背景:結(jié)直腸癌是最常見的消化系統(tǒng)腫瘤之一,其發(fā)病率位居全球癌癥發(fā)病第三,死亡率列全球癌癥相關(guān)死亡原因第二。結(jié)直腸癌患者中大概有40-50%存在KRAS基因突變,KRAS基因突變患者對表皮因子受體拮抗劑靶向治療藥物無反應(yīng)。因此,治療前準確評估結(jié)直腸癌患者KRAS基因狀態(tài),對協(xié)助臨床制定個體化治療方案有重要的臨床價值。目的:探討基于影像組學深度卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network,CNN）和手工影像組學特征的融合模型在術(shù)前預(yù)測結(jié)直腸癌患者KRAS基因狀態(tài)的性能。材料與方法:本研究回顧性收集廣東省人民醫(yī)院經(jīng)手術(shù)切除病理確診為結(jié)直腸癌患者的臨床和影像資料,其中2011年4月至2015年4月納入的病例作為訓練組（n=279例）,2015年5月至2016年4月納入的病例作為驗證組（n=119例）。所有納入的患者術(shù)前全腹部CT（computer tomography,CT）增強掃描,術(shù)后均進行KRAS基因檢測。收集入組病例的CT門脈期圖像作為特征提取對象,分別提取手工影像組學標簽以及深度學習特征。在訓練組中,本研究采用Wilcoxon秩和檢驗、m RMR算法和多因素... 

【文章來源】：華南理工大學廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：53 頁

【學位級別】：碩士

【部分圖文】：

結(jié)直腸腫瘤手動分割

華南理工大學碩士學位論文12圖2-2影像組學標簽構(gòu)建流程圖。在手動勾畫的腫瘤區(qū)域及算法計算的腫瘤周圍區(qū)域中提取手工特征。對于深度特征提取，我們基于最大橫截面區(qū)域的中心裁剪適合大小的感興趣區(qū)域。然后，對于這兩種類型的特征進行特征篩選及影像組學標簽建立。Fig2-2Flowchartoftheradiomicssignaturebuildingprocess.Thehand-craftedfeatureswereextractedmanuallyfromtheintratumoralregionandperitumoralregion,whichiscalculatedusingamorphologicoperation.Fordeeplearningfeatureextraction,wecroppedpatchesofafixedsizebasedonthecenterofthelargestcross-sectionedareaofmass.Then,forbothfeaturetypes,featureselectionisperformedforbuildingtheradiomicssignature.2.5統(tǒng)計學方法2.5.1臨床病理基線資料的分析分別采用t檢驗或Mann-WhitneyU檢驗和卡方檢驗對臨床病理基本資料進行統(tǒng)計學分析。對于連續(xù)變量，如年齡，在進行變量正態(tài)檢驗及方差齊性檢驗之后，若變量滿足正態(tài)分布及方差齊性檢驗，則采用t檢驗；若不滿足則采用Mann-WhitneyU檢驗進行訓練組與驗證組、KRAS基因野生型及突變型患者之間的連續(xù)變量的統(tǒng)計學差異分析，并計算訓練組、驗證組及整體樣本的平均值及標準差。對于分類變量，如性別、腫瘤位置和


本文編號：3589999