基于影像组学的脑胶质瘤病理分级预测

发布时间：2024-05-10 05:17

　　目的:通过使用影像组学和机器学习的方法构建随机森林模型,用于判读脑胶质瘤的MRI图像,探讨术前通过MRI图像预测脑胶质瘤病理分级的可行性和有效性。方法:首先获取BraTS训练集的DICOM图像,所有图像已经预先划分出ROI。使用Python平台下的Pyradiomics包进行全部图像的特征提取。将全部样本按照70%的比例随机划分出训练组,剩余30%进入测试组。随后将训练组(198例)划分为5个亚组(每个亚组分别有40、39、40、39、40个样本),使用R软件进行5折交叉验证拟合,以Gini系数作为随机森林中树的分枝规则,获得随机森林最佳参数mtry(每个节点可能分割的变量的数量)和min.node.size(即最小的节点的大小),将得到的最佳参数用于构建最终的随机森林模型,并输出特征重要性排名。最后进行测试组图像判读和分类器性能评价,输出混淆矩阵,计算准确度、敏感度、特异度、精确度、F1值,绘制ROC曲线,进行一致性评价等。结果:共获得训练集中高级别胶质瘤210例,低级别胶质瘤75例,每个病例包含T1、T2、Flair、T1ce 4个序列及1个预先分割的ROI序列。75例LGG中有3...

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

图2.2典型的影像学诊断流程

肿瘤性疾病的发病率居高不下，对无创成像的需求样大[28]。不管哪种医学影像形式都有一个共性，那就是客观，但对影像的解读却非常主观。对于一种影像学的人们通过大量采集影像学图片、视频等总结出种种“影明确这种图像能带给我们那些信息，再将同一种疾病的行提取，然后在两个特征的集合之中进行互....

图2.4灰度值转换（绿色为ROI）

第2章综述算法上并取得了重要的成果[31-34]。但目前还没有一个规范的执行标准来评判各家算法的短长，经过自动或半自动分割的ROI大多数情况下仍需要有经验的医师验证，当样本量增大时不可避免地导致工作进度被拖慢。关于特征的提取，比较公认的提取原理是将ROI分割为一个....

图2.64种算法原理示意图

分类或回归效能也不相同[44-46]。常用的算法有SVM、人工神经网络、线性回归、随机森林、聚类分析等。不同算法的主要原理如图2.6所示，SVM在支撑向量的基础上构建直线、平面或超平面将样本进行划分；最简单的人工神经网络有1个输入层，1个隐层，1个输出层；线性回归是....

图2.7多层CNNs多种类肿瘤诊断方案

图2.7多层CNNs多种类肿瘤诊断方案在预后类研究中，Lao等[68]利用CNNs来估计GBM患者的总生存期，C指数为0.71，可以认为该回归模型拟合良好，当此模型结合上临床危险因素后，C指数增加到0.739；Nie等[69]使用3DCNNs并提....

本文编号：3968748