利用Faster R-CNN对直肠癌高分辨磁共振图像中环周切缘进行评估
发布时间:2021-03-01 00:42
背景:高分辨率MRI被认为是治疗前评估直肠癌环周切缘是否受侵犯的最佳方法。目的:我们探索利用更快的区域卷积神经网络(Faster R-CNN)在高分辨率MRI图像中识别阳性环周切缘的应用可行性。方法:从青岛大学附属医院2016年7月至2018年8月直肠癌环周切缘阳性并接受高分辨MRI检查的患者进行回顾性研究,排除所有接受过治疗后的病例,最终选取通过直肠癌高分辨MRI判定环周切缘阳性的240例患者纳入研究。经过图像数据增强处理,最终选取12258张轴位弛豫加权成像(T2WI)直肠癌环周切缘阳性高分辨率MRI对更快区域卷积神经网络Faster R-CNN进行训练和测试,以构建一个人工智能辅助诊断的评估平台。根据验证组的测试结果,将人工智能平台的诊断结果与高级放射学专家的诊断结果进行比较,得出此平台的准确性、敏感性和特异性;并使用接收器工作特性曲线(ROC)和曲线下面积(AUC)作为评估标准。结果:该人工智能平台判定的环周切缘状态的准确性、敏感性和特异性分别为0.932、0.838和0.956。接收器工作特性曲线下的面积(AUC)为0.953。自动识别每张图像所需的时间为0.2秒。局限性:这...
【文章来源】:青岛大学山东省
【文章页数】:47 页
【学位级别】:硕士
【部分图文】:
标识高分辨磁共振中环周切缘阳性区域示意图
资料和方法118Gamma伽玛0.19Momentum运动量0.910Weightdecay加权延迟0.000511Stepsize步长60000and3000012Snapshot快照013Snapshotprefix快照前缀vgg16rpn*14Averageloss平均损失100*vgg16rpn(VisualGeometryGroup16andRegionProposalNetwork)视觉几何组16和区域提议网络。图3、本研究应用的FasterR-CNN模型的基本构架见图
结果15两阶段8万次PRN迭代训练和两阶段4万次FastR-CNN迭代训练,Loss值逐渐下降,参数优化、收敛效果明显。针对环周切缘阳性的识别诊断FasterR-CNN网络参数获得了较好的衰减。图4、基于训练过程中的Loss曲线FasterR-CNN模型对训练组图像集合识别能力的主要评估检测指标为平均精度均值(mAP),因为这是对象检测的实际指标,而不是注重对象建议代理指标。为了详细体现出训练过程的机器学习情况,本研究高分辨磁共振影像数据中,仅有环周切缘阳性区域和背景区域,所以平均精度AP即为平均精度均值mAP。以真阳性在真阳性和假阳性中所占的比例计算精准率,以真阳性在真阳性和假阴性中所占的比例计算召回率。记录下以精确率(Precision)为纵坐标,以召回率(Recall)为横坐标,绘制出的PR曲线(见图5),计算出曲线下的面积为0.3670,即AP=0.3670,该值表明此试验中FasterR-CNN训练效果一般,受到了类别分布改变的影响。
【参考文献】:
期刊论文
[1]Software for automated classification of probe-based confocal laser endomicroscopy videos of colorectal polyps[J]. Barbara André,Tom Vercauteren,Anna M Buchner,Murli Krishna,Nicholas Ayache,Michael B Wallace. World Journal of Gastroenterology. 2012(39)
本文编号:3056691
【文章来源】:青岛大学山东省
【文章页数】:47 页
【学位级别】:硕士
【部分图文】:
标识高分辨磁共振中环周切缘阳性区域示意图
资料和方法118Gamma伽玛0.19Momentum运动量0.910Weightdecay加权延迟0.000511Stepsize步长60000and3000012Snapshot快照013Snapshotprefix快照前缀vgg16rpn*14Averageloss平均损失100*vgg16rpn(VisualGeometryGroup16andRegionProposalNetwork)视觉几何组16和区域提议网络。图3、本研究应用的FasterR-CNN模型的基本构架见图
结果15两阶段8万次PRN迭代训练和两阶段4万次FastR-CNN迭代训练,Loss值逐渐下降,参数优化、收敛效果明显。针对环周切缘阳性的识别诊断FasterR-CNN网络参数获得了较好的衰减。图4、基于训练过程中的Loss曲线FasterR-CNN模型对训练组图像集合识别能力的主要评估检测指标为平均精度均值(mAP),因为这是对象检测的实际指标,而不是注重对象建议代理指标。为了详细体现出训练过程的机器学习情况,本研究高分辨磁共振影像数据中,仅有环周切缘阳性区域和背景区域,所以平均精度AP即为平均精度均值mAP。以真阳性在真阳性和假阳性中所占的比例计算精准率,以真阳性在真阳性和假阴性中所占的比例计算召回率。记录下以精确率(Precision)为纵坐标,以召回率(Recall)为横坐标,绘制出的PR曲线(见图5),计算出曲线下的面积为0.3670,即AP=0.3670,该值表明此试验中FasterR-CNN训练效果一般,受到了类别分布改变的影响。
【参考文献】:
期刊论文
[1]Software for automated classification of probe-based confocal laser endomicroscopy videos of colorectal polyps[J]. Barbara André,Tom Vercauteren,Anna M Buchner,Murli Krishna,Nicholas Ayache,Michael B Wallace. World Journal of Gastroenterology. 2012(39)
本文编号:3056691
本文链接:https://www.wllwen.com/guanlilunwen/kehuguanxiguanli/3056691.html