本文關(guān)鍵詞：基于定量影像組學(xué)的肺結(jié)節(jié)良惡性預(yù)測(cè)

  更多相關(guān)文章： 影像組學(xué) 特征提取和選擇 最小冗余最大相關(guān) 遺傳算法 支持向量機(jī)

【摘要】：在全球范圍內(nèi),癌癥嚴(yán)重危害人類健康,其中肺癌是所有癌癥中最普遍和最致命的。肺癌的早期診斷可以提高肺癌病人的存活率,由此可見肺癌的早期診斷對(duì)肺癌的治療至關(guān)重要。目前活體組織檢查是協(xié)助臨床醫(yī)生確定肺腫瘤良惡性的主要診斷方法。基于分子檢測(cè)的活體組織檢查需要侵入式的手術(shù)取出病人的一小部分病變組織進(jìn)行分析。由于,肺腫瘤空間和時(shí)間的異質(zhì)性,限制了這種方法的使用,但是醫(yī)學(xué)影像卻可以獲取腫瘤內(nèi)異質(zhì)性。目前臨床上缺少一種具有高精度的,非侵入式的肺結(jié)節(jié)良惡性預(yù)測(cè)方法。影像組學(xué)是一個(gè)新興領(lǐng)域,通過提取大量的定量圖像特征,構(gòu)建描述腫瘤和臨床表現(xiàn)的模型,建立圖像特征和臨床表型的關(guān)聯(lián),進(jìn)而進(jìn)行腫瘤的診斷和臨床表型的預(yù)測(cè)。由此可見,采用影像組學(xué)的方法可以解決上述難題。影像組學(xué)通常包括五個(gè)處理過程:(1)圖像的獲取;(2)圖像的分割;(3)特征提取和選擇;(4)構(gòu)建預(yù)測(cè)模型(5)信息學(xué)分析。本文采用影像組學(xué)的方法構(gòu)建預(yù)測(cè)肺結(jié)節(jié)良惡性的模型。第一,圖像獲取,從美國肺部圖像數(shù)據(jù)聯(lián)盟數(shù)據(jù)庫上選取了593例肺結(jié)節(jié)病人的數(shù)據(jù),根據(jù)該數(shù)據(jù)庫上提供的良惡性信息將593例數(shù)據(jù)分為兩類,惡性和良性。在這593例數(shù)據(jù)上設(shè)計(jì)出訓(xùn)練集和驗(yàn)證集,測(cè)試集中有400例數(shù)據(jù),其中良性結(jié)節(jié)200例,惡性結(jié)節(jié)200例。驗(yàn)證集有193例數(shù)據(jù),其中良性結(jié)節(jié)71例,惡性結(jié)節(jié)122例。然后使用自動(dòng)分割算法分割所有的數(shù)據(jù),從病人的計(jì)算機(jī)斷層圖像中分割出肺結(jié)節(jié)。提取了四類定量影像組學(xué)特征,包括腫瘤強(qiáng)度特征、腫瘤形狀大小特征、腫瘤紋理特征和小波特征,共提取了200定量圖像特征。特征之間的相關(guān)性和冗余度會(huì)降低分類的準(zhǔn)確度,對(duì)提取的特征空間使用基于最小冗余最大相關(guān)的特征選擇方法,確定了一個(gè)包含15個(gè)定量特征的特征子集。最后,為了得到理想的分類精度,利用遺傳算法對(duì)支持向量機(jī)的誤差懲罰參數(shù)和核參數(shù)進(jìn)行優(yōu)化,先對(duì)訓(xùn)練集特征數(shù)據(jù)做歸一化處理然后求出最優(yōu)參數(shù)。利用支持向量機(jī)訓(xùn)練出肺結(jié)節(jié)良惡性預(yù)測(cè)模型,并在驗(yàn)證集上進(jìn)行驗(yàn)證。訓(xùn)練集上預(yù)測(cè)的準(zhǔn)確達(dá)到86.0%,測(cè)試集上預(yù)測(cè)的準(zhǔn)確率達(dá)到76.1%。由于計(jì)算機(jī)斷層圖像在臨床中經(jīng)常使用,本文構(gòu)造的預(yù)測(cè)模型可以用于協(xié)助臨床醫(yī)生進(jìn)行肺結(jié)節(jié)良惡性的診斷。
【關(guān)鍵詞】：影像組學(xué) 特征提取和選擇 最小冗余最大相關(guān) 遺傳算法 支持向量機(jī)
【學(xué)位授予單位】：哈爾濱理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41;R734.2
【目錄】：

• 摘要5-7
• Abstract7-11
• 第1章 緒論11-14
• 1.1 課題研究的背景及意義11-12
• 1.2 影像組學(xué)研究現(xiàn)狀12-13
• 1.3 本文主要工作及文章結(jié)構(gòu)13-14
• 第2章 影像組學(xué)方法和臨床數(shù)據(jù)的獲取14-18
• 2.1 影像組學(xué)特點(diǎn)14-15
• 2.2 影像組學(xué)方法過程15-16
• 2.3 臨床數(shù)據(jù)的獲取16
• 2.4 本章小結(jié)16-18
• 第3章 影像組學(xué)圖像分割算法的研究和選擇18-24
• 3.1 影像組學(xué)圖像分割算法面臨的挑戰(zhàn)18-19
• 3.2 圖像分割方法的選擇19-23
• 3.2.1 基于邊緣的圖像分割算法19-20
• 3.2.2 基于區(qū)域的圖像分割算法20-22
• 3.2.3 分割算法的選擇22-23
• 3.3 本章小結(jié)23-24
• 第4章 定量影像組學(xué)特征的提取和選擇24-36
• 4.1 引言24
• 4.2 特征提取24-26
• 4.2.1 特征介紹和提取24-26
• 4.3 特征選擇26-31
• 4.3.1 特征選擇的定義與作用26-28
• 4.3.2 特征選擇的一般過程28-31
• 4.3.3 常用特征選擇算法31
• 4.4 最小冗余最大相關(guān)特征選擇算法31-34
• 4.4.1 相關(guān)性度量31-32
• 4.4.2 冗余度度量32
• 4.4.3 最小冗余最大相關(guān)算法32-34
• 4.5 本章小結(jié)34-36
• 第5章 建立基于影像組學(xué)的肺結(jié)節(jié)良惡性預(yù)測(cè)模型36-45
• 5.1 支持向量機(jī)36-37
• 5.2 遺傳算法37-40
• 5.2.1 算法簡(jiǎn)介及特點(diǎn)37-38
• 5.2.2 遺傳算法的基本概念38-40
• 5.3 肺結(jié)節(jié)良惡性預(yù)測(cè)模型的建立與預(yù)測(cè)結(jié)果分析40-44
• 5.3.1 肺結(jié)節(jié)良惡性預(yù)測(cè)模型的建立40-42
• 5.3.2 預(yù)測(cè)結(jié)果分析42-44
• 5.4 本章小結(jié)44-45
• 結(jié)論45-47
• 參考文獻(xiàn)47-52
• 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文和專利52-53
• 致謝53

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 ;Online LS-SVM for function estimation and classification[J];Journal of University of Science and Technology Beijing(English Edition);2003年05期

，

本文編號(hào)：592913