醫(yī)學(xué)影像在臨床診斷和治療中發(fā)揮著重大的作用,如何快速有效地從影像數(shù)據(jù)中發(fā)現(xiàn)疾病,并做出正確的臨床決策,是提高患者治愈率和生存率的關(guān)鍵。隨著醫(yī)療設(shè)備的日益普及,醫(yī)學(xué)影像數(shù)據(jù)正在大量增加,然而放射科醫(yī)生數(shù)量的增長(zhǎng)卻相對(duì)緩慢,這使得醫(yī)生面對(duì)巨大的工作量以及壓力,不可避免的會(huì)出現(xiàn)漏診誤診。近年來(lái),人工智能技術(shù)的發(fā)展為解決此類(lèi)醫(yī)療資源短缺問(wèn)題提供了新的思路。尤其是影像組學(xué),融合了放射學(xué)、腫瘤學(xué)和計(jì)算機(jī)科學(xué)等多學(xué)科知識(shí),可以從醫(yī)學(xué)影像中挖掘高通量的特征,并進(jìn)行建模分析,以用于臨床決策支持。影像組學(xué)的研究流程通常包括影像數(shù)據(jù)獲取、腫瘤分割、特征提取、特征選擇和建模分析。其中,腫瘤分割問(wèn)題是影像組學(xué)研究中的關(guān)鍵步驟,由于醫(yī)學(xué)影像種類(lèi)繁多,腫瘤邊界往往模糊不清,精確的分割具有很大的挑戰(zhàn)性。醫(yī)生手動(dòng)標(biāo)注費(fèi)時(shí)費(fèi)力,且存在較大的主觀性,造成影像組學(xué)研究的可重復(fù)性變差。此外,在影像組學(xué)研究中,很多研究只針對(duì)小樣本,造成模型的泛化性能較差。以上問(wèn)題在很大程度上限制了影像組學(xué)在臨床中的應(yīng)用。本文針對(duì)以上問(wèn)題,結(jié)合臨床實(shí)際需求,面向常用的磁共振成像(MRI)和電子計(jì)算機(jī)斷層掃描(CT)這兩種成像模態(tài),圍繞常見(jiàn)的癌癥類(lèi)...

【文章頁(yè)數(shù)】：152 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
縮略詞注釋表
第一章 緒論
    1.1 論文選題背景及研究意義
    1.2 影像組學(xué)研究現(xiàn)狀
        1.2.1 影像組學(xué)研究概述
        1.2.2 影像組學(xué)在腦腫瘤與肺癌中的應(yīng)用
    1.3 存在的問(wèn)題
    1.4 論文的主要研究?jī)?nèi)容及章節(jié)安排
第二章 理論基礎(chǔ)與研究方法
    2.1 醫(yī)學(xué)成像原理
        2.1.1 CT
        2.1.2 MRI
    2.2 圖像預(yù)處理
    2.3 圖像分割
        2.3.1 基于神經(jīng)網(wǎng)絡(luò)的圖像分割方法
    2.4 特征提取
    2.5 特征選擇
    2.6 統(tǒng)計(jì)建模
    2.7 本章小結(jié)
第三章 基于三邊分割網(wǎng)絡(luò)的MRI腦腫瘤分割
    3.1 引言
    3.2 基于CNN的MRI腦腫瘤分割方法概述
    3.3 三邊分割網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.1 空間路徑
        3.3.2 上下文路徑
        3.3.3 定位路徑
    3.4 實(shí)驗(yàn)設(shè)計(jì)
        3.4.1 MRI腦腫瘤數(shù)據(jù)集
        3.4.2 損失函數(shù)
        3.4.3 實(shí)驗(yàn)環(huán)境
        3.4.4 評(píng)價(jià)標(biāo)準(zhǔn)
    3.5 實(shí)驗(yàn)結(jié)果討論與分析
        3.5.1 定位路徑對(duì)比試驗(yàn)
        3.5.2 上下文路徑對(duì)比試驗(yàn)
        3.5.3 時(shí)空可分離3D卷積對(duì)比試驗(yàn)
        3.5.4 與其余MRI腦腫瘤分割方法對(duì)比試驗(yàn)
    3.6 本章小結(jié)
第四章 基于混合分割網(wǎng)絡(luò)的CT小細(xì)胞肺癌分割
    4.1 引言
    4.2 基于CNN的CT肺癌分割方法概述
    4.3 混合分割網(wǎng)絡(luò)結(jié)構(gòu)
        4.3.1 多尺度可分離卷積模塊
        4.3.2 3D卷積網(wǎng)絡(luò)結(jié)構(gòu)
        4.3.3 2D卷積網(wǎng)絡(luò)結(jié)構(gòu)
        4.3.4 混合特征融合模塊
    4.4 實(shí)驗(yàn)設(shè)計(jì)
        4.4.1 CT小細(xì)胞肺癌數(shù)據(jù)集
        4.4.2 實(shí)驗(yàn)環(huán)境
    4.5 實(shí)驗(yàn)結(jié)果與分析
        4.5.1 與其余CNN方法對(duì)比試驗(yàn)
        4.5.2 損失函數(shù)對(duì)比實(shí)驗(yàn)
        4.5.3 S3D卷積對(duì)比試驗(yàn)
        4.5.4 空洞卷積對(duì)比試驗(yàn)
    4.6 本章小結(jié)
第五章 基于影像組學(xué)的腦腫瘤分級(jí)
    5.1 引言
    5.2 針對(duì)腦腫瘤分類(lèi)的相關(guān)研究
    5.3 腦腫瘤分級(jí)影像組學(xué)建模
        5.3.1 腦腫瘤數(shù)據(jù)集與預(yù)處理
        5.3.2 腦腫瘤分割
        5.3.3 特征提取和特征選擇
        5.3.4 分類(lèi)模型構(gòu)建
    5.4 實(shí)驗(yàn)結(jié)果與分析
        5.4.1 圖像預(yù)處理結(jié)果
        5.4.2 分割結(jié)果
        5.4.3 特征提取與特征選擇結(jié)果
        5.4.4 分類(lèi)結(jié)果
    5.5 本章小結(jié)
第六章 基于影像組學(xué)的小細(xì)胞肺癌化療效果預(yù)測(cè)
    6.1 引言
    6.2 針對(duì)肺癌化療效果預(yù)測(cè)的相關(guān)研究
    6.3 小細(xì)胞肺癌化療效果預(yù)測(cè)影像組學(xué)建模
        6.3.1 數(shù)據(jù)獲取與圖像分割
        6.3.2 特征提取
        6.3.3 特征選擇和分類(lèi)模型構(gòu)建
    6.4 實(shí)驗(yàn)結(jié)果與分析
        6.4.1 臨床資料統(tǒng)計(jì)
        6.4.2 特征選擇和建模結(jié)果
    6.5 本章小結(jié)
第七章 基于影像組學(xué)的非小細(xì)胞肺癌亞型分類(lèi)
    7.1 引言
    7.2 針對(duì)鱗癌與腺癌分類(lèi)的相關(guān)研究
    7.3 非小細(xì)胞肺癌亞型分類(lèi)影像組學(xué)建模
        7.3.1 多中心數(shù)據(jù)集整理
        7.3.2 特征提取與選擇方法
        7.3.3 分類(lèi)器構(gòu)建
    7.4 實(shí)驗(yàn)結(jié)果與分析
        7.4.1 多中心數(shù)據(jù)集統(tǒng)計(jì)信息
        7.4.2 特征提取與選擇結(jié)果
        7.4.3 分類(lèi)結(jié)果
    7.5 本章小結(jié)
第八章 總結(jié)與展望
    8.1 論文的主要工作與創(chuàng)新點(diǎn)
    8.2 展望
參考文獻(xiàn)
致謝
攻讀博士學(xué)位期間發(fā)表的學(xué)術(shù)論文及參與的科研項(xiàng)目
學(xué)位論文評(píng)閱及答辯情況表



本文編號(hào)：3776568