计算机辅助诊断脑胶质瘤关键技术研究
发布时间：2021-06-08 08:13
脑胶质瘤（也被称为是脑癌）是大脑胶质细胞产生癌变引发的脑肿瘤,且占主要脑肿瘤疾病的约45%。高级别脑胶质瘤（High Grade Glioma,HGG）是致死率最高的脑胶质瘤,它由世界卫生组织（World Health Organization,WHO）定义的III级和IV级脑胶质瘤组成。高级别脑胶质瘤严重威胁着患者的生命健康（高级别脑胶质瘤患者的平均总生存期仅为2年）,却占所有级别脑胶质瘤约75%。目前,临床治疗方法均不能有效地治愈高级别脑胶质瘤。考虑到高级别脑胶质瘤高致死率和难治疗的特点,若能运用计算机辅助诊断技术帮助医生更好地进行准确的早期诊断和预后,将对治疗方案的精准制定、延长患者寿命、提高生活质量和进行临终关怀等都有着重要的临床价值和现实意义。本文主要围绕计算机辅助诊断脑胶质瘤的关键技术展开研究和探讨,包括脑肿瘤图像分割、高级别脑胶质瘤患者生存期预测及预后、以及影响患者生存期或预后的生物分子状态（例如6-氧-甲基鸟嘌呤-DNA甲基转移酶,O6-mehtylguanine-DNA Methyltransferase,MGMT;异柠檬酸脱氢酶1,Isocit...
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：119 页
【学位级别】：博士
【部分图文】：
基于多任务的快速脑肿瘤分割方法框架
与Fast/FasterRCNN不同的是，前者基于区域的检测的全卷积计算都几乎可以在一整幅图像上完成，而后者是每个区域一个子网络，且要计算上百上千次。R-FCN通过提出一个对位置敏感的分数图谱同时解决了在图像分类中的变换不变性和目标检测中的变换变化性两个不兼容的问题。图2-2所示的是R-FCN目标检测对位置敏感的分数图的关键技术图解。在图2-2中，一个全卷积网络生成很多个=3×3的位置敏感分数图，而在感兴趣区（RegionofInterest，RoI）中的每个×的网格，池化操作都只作用在图中标记为不同颜色的2个对位置敏感的分数图上。图2-2R-FCN物体检测方法框架[39]Fig.2-2TheframeworkofR-FCNobjectdetectionmethodR-FCN(Region-basedFullyConvolutionalNetwork)是与FCN(FullyConvolutionalNetwork)类似的计算全部共享的、全卷积的网络结构。为了使FCN网络结构有变化可变性的特性，R-FCN网络在全卷积网络的输出层设计了一个卷积层来生成对物体位置变化灵敏的分数图，每一个分数图隐含了与之对应的相关的空间位置的位置信息（如图2-2所示，从物体的左上侧（Top-left）到物体的右下侧（Bottom-right）），这些分数图上的信息由RoI池化层指导学习，池化层之后没有任何其他的卷积层或者全连接层。这整个网络结构是端到端的学习，所有可学习的层都在一幅图像上进行卷积操作并共享这些运算信息，因此可以将物体检测所需的空间信息编码在网络结构中。为了可以明确的将位置信息编码在每一个RoI中，每一个RoI矩形框都是用网格分成×个最小单元格，如对于一个大小为×的RoI矩形框，被分割成最小单元格的大小约为×。如图2-2所
上海交通大学博士学位论文15图2-3R-FCN（Region-basedFullyConvolutionalNetwork）网络结构示意图[39]Fig.2-3ThearchitectureofR-FCN(Region-basedFullyConvolutionalNetwork)network肿瘤检测任务中，我们使用的R-FCN是基于ResNet-50（此处也可以使用其他的深度卷积网络）。ResNet-50网络结构由50个卷积层组成，每个卷积层后面依次连接着平均池化层和全连接层。在R-FCN中，ResNet-50最后的平均池化层和全连接层被移除，仅使用卷积层计算特征图，然后使用了上面介绍的2(+1)（在我们的应用中因为只检测肿瘤区，所以=1）个通道的卷积层来生成位置敏感的分数图。我们使用的数据集是BRATSChallenge2017训练集，该训练集包含285肿瘤患者的4种模态的脑肿瘤影像，以及该患者肿瘤分割的标签集。我们选择FLAIR影像作为输入图像（因为肿瘤的全区在此种影像中最明显）。为了训练肿瘤检测网络，我们需要为R-FCN网络准备训练数据的标签集，即训练数据的肿瘤位置以及检测样本所属类别的注解。训练数据标签的注解可以通过以下几步生成：1）计算BRATSChallenge2017训练数据标签集的连通区域，2）使用广度优先搜索（Breadth-firstSearch，BFS）来确定每个连通区域的近邻连通区域，并将近邻的连通区域作为一个整体，3）用矩形框标记在2）中更新后的所有区域，并记录这些区域（即肿瘤区域）的坐标位置以类别记录在txt文档中，4）将txt文件中的内容转成xml格式的注解文件。生成肿瘤检测任务的标签集后，我们将3D的FLAIR图像分别从冠状面、矢状面和轴向面三个不同的维度，把3DFLAIR影像对应三个维度每一层都存储成2D图像，并使用R-FCN对应每个维度的2D图像训练一个肿瘤检测网络，使用训练好的三个网络对BRATSChallenge2017的测试集（同样使用FLAIR影像，并使用同样的方法
【参考文献】：
期刊论文
[1]Molecular biology of high-grade gliomas: what should the clinician know?[J]. Silvia Hofer,Elisabeth Rushing,Matthias Preusser,Christine Marosi. Chinese Journal of Cancer. 2014(01)
本文编号：3218029
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：119 页
【学位级别】：博士
【部分图文】：
基于多任务的快速脑肿瘤分割方法框架
与Fast/FasterRCNN不同的是，前者基于区域的检测的全卷积计算都几乎可以在一整幅图像上完成，而后者是每个区域一个子网络，且要计算上百上千次。R-FCN通过提出一个对位置敏感的分数图谱同时解决了在图像分类中的变换不变性和目标检测中的变换变化性两个不兼容的问题。图2-2所示的是R-FCN目标检测对位置敏感的分数图的关键技术图解。在图2-2中，一个全卷积网络生成很多个=3×3的位置敏感分数图，而在感兴趣区（RegionofInterest，RoI）中的每个×的网格，池化操作都只作用在图中标记为不同颜色的2个对位置敏感的分数图上。图2-2R-FCN物体检测方法框架[39]Fig.2-2TheframeworkofR-FCNobjectdetectionmethodR-FCN(Region-basedFullyConvolutionalNetwork)是与FCN(FullyConvolutionalNetwork)类似的计算全部共享的、全卷积的网络结构。为了使FCN网络结构有变化可变性的特性，R-FCN网络在全卷积网络的输出层设计了一个卷积层来生成对物体位置变化灵敏的分数图，每一个分数图隐含了与之对应的相关的空间位置的位置信息（如图2-2所示，从物体的左上侧（Top-left）到物体的右下侧（Bottom-right）），这些分数图上的信息由RoI池化层指导学习，池化层之后没有任何其他的卷积层或者全连接层。这整个网络结构是端到端的学习，所有可学习的层都在一幅图像上进行卷积操作并共享这些运算信息，因此可以将物体检测所需的空间信息编码在网络结构中。为了可以明确的将位置信息编码在每一个RoI中，每一个RoI矩形框都是用网格分成×个最小单元格，如对于一个大小为×的RoI矩形框，被分割成最小单元格的大小约为×。如图2-2所
上海交通大学博士学位论文15图2-3R-FCN（Region-basedFullyConvolutionalNetwork）网络结构示意图[39]Fig.2-3ThearchitectureofR-FCN(Region-basedFullyConvolutionalNetwork)network肿瘤检测任务中，我们使用的R-FCN是基于ResNet-50（此处也可以使用其他的深度卷积网络）。ResNet-50网络结构由50个卷积层组成，每个卷积层后面依次连接着平均池化层和全连接层。在R-FCN中，ResNet-50最后的平均池化层和全连接层被移除，仅使用卷积层计算特征图，然后使用了上面介绍的2(+1)（在我们的应用中因为只检测肿瘤区，所以=1）个通道的卷积层来生成位置敏感的分数图。我们使用的数据集是BRATSChallenge2017训练集，该训练集包含285肿瘤患者的4种模态的脑肿瘤影像，以及该患者肿瘤分割的标签集。我们选择FLAIR影像作为输入图像（因为肿瘤的全区在此种影像中最明显）。为了训练肿瘤检测网络，我们需要为R-FCN网络准备训练数据的标签集，即训练数据的肿瘤位置以及检测样本所属类别的注解。训练数据标签的注解可以通过以下几步生成：1）计算BRATSChallenge2017训练数据标签集的连通区域，2）使用广度优先搜索（Breadth-firstSearch，BFS）来确定每个连通区域的近邻连通区域，并将近邻的连通区域作为一个整体，3）用矩形框标记在2）中更新后的所有区域，并记录这些区域（即肿瘤区域）的坐标位置以类别记录在txt文档中，4）将txt文件中的内容转成xml格式的注解文件。生成肿瘤检测任务的标签集后，我们将3D的FLAIR图像分别从冠状面、矢状面和轴向面三个不同的维度，把3DFLAIR影像对应三个维度每一层都存储成2D图像，并使用R-FCN对应每个维度的2D图像训练一个肿瘤检测网络，使用训练好的三个网络对BRATSChallenge2017的测试集（同样使用FLAIR影像，并使用同样的方法
【参考文献】：
期刊论文
[1]Molecular biology of high-grade gliomas: what should the clinician know?[J]. Silvia Hofer,Elisabeth Rushing,Matthias Preusser,Christine Marosi. Chinese Journal of Cancer. 2014(01)
本文编号：3218029
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3218029.html
最近更新
教材专著
