基于定量影像组学的脑肿瘤分级预测

发布时间：2024-03-03 11:01

　　脑肿瘤是生长在颅腔的肿瘤,约占全身肿瘤的5%,近年来发病率呈上升趋势。高级别脑肿瘤通常表现出侵袭性生长行为,局部复发率高,而且高级别和低级别脑肿瘤患者的预后有较显著的统计学差异,因此准确的肿瘤分级至关重要,会影响患者的治疗计划和预后管理。但是常规影像检查不足以准确区分出高级别和低级别脑肿瘤,确诊肿瘤级别仍然依赖于手术切除后的组织病理活检。然而组织病理学诊断是一种侵入式的方法,受限于脑肿瘤的特殊位置,而且局部组织的病理学诊断无法评估整个肿瘤的异质性。影像组学,这一新兴技术手段能够从医学影像中提取出反映肿瘤异质性的高通量量化特征,通过建立有价值的影像组学生物标签,实现肿瘤疾病的术前诊断和预后预测。这一非侵入式技术具有巨大的潜在应用价值,有助于临床医生设计更合适的治疗方案。本文详细论述了影像组学模型的理论基础并分别基于脑膜瘤和脑胶质瘤核磁共振影像数据进行实验验证和性能评估。在脑膜瘤分级预测实验中,提取人工定义特征和深度学习特征并分别构建影像组学模型,通过对比基于深度学习特征的影像组学模型和基于人工设计特征的影像组学模型的预测结果,证明相对于人工设计特征,深度学习特征对脑膜瘤级别具有更强的表征...

【文章页数】：55 页

【学位级别】：硕士

【部分图文】：

图１－１影像组学流程??Ｆｉｇ．?１－１?Ｒａｄｉｏｍｉｃｓ?ｐｒｏｃｅｄｕｒｅ??中国科研团队对影像组学的发展有着重要的贡献

替有创诊断带来可能。在２０１４年，Ａｅｒｔｓ等人对影像组学方法进行了完善，并??将影像组学中的图像处理阶段归纳为以下３个步骤：（１）感兴趣区域分割；（２）??影像特征提取；（３）诊断模型建立，如图１．１中所示［１９］。??至今为止，影像组学发展迅速，我们在ｗｅｂ?ｏｆ?ｓｃｉｅｎ....

图１－２影像组学相关研究论文统计分析??Ｆｉｇ．?１－２?Ｓｔａｔｉｓｔｉｃａｌ?ａｎａｌｙｓｉｓ?ｏｆ?ｐａｐｅｒｓ?ｒｅｌａｔｅｄ?ｔｏ?ｒａｄｉｏｍｉｃｓ??

第２章脑部影像数据处理与影像组学模型构建??２．１医学影像简介??医学影像是人类医学疾病诊断史上的一项创举，使医学诊断突破了人类肉??眼观察的限制。医学影像用一种非侵入式的成像原理，实现了对人体不同组织??的生理状态的可视化。医学影像技术始于物理学家伦琴，１８９５年他用Ｘ射线拍?....

图２－１?ＩＴＫ－ＳＮＡＰ软件实现ＲＯＩ区域的勾画??Ｆｉｇ．?２－１?Ｄｅｌｉｎｅａｔｉｏｎ?ｏｆ?ＲＯＩ?ｂｙ?ＩＴＫ－ＳＮＡＰ??

哈尔滨理工大学工学硕士学位论文??格式，通过简单的设置可以支持多区域病灶的勾画如图２．１所示。其操作步骤如??下：??、．二纏?．？＇?，，：：＋＋：??ｕｔｉｌｊｍＡ?ｒ?Ｗ??Ｗ?８Ｐ］Ｈｒ＂；??■１＾讀??图２－１?ＩＴＫ－ＳＮＡＰ软件实现ＲＯＩ区域的勾画??Ｆｉｇ．?２....

图２－２影像组学特征描述??Ｆｉｇ．?２－２?Ｔｈｅ?ｄｅｓｃｒｉｐｔｉｏｎ?ｏｆ?ｒａｄｉｏｍｉｃ?ｆｅａｔｕｒｅｓ??纹理特征／灰度共生矩阵（ＧＬＣＭ）：大小为ＧＬＣＭ被用来描述??

肿瘤图像区域的二阶联合概率函数，被定义为的。其中，矩阵中元素??（ｉ，ｊｙＡ是指ｉ和ｊ以一定的距离５和角度０共同出现在图像中的次数。５被定义??成与中心体素的距离，数值根据无穷范数计算而得。图２－３是一个ＧＬＣＭ计算??的二维实例，矩阵Ｉ代表肿瘤图像，ＧＬＣＭ的参数为距离５?＝?....

本文编号：3917686