基于影像组学的脑部胶质瘤高低级别分类模型研究与实现
发布时间：2022-01-27 18:49
脑胶质瘤是世界范围内青少年致死率第二高的恶性肿瘤,脑胶质瘤的准确定级对于优化治疗方案至关重要。对肿瘤组织通过穿刺活检进行组织病理学分析是当前脑胶质瘤定级的主要方法。然而脑部穿刺伴有较高的手术风险,容易出现采样失误并偶有并发症。当前,基于磁共振成像（MR）的脑部筛查为脑质瘤的诊断和定级提供了一种有效的非侵入性检查手段。近年来出现的“影像组学”（Radiomics）策略对MR影像数据进行深度挖掘,从海量的医学影像数据中提取高通量特征,通过量化分析来提高脑胶质瘤的诊断效率和准确率。本文采用影像组学方法对基于MR影像的脑胶质瘤高低级别分类进行深入研究,通过交互式的分割方法从MR影像中提取了高通量的特征,并采用特征降维方法筛选了多种重要图像特征,通过机器学习方法构建高低级别分类模型,为胶质瘤的个性化治疗提供决策支持。本文的主要研究内容包含以下三部分:（1）研究脑胶质瘤MR图像的感兴趣区域（即病灶部分）分割。针对MR影像中因灰度分布较为均匀导致肿瘤区域存在边界模糊的问题,提出一种基于局部结构张量与经典GrowCut相结合的交互式分割算法。该方法通过对图像局部结构张量和邻域灰度相似度的分析,改变了经...
【文章来源】：武汉理工大学湖北省211工程院校教育部直属院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
高低级别脑胶质瘤MR图像
14区域边缘十分粗糙，毛刺较多，并且出现较多被错分割的像素格。（2）当病灶区域尺寸较大时，就需要更多的标记点。图2-1经典GrowCut算法分割效果图2.3基于局部结构张量的GrowCut算法2.3.1图像的结构张量描述局部结构（localstructure）是图像每个像素点的判别空间信息量的度量，在图像匹配和去噪等方面有广泛的利用。局部结构的标量测量[47]可以通过式（2-7）获取：()()()detLSTxstructurextraceLSTx=（2-7）其中LST(x)是局部结构张量（localstructuretensor，LST），局部结构张量是梯度结构张量（gradientstructuretensor，GST）经过高斯滤波后得到的图像信息[48]，表示了图像中一个像素点的指定邻域内梯度变化的主要方向，结构张量整合了来自邻域的结构信息，掌握二维图像中该像素点邻域的局部结构信息，计算方式定义为：()()22=xxyTTuvxyyGIGIICxGGSTxuuGIIGIσσσσσσλλνν==+（2-8）()()()22TxxyxyyIIIGSTxIxIxIII==（2-9）其中Gσ是标准差为σ的高斯函数，σ的大小反映了LST的尺度大校(),TxyIx=II为图像I的梯度向量。u和v分别表示对局部结构张量进行SVD分解后的相互垂直的特征方向，uλ和vλ表示与特征方向对应的特征值，这两个特
18图2-2TP、FP、FN、TN、mΩ和aΩ的对应区域（1）分割精度（Accuracy），度量算法的分割准确度量，根据真实区域计算算法分割结果比例，计算方式如式（2-15）所示：TPTNAccTPFPFNTN+=+++（2-15）（2）DICE系数，也称为重叠指数，度量两个分割结果的重叠度，即手工勾画与算法分割两个区域相交的面积占总面积的比例，值域为[0,1]，还可以测量算法的可重复性。计算方式如式（2-16）所示：2()22mamaTPDICETPFPFNΩΩ==Ω+Ω++（2-16）（3）真正率，又称为灵敏度和recall指数，测量了将真实感兴趣区域正确判断为感兴趣区域的比例，衡量的是算法能正确识别ROI的能力。计算方式如式（2-17）所示：=TPTPRSensitivityrecallTPFN==+（2-17）（4）真负率，又称为特异性，测量了将真实非感兴趣区域识别分割为非感兴趣区域的比例，计算方式如式（2-18）所示：TNTNRspecificityFPTN==+（2-18）接下来采用肉眼观察的方法对脑胶质瘤的MR多模态图像数据的分割结果进行主观的定性评价，然后采用以上指标分别进行定量的客观分析比较。2.4.3分割效果对比分析在实验过程中，操作者在原始图像上标记前景点和背景点，实现过程如图2-3所示，具体实现代码见附录A。
【参考文献】：
期刊论文
[1]CT和MRI诊断脑神经胶质瘤52例分析[J]. 赵琳,张军,张新宇,付学锋. 中国医学物理学杂志. 2015(04)
[2]2011年中国脑和神经系统肿瘤发病和死亡分析[J]. 丛明华,宋晨鑫,郑荣寿,曾红梅,张思维,陈万青. 中国肿瘤. 2015(05)
硕士论文
[1]基于卷积神经网络的图像分类算法研究[D]. 严寒.西北大学 2018
[2]基于机器学习方法的脑胶质瘤影像分级研究[D]. 鲁宗豪.郑州大学 2017
[3]头颈癌PET/MRI纹理分析与靶区勾画[D]. 胡泽田.湖南大学 2015
[4]CT图像中肝脏分割方法研究[D]. 张茜.北京理工大学 2015
[5]ASL与DTI磁共振成像的脑神经胶质瘤分级研究[D]. 刘灿.中南大学 2012
本文编号：3612905
【文章来源】：武汉理工大学湖北省211工程院校教育部直属院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
高低级别脑胶质瘤MR图像
14区域边缘十分粗糙，毛刺较多，并且出现较多被错分割的像素格。（2）当病灶区域尺寸较大时，就需要更多的标记点。图2-1经典GrowCut算法分割效果图2.3基于局部结构张量的GrowCut算法2.3.1图像的结构张量描述局部结构（localstructure）是图像每个像素点的判别空间信息量的度量，在图像匹配和去噪等方面有广泛的利用。局部结构的标量测量[47]可以通过式（2-7）获取：()()()detLSTxstructurextraceLSTx=（2-7）其中LST(x)是局部结构张量（localstructuretensor，LST），局部结构张量是梯度结构张量（gradientstructuretensor，GST）经过高斯滤波后得到的图像信息[48]，表示了图像中一个像素点的指定邻域内梯度变化的主要方向，结构张量整合了来自邻域的结构信息，掌握二维图像中该像素点邻域的局部结构信息，计算方式定义为：()()22=xxyTTuvxyyGIGIICxGGSTxuuGIIGIσσσσσσλλνν==+（2-8）()()()22TxxyxyyIIIGSTxIxIxIII==（2-9）其中Gσ是标准差为σ的高斯函数，σ的大小反映了LST的尺度大校(),TxyIx=II为图像I的梯度向量。u和v分别表示对局部结构张量进行SVD分解后的相互垂直的特征方向，uλ和vλ表示与特征方向对应的特征值，这两个特
18图2-2TP、FP、FN、TN、mΩ和aΩ的对应区域（1）分割精度（Accuracy），度量算法的分割准确度量，根据真实区域计算算法分割结果比例，计算方式如式（2-15）所示：TPTNAccTPFPFNTN+=+++（2-15）（2）DICE系数，也称为重叠指数，度量两个分割结果的重叠度，即手工勾画与算法分割两个区域相交的面积占总面积的比例，值域为[0,1]，还可以测量算法的可重复性。计算方式如式（2-16）所示：2()22mamaTPDICETPFPFNΩΩ==Ω+Ω++（2-16）（3）真正率，又称为灵敏度和recall指数，测量了将真实感兴趣区域正确判断为感兴趣区域的比例，衡量的是算法能正确识别ROI的能力。计算方式如式（2-17）所示：=TPTPRSensitivityrecallTPFN==+（2-17）（4）真负率，又称为特异性，测量了将真实非感兴趣区域识别分割为非感兴趣区域的比例，计算方式如式（2-18）所示：TNTNRspecificityFPTN==+（2-18）接下来采用肉眼观察的方法对脑胶质瘤的MR多模态图像数据的分割结果进行主观的定性评价，然后采用以上指标分别进行定量的客观分析比较。2.4.3分割效果对比分析在实验过程中，操作者在原始图像上标记前景点和背景点，实现过程如图2-3所示，具体实现代码见附录A。
【参考文献】：
期刊论文
[1]CT和MRI诊断脑神经胶质瘤52例分析[J]. 赵琳,张军,张新宇,付学锋. 中国医学物理学杂志. 2015(04)
[2]2011年中国脑和神经系统肿瘤发病和死亡分析[J]. 丛明华,宋晨鑫,郑荣寿,曾红梅,张思维,陈万青. 中国肿瘤. 2015(05)
硕士论文
[1]基于卷积神经网络的图像分类算法研究[D]. 严寒.西北大学 2018
[2]基于机器学习方法的脑胶质瘤影像分级研究[D]. 鲁宗豪.郑州大学 2017
[3]头颈癌PET/MRI纹理分析与靶区勾画[D]. 胡泽田.湖南大学 2015
[4]CT图像中肝脏分割方法研究[D]. 张茜.北京理工大学 2015
[5]ASL与DTI磁共振成像的脑神经胶质瘤分级研究[D]. 刘灿.中南大学 2012
本文编号：3612905
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3612905.html
最近更新
教材专著
