針對腫瘤的醫(yī)學(xué)影像分類在醫(yī)學(xué)疾病診斷和治療中扮演著重要的角色。隨著物理、電子工程以及計(jì)算機(jī)科學(xué)技術(shù)的發(fā)展,醫(yī)學(xué)影像在成像方面取得了長足的發(fā)展,影像獲取速度越來越快,圖像分辨率越來越高,影像的模態(tài)越來越豐富。然而在影像的解讀方面,主要還是依賴于影像醫(yī)生。一方面,影像數(shù)量以及質(zhì)量的提高大大加重了他們的負(fù)擔(dān);另一方面,其對影像的解讀主要依賴于肉眼可觀察到的定性的影像特征,不可避免的受到個(gè)人經(jīng)驗(yàn)等主觀因素的影響。因此如何獲取以及利用定量的影像特征實(shí)現(xiàn)對醫(yī)學(xué)腫瘤影像的精準(zhǔn)分類一直以來是人們研究的重點(diǎn)。本文主要基于臨床需求而展開,圍繞不同醫(yī)學(xué)影像的物理本質(zhì)以及特征提取方式探討了醫(yī)學(xué)腫瘤影像的分類算法及其在肝癌上的應(yīng)用,本文創(chuàng)新點(diǎn)有:1)自主設(shè)計(jì)了一個(gè)醫(yī)學(xué)影像3D分類網(wǎng)絡(luò)MviNet;2)將該網(wǎng)絡(luò)應(yīng)用于肝癌微血管侵犯的分類任務(wù)中,測試集上準(zhǔn)確率、敏感性、特異性均高于0.7,尤其在敏感性這一指標(biāo)上,獲得了 2倍于文獻(xiàn)中的性能提高;3)首次提出了肝癌多期相間變化率特征,應(yīng)用于肝癌多期相分類問題上,分類效果優(yōu)于已有指標(biāo)。具體研究內(nèi)容及結(jié)果如下:1、提出了一種醫(yī)學(xué)腫瘤影像分類框架并進(jìn)行驗(yàn)證。該框架主要結(jié)合醫(yī)...

【文章頁數(shù)】：113 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題的研究背景
    1.2 醫(yī)學(xué)腫瘤影像分類及肝細(xì)胞癌微血管侵犯的研究現(xiàn)狀
        1.2.1 利用PET研究MVI的嘗試
        1.2.2 利用CT研究MVI的局限
        1.2.3 利用MRI研究MVI的希望
    1.3 本文的主要研究內(nèi)容
        1.3.1 研究技術(shù)路線
        1.3.2 具體研究內(nèi)容
    1.4 論文的組織結(jié)構(gòu)
第二章 動(dòng)態(tài)增強(qiáng)磁共振影像及特征提取支撐平臺
    2.1 引言
    2.2 磁共振成像原理簡介
    2.3 動(dòng)態(tài)增強(qiáng)磁共振影像簡介
    2.4 臨床資料
    2.5 醫(yī)學(xué)影像分類評價(jià)指標(biāo)
    2.6 多模態(tài)醫(yī)學(xué)影像特征提取平臺
        2.6.1 多模態(tài)影像解析模塊
        2.6.2 圖像顯示模塊
        2.6.3 感興趣區(qū)域/體積勾畫模塊
        2.6.4 特征提取和可視化模塊
    2.7 小結(jié)
第三章 基于醫(yī)學(xué)腫瘤影像—階統(tǒng)計(jì)特征及形態(tài)特征的分類研究
    3.1 引言
    3.2 醫(yī)學(xué)統(tǒng)計(jì)的理論基礎(chǔ)
        3.2.1 假設(shè)檢驗(yàn)
        3.2.2 經(jīng)典的假設(shè)檢驗(yàn)方法
    3.3 小數(shù)據(jù)集宮頸癌擴(kuò)散加權(quán)成像的前期探索
        3.3.1 臨床資料
        3.3.2 影像學(xué)檢查
        3.3.3 圖像分析及后處理
        3.3.4 統(tǒng)計(jì)學(xué)分析
        3.3.5 結(jié)果
        3.3.6 討論
    3.4 肝細(xì)胞癌微血管侵犯分類研究
        3.4.1 一階統(tǒng)計(jì)特征及形態(tài)特征提取
        3.4.2 統(tǒng)計(jì)學(xué)分析
        3.4.3 結(jié)果
    3.5 小結(jié)
第四章 基于多期相多特征的醫(yī)學(xué)腫瘤影像分類研究
    4.1 引言
    4.2 機(jī)器學(xué)習(xí)算法概述
        4.2.1 支持向量機(jī)
    4.3 醫(yī)學(xué)影像多期相特征提取與選擇
        4.3.1 多期相特征提取與構(gòu)建
        4.3.2 醫(yī)學(xué)常用特征選擇
    4.4 類別不平衡的處理
    4.5 醫(yī)學(xué)圖像中常用的模型評估方法
    4.6 實(shí)驗(yàn)結(jié)果
        4.6.1 特征的篩選
        4.6.2 肝癌微血管侵犯分類結(jié)果
    4.7 小結(jié)
第五章 基于數(shù)據(jù)驅(qū)動(dòng)的醫(yī)學(xué)腫瘤影像分類算法研究
    5.1 引言
    5.2 深度學(xué)習(xí)的理論基礎(chǔ)
        5.2.1 前饋神經(jīng)網(wǎng)絡(luò)
        5.2.2 反向傳播算法
    5.3 卷積神經(jīng)網(wǎng)絡(luò)概述
    5.4 深度卷積網(wǎng)絡(luò)的訓(xùn)練
        5.4.1 激活函數(shù)
        5.4.2 參數(shù)更新
        5.4.3 學(xué)習(xí)速率
        5.4.4 批歸一化
        5.4.5 Dropout
        5.4.6 超參數(shù)的選擇
    5.5 基于數(shù)據(jù)驅(qū)動(dòng)的肝癌微血管侵犯的研究
        5.5.1 數(shù)據(jù)獲取
        5.5.2 利用遷移學(xué)習(xí)進(jìn)行肝癌微血管侵犯分類的初步探究
        5.5.3 微血管侵犯網(wǎng)絡(luò)(MviNet)實(shí)驗(yàn)設(shè)計(jì)
        5.5.4 網(wǎng)絡(luò)的訓(xùn)練、預(yù)測和評價(jià)指標(biāo)
        5.5.5 訓(xùn)練流程
    5.6 實(shí)驗(yàn)結(jié)果
        5.6.1 遷移學(xué)習(xí)訓(xùn)練結(jié)果
        5.6.2 微血管侵犯網(wǎng)絡(luò)訓(xùn)練結(jié)果
    5.7 小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
攻讀博士期間所獲成果
攻讀博士期間參研項(xiàng)目列表



本文編號：3786439