基于MRI和深度学习的桥小脑角区脑膜瘤与听神经瘤分类算法研究

发布时间：2021-05-09 22:23

　　桥小脑角区脑膜瘤与听神经瘤是两种常见的脑部肿瘤,它们的临床表现和影像学表现极为相似,在临床诊断时极易发生误诊.将影像数据与深度学习方法相结合,建立脑膜瘤与听神经瘤的判别模型,可以为两种脑肿瘤的及时准确诊断提供重要手段.本文采集了307名脑肿瘤患者的T1W-SE序列图像,通过对原始图像进行限制对比度自适应直方图均衡化（Contrast20Limited20Adaptive20Histogram20Equalization,CLAHE）等预处理,提升数据集图像质量,再经过建立的三维卷积神经网络（3-Dimensional20Convolutional20Neural20Network,3D20CNN）深度学习框架中图像特征的学习,实现对脑膜瘤与听神经瘤的分类.图像增强参数与网络结构参数经过优化后,对脑膜瘤与听神经瘤分类的准确率达到0.918200,曲线下面积（Area20Under20Curve,AUC）为0.913204,实现了对桥小脑角区脑膜瘤与听神经瘤的有效判别. 

【文章来源】：波谱学杂志. 2020,37(03)北大核心

【文章页数】：11 页

【参考文献】：
期刊论文
[1]基于深度学习特征的乳腺肿瘤分类模型评估[J]. 梁翠霞,李明强,边兆英,吕闻冰,曾栋,马建华.  南方医科大学学报. 2019(01)
[2]基于AI+MRI的影像诊断的样本增广与批量标注方法[J]. 汪红志,赵地,杨丽琴,夏天,周皛月,苗志英.  波谱学杂志. 2018(04)
[3]MRI在桥小脑角区肿瘤患者病情诊断中的应用及其临床价值分析[J]. 张敏,张海青.  中国医学创新. 2018(34)
[4]基于影像的形态学特征与胶质母细胞瘤特征分子表达的相关性研究[J]. 马芸,郭虹,王秋实,张伟国,吴昊.  波谱学杂志. 2018(01)
[5]桥小脑角区肿瘤的MRI诊断价值[J]. 叶德湫,许淑惠,黄永础,颜晓兰.  中外医学研究. 2017(01)
[6]纤维型脑膜瘤的常规MRI、DWI及免疫组化分析[J]. 沈金花,张涛,方龙江,张强,尹丹丹,董光.  医学影像学杂志. 2016(12)
[7]用MRI检查对桥小脑角区脑膜瘤和听神经瘤进行鉴别诊断的效果分析[J]. 陈玲,张超,童梦玲,杨晨,刘清祥.  当代医药论丛. 2016(22)
[8]桥小脑角区脑膜瘤累及内听道与听神经瘤的CT鉴别诊断[J]. 唐宪明.  中国医药指南. 2014(27)
[9]桥小脑角区肿瘤的磁共振成像诊断[J]. 常东胜,徐成,崔翠萍.  实用医学影像杂志. 2014(03)
[10]桥小脑角区病变的MRI表现[J]. 平小夏,孟倩,田霞,陆紫微,谢道海.  医学影像学杂志. 2014(01)

硕士论文
[1]脑肿瘤MRI图像分类与肝病理图像分级方法研究[D]. 黄唯.南方医科大学 2016



本文编号：3178130