胞癌的復(fù)發(fā)與其分化等級密切相關(guān),術(shù)前確定分化等級對選擇治療策略至關(guān)重要。當(dāng)前,病理切片是分級金標(biāo)準(zhǔn),是有創(chuàng)的診斷手段,可能因?yàn)榍衅粶?zhǔn)確造成漏診。磁共振檢查是肝細(xì)胞癌患者的常規(guī)篩查診斷的影像學(xué)方法,具有無創(chuàng)、快速、經(jīng)濟(jì)的特點(diǎn),但其診斷是醫(yī)生依據(jù)經(jīng)驗(yàn)給出診斷意見,易于出現(xiàn)漏診和誤診。利用磁共振影像和計(jì)算機(jī)技術(shù)實(shí)現(xiàn)肝細(xì)胞癌分化等級的無創(chuàng)、快速的輔助診斷,可以降低病理切片給患者帶來的痛苦和風(fēng)險(xiǎn),減少醫(yī)療成本。針對肝細(xì)胞癌的精準(zhǔn)分級問題,本文提出了一種基于影像組學(xué)的分級方法。該方法的步驟包括:數(shù)據(jù)采集,圖像預(yù)處理,腫瘤分割,特征提取,特征選擇和分類模型訓(xùn)練。本文從醫(yī)院采集了189位肝細(xì)胞癌患者的T2加權(quán)磁共振影像;為了緩解不同采集設(shè)備造成的影像亮度差異,利用局部自適應(yīng)直方圖均衡化算法進(jìn)行圖像預(yù)處理;由影像科醫(yī)生進(jìn)行腫瘤分割,針對勾畫的腫瘤感興趣區(qū)提取出四類影像組學(xué)特征;為了獲得穩(wěn)定去冗余的特征,采用了方差過濾、曼-惠特尼秩和檢驗(yàn)、Lasso和遞歸特征消除法進(jìn)行特征選擇;最后,采用SVM、隨機(jī)森林、XGBoost... 

【文章來源】：鄭州大學(xué)河南省 211工程院校

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【部分圖文】：

影像特征

2相關(guān)理論與方法12；反之拒絕，接受。（原假設(shè)）為兩組樣本不具有顯著性差異，在統(tǒng)計(jì)學(xué)上P-value小于0.05代表具有顯著性差異，本文取為0.05，可以篩選出具有顯著性差異的特征。2.3.3最小絕對收縮和選擇算子最小絕對收縮和選擇算子（Lasso）是嵌入式特征選擇的一種，嵌入式特征選擇與過濾法不同，嵌入式將特征選擇過程與模型訓(xùn)練過程融為一體同步進(jìn)行，也就是在模型訓(xùn)練過程中完成特征選擇的工作，此方法直接針對特定的機(jī)器學(xué)習(xí)算法進(jìn)行優(yōu)化，可使模型的分類效果大幅提高，嵌入法示意圖如圖2.2所示。圖2.2嵌入法示意圖Lasso是最常采用的嵌入式特征選擇算法，它是在線性回歸模型的基礎(chǔ)上加入了L1正則化構(gòu)造的，假定數(shù)據(jù)集，將平方誤差作為損失函數(shù)得到優(yōu)化目標(biāo)為式（2.9）。（2.9）使用L1范數(shù)正則化得到優(yōu)化目標(biāo)為式（2.10）。.（2.10）加入L1正則化可以使得部分分量為零，既可以防止過擬合，也可以用來進(jìn)行特征選擇，這里的為懲罰項(xiàng)，越大，其解越稀疏，選擇得到的特征數(shù)量就越少。2.3.4遞歸特征消除法遞歸特征消除法（Recursivefeatureelimination，RFE）是包裝法（Wrapper）1H1H0H0HUs!!!!1212{(,),(,),,(N,),NiD=xyxyxyy"""!21min()NTiiwiyww=-"#"#"#!211min()||||,0NTiiwiywwlwl=-+>"#"#"#"#w!"ll

2相關(guān)理論與方法13的一種，包裝法與嵌入法有些相似，都是針對特定模型進(jìn)行特征選擇，但是包裝法的特征選擇和模型訓(xùn)練并不是同時(shí)進(jìn)行的，包裝法特征選擇的特征篩選依據(jù)是特定分類器的評價(jià)指標(biāo)，這樣可以選擇出最有利于特定算法性能的特征子集。包裝法進(jìn)行特征子集選擇時(shí)需要進(jìn)行多次訓(xùn)練，其訓(xùn)練流程圖如圖2.3所示。圖2.3包裝法流程示意圖在特征子集的搜索方法上，有窮舉法、隨機(jī)法（LasVegasWrapper，LVM）、前向搜索法，本文實(shí)驗(yàn)使用支持向量機(jī)（SVM）作為指定分類器，采用前向搜索作為子集更新方法，得到的特征集將與最小絕對收縮和選擇算子得到特征集進(jìn)行對比試驗(yàn)，探究不同的特征選擇方法得到的特征子集的分類效果，及其與不同分類算法結(jié)合的分類性能對比。2.4機(jī)器學(xué)習(xí)算法Parmar在2015年使用14種特征選擇方法和12種分類模型對460名肺癌患者的440種影像特征的預(yù)后價(jià)值進(jìn)行了調(diào)查，他們發(fā)現(xiàn)，不同的特征選擇方法會導(dǎo)致大約6%的差異，而分類模型的選擇可能會導(dǎo)致放射組學(xué)特征的預(yù)測值出現(xiàn)高達(dá)30%的差異，因此本文在實(shí)驗(yàn)部分采用了多種算法進(jìn)行對比實(shí)驗(yàn)，目的是得到最優(yōu)的模型分類結(jié)果。2.4.1支持向量機(jī)支持向量機(jī)(SupportVectorMachine，SVM）是一種二分類模型，也是目前


本文編號：3050466