基于机器学习的医学影像研究和辅助诊断平台
发布时间：2020-12-09 15:02
人工智能技术和传统医疗行业结合形成的智能医疗领域已逐渐成熟,但是如何在该领域中得到高精度、高稳定性的模型以及如何让更多的医学研究者更便携地使用人工智能技术进行基础研究依然是亟待解决的问题。本文针对以上问题开发了智能医学影像研究平台 RIAS(Radiomics Intelligent Analysis Software),对构成RIAS的影像组学算法、深度学习分类和分割网络算法的理论部分进行讨论。本文重点对影像组学的图像预处理、感兴趣区间的勾画方式、特征提取、特征工程、特征可视化、模型建立及评价等方面进行了讨论。图像预处理中提出了图像重采样的两种方式,对图像特征的构成进行分析,通过分别对降维算法原理的阐述总结出特征工程的一般规律,以及探讨了借最优搜索算法获取模型最优参数的过程。除了影像特征外,还对其他特征如临床信息等实现特征多融合进行了分析。在深度学习中重点讨论了卷积神经网络的发展史,对图像分类网络、图像分割网络的构造进行分析,并讨论了网络的共通点和优缺点。最后,从理论层面对卷积神经网络如何有效地在医学图像中运用进行了阐述,从网络原理、网络应用等方面重点分析。接着以结直肠癌肝转移、肝脏...
【文章来源】： 李明洋 吉林大学
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
图２．?１?ＩＴＫ－ＳＮＡＰ软件的操作界面??除了?ＩＴＫ－ＳＭＰ外，３ＤＳｌｉｃｅｒ同样具有ＲＯＩ勾画的功能
?第二率．像组学．．棊本理论???３ＤＳｌｉｃｅｒ同时兼容影像组学特怔的直接计算和导出，也支持图像的３Ｄ熏建和导??出。它提供了基于Ｐｙｔｈｏｎ平台的外部接□，可以以插件形式实现不同的子功能，??功能十分强大。具体操作界面如图２．?２所示。??纛》ａｕ＊?，?ｘ??ｔｉｌ＊?ｌｉ＊＊??＆９?？?＆?－?？＋?００?萨頃?ｔ?－?４．Ｑ＜＊??．．．．??Ｗｅｌｃｏｍｅ??１ｍＩ＞Ｕ?ＵＩ．Ｍ?＾?Ｓ？？ｌ＊?？？？？??ｉ－?Ｉ??Ｉｍｉ?ｖ？?＞．１Ｍｎｌ－ＣＭＩ?Ｊ？?ＩＶ－？？；??ｏ＂??图２．?２?３ＤＳＩ?ｉｃｅｒ软件的操作界面??第三种得到ＲＯＩ的方式需要基于较为成熟的深度学习分割网络，一般很少甩??在影像组学研宄的Ｒ０Ｉ获取过程中。不过全自动分割的好处在于可以后期应用到??临床，通过深度学习的高精度的分割网络实现自动勾画Ｒ０Ｉ，再经过影像组学计??算和建模即可实现全禽动诊断和预测，因此潜在价值很高＜＝??此外，除了?Ｒ０Ｉ：的标注需要规范化、高精度化外，由于有些研究中涉及对Ｒ０Ｉ??边缘影像的相关研宄（如脂肪），囡此图像后处理也十分关键。一般来说通过图??像的基本形态学运算（如腐蚀、膨胀、开闭运算方法等）即可完成对Ｒ０Ｉ固定像??素的扩展和缩进，再通过Ｒ０Ｉ相减的式即可得到边缘或内部影像Ｒ０Ｉｆｆ??２．?３影像组学特征工程??２．?３．１特征提取??影像组学的原料即是图像的低阶和高阶特征，国此特征的精度、深度和广度??在源头部分将决定了结果的好坏。目前大多数的影像组学特征提取＾？式均基于??Ｍａｔｌａｂ＼?Ｐ＿ｙｔｈｏｎ等平台，但眉为Ｍａｔｌａｂ的商业化原因和没有
?矩阵相乘从而得到降维后的样本矩阵，即通过坐标映射实现了降维的目的。新的??低维特征必须互相正交。ＰＣＡ的优势在于可以手动调整要选取的特征向量数量，??根据不同需求实现不同程度的降维。而ＰＣＡ的缺陷则在于无法明确原始影像组学??特征名称和研究目标的映射关系，因此无法在直观上探讨影像组学特征对研宄结??果的影响。??ＬＤＡ和ＰＣＡ的降维思路类似但不绝对相同。ＬＤＡ也可以将原始数据集变换到??一个维度更低的新的特征子空间＃在尽可能多地保持相关信息的情况下，对数据??进行压缩。但差别如图２．?３所示，在二维特征空间中，沿ｙ轴降维虽然保证了方??差最大，但是无法很好地区分两个类别，井不是一个较好的线性判定。沿＾轴降??维则可以很好地区分两个类别，因此是较优的线性判定。??ｔ?ｉ??Ｉ??ｙ?？?？？?？??Ｚ?ｘ?Ｘ?ｘ?ｘ??图２．?３二维空间下ＬＤＡ降维示意图??总结ＬＤＡ降维原理即是，给定训练集，要尽可能将训练集中的每个样本投影??到一条直线上＊并使得同类样例的投影点尽可能接近，异类样例的投影点尽可能??远离。其中关键步骤为，要对原始ｎ维特征进行标准化处理，计算均值向：羹？，再??构造类间的散布矩阵和类内的散布矩阵，最后选择矩阵的特征值和特征向量构成??转换矩阵从而实现降维的目的。因此ＬＤＡ需要提供样本的标签信息，鳳最少降维??后的新特征个数要为类别数加一。??ｍＲＭＲ是一种滤波式的降维方法，在进行特征降维时，多个优质特征的组合或??许弁不能增加模型的性能，因为有可能特征之间存在高度相关的关系，即特征冗??佘。而我们又需要将特征与分类变量之间的相关度最大化，即选择与分类变量捆??有最高相关度的前ｋ个变量，因此最
【参考文献】：
期刊论文
[1]全卷积神经网络与全连接条件随机场中的左心室射血分数精准计算[J]. 刘晓鸣,雷震,何刊,张惠茅,郭树旭,张歆东,李雪妍. 计算机辅助设计与图形学学报. 2019(03)
[2]CT影像组学对结直肠癌肝转移的诊断价值[J]. 郭钰,李明洋,刘祥春,王鸣飞,李雪妍,张惠茅. 中国临床医学影像杂志. 2018(11)
[3]Radiomics approach for preoperative identification of stages Ⅰ-Ⅱ and Ⅲ-Ⅳ of esophageal cancer[J]. Lei Wu,Cong Wang,Xianzheng Tan,Zixuan Cheng,Ke Zhao,Lifen Yan,Yanli Liang,Zaiyi Liu,Changhong Liang. Chinese Journal of Cancer Research. 2018(04)
本文编号：2907051
【文章来源】： 李明洋 吉林大学
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
图２．?１?ＩＴＫ－ＳＮＡＰ软件的操作界面??除了?ＩＴＫ－ＳＭＰ外，３ＤＳｌｉｃｅｒ同样具有ＲＯＩ勾画的功能
?第二率．像组学．．棊本理论???３ＤＳｌｉｃｅｒ同时兼容影像组学特怔的直接计算和导出，也支持图像的３Ｄ熏建和导??出。它提供了基于Ｐｙｔｈｏｎ平台的外部接□，可以以插件形式实现不同的子功能，??功能十分强大。具体操作界面如图２．?２所示。??纛》ａｕ＊?，?ｘ??ｔｉｌ＊?ｌｉ＊＊??＆９?？?＆?－?？＋?００?萨頃?ｔ?－?４．Ｑ＜＊??．．．．??Ｗｅｌｃｏｍｅ??１ｍＩ＞Ｕ?ＵＩ．Ｍ?＾?Ｓ？？ｌ＊?？？？？??ｉ－?Ｉ??Ｉｍｉ?ｖ？?＞．１Ｍｎｌ－ＣＭＩ?Ｊ？?ＩＶ－？？；??ｏ＂??图２．?２?３ＤＳＩ?ｉｃｅｒ软件的操作界面??第三种得到ＲＯＩ的方式需要基于较为成熟的深度学习分割网络，一般很少甩??在影像组学研宄的Ｒ０Ｉ获取过程中。不过全自动分割的好处在于可以后期应用到??临床，通过深度学习的高精度的分割网络实现自动勾画Ｒ０Ｉ，再经过影像组学计??算和建模即可实现全禽动诊断和预测，因此潜在价值很高＜＝??此外，除了?Ｒ０Ｉ：的标注需要规范化、高精度化外，由于有些研究中涉及对Ｒ０Ｉ??边缘影像的相关研宄（如脂肪），囡此图像后处理也十分关键。一般来说通过图??像的基本形态学运算（如腐蚀、膨胀、开闭运算方法等）即可完成对Ｒ０Ｉ固定像??素的扩展和缩进，再通过Ｒ０Ｉ相减的式即可得到边缘或内部影像Ｒ０Ｉｆｆ??２．?３影像组学特征工程??２．?３．１特征提取??影像组学的原料即是图像的低阶和高阶特征，国此特征的精度、深度和广度??在源头部分将决定了结果的好坏。目前大多数的影像组学特征提取＾？式均基于??Ｍａｔｌａｂ＼?Ｐ＿ｙｔｈｏｎ等平台，但眉为Ｍａｔｌａｂ的商业化原因和没有
?矩阵相乘从而得到降维后的样本矩阵，即通过坐标映射实现了降维的目的。新的??低维特征必须互相正交。ＰＣＡ的优势在于可以手动调整要选取的特征向量数量，??根据不同需求实现不同程度的降维。而ＰＣＡ的缺陷则在于无法明确原始影像组学??特征名称和研究目标的映射关系，因此无法在直观上探讨影像组学特征对研宄结??果的影响。??ＬＤＡ和ＰＣＡ的降维思路类似但不绝对相同。ＬＤＡ也可以将原始数据集变换到??一个维度更低的新的特征子空间＃在尽可能多地保持相关信息的情况下，对数据??进行压缩。但差别如图２．?３所示，在二维特征空间中，沿ｙ轴降维虽然保证了方??差最大，但是无法很好地区分两个类别，井不是一个较好的线性判定。沿＾轴降??维则可以很好地区分两个类别，因此是较优的线性判定。??ｔ?ｉ??Ｉ??ｙ?？?？？?？??Ｚ?ｘ?Ｘ?ｘ?ｘ??图２．?３二维空间下ＬＤＡ降维示意图??总结ＬＤＡ降维原理即是，给定训练集，要尽可能将训练集中的每个样本投影??到一条直线上＊并使得同类样例的投影点尽可能接近，异类样例的投影点尽可能??远离。其中关键步骤为，要对原始ｎ维特征进行标准化处理，计算均值向：羹？，再??构造类间的散布矩阵和类内的散布矩阵，最后选择矩阵的特征值和特征向量构成??转换矩阵从而实现降维的目的。因此ＬＤＡ需要提供样本的标签信息，鳳最少降维??后的新特征个数要为类别数加一。??ｍＲＭＲ是一种滤波式的降维方法，在进行特征降维时，多个优质特征的组合或??许弁不能增加模型的性能，因为有可能特征之间存在高度相关的关系，即特征冗??佘。而我们又需要将特征与分类变量之间的相关度最大化，即选择与分类变量捆??有最高相关度的前ｋ个变量，因此最
【参考文献】：
期刊论文
[1]全卷积神经网络与全连接条件随机场中的左心室射血分数精准计算[J]. 刘晓鸣,雷震,何刊,张惠茅,郭树旭,张歆东,李雪妍. 计算机辅助设计与图形学学报. 2019(03)
[2]CT影像组学对结直肠癌肝转移的诊断价值[J]. 郭钰,李明洋,刘祥春,王鸣飞,李雪妍,张惠茅. 中国临床医学影像杂志. 2018(11)
[3]Radiomics approach for preoperative identification of stages Ⅰ-Ⅱ and Ⅲ-Ⅳ of esophageal cancer[J]. Lei Wu,Cong Wang,Xianzheng Tan,Zixuan Cheng,Ke Zhao,Lifen Yan,Yanli Liang,Zaiyi Liu,Changhong Liang. Chinese Journal of Cancer Research. 2018(04)
本文编号：2907051
本文链接：https://www.wllwen.com/shoufeilunwen/mpalunwen/2907051.html
最近更新
教材专著
