基于影像组学的脑胶质瘤分级预测研究

发布时间：2020-08-14 13:20

【摘要】：脑胶质瘤是最常见的中枢神经系统恶性肿瘤,根据肿瘤良恶性程度,可以分为高级别脑胶质瘤和低级别脑胶质瘤。近年来,基因层面的研究已经被证实在脑胶质瘤预测和预后上具有很大的价值。但是仅仅基于分子层面对脑胶质瘤进行分级研究是不完整的。因此对脑胶质瘤在组织层面进行准确分级是进行分子诊断的基础,在脑胶质瘤患者临床诊断治疗上起着重要的作用。目前,临床上使用手术或活检的方法对肿瘤进行化验分级。但是这种方法由于手术侵入性和肿瘤的异质性使得它具有很大的局限性。作为一种无创性工具,磁共振成像(MR)在胶质瘤诊断中起着重要作用。大部分关于脑胶质瘤MR图像的研究都是针对单模态,或者是重点研究MR图像的一阶特征,如平均值和最大、小值等统计学特征,并不能完整的表示肿瘤的表型信息。基于这种现状,本文使用2015年BRATS提供的脑胶质瘤MR图像样本集,高通量的从多模态脑胶质瘤MR图像中提取影像组学特征,使用支持向量机-递归消除法对特征进行选择,获得能够表示脑胶质瘤表象特征的最优特征子集,然后使用XgBoost算法训练分类器,作为对比本文也使用ERT和SVM两种方法进行分类训练。本文从脑胶质瘤四个模态MR图像中,总共提取了 420个影像组学特征。这些特征数据量庞大,具有很多无关特征和噪声,无法直接用于分类器训练研究。所以需要先进行特征选择,本文在特征选择环节使用的是支持向量机-递归消除法,整个过程中使用5-折交叉验证方法,对样本总集进行五次特征选择,获得五个最优特征子集,将这些特征子集中共同包含的特征作为特征选择的结果。可以发现多数的纹理特征和T1c模态中的特征被选择出来,说明纹理特征和T1c模态图像在高、低级别脑胶质瘤的分类中起到很重要的作用。这点研究发现和目前比较先进的国内外研究结论一致。本文最后使用XgBoost算法训练分类器,对样本集使用5-折交叉验证来评价分类器性能,同时使用ERT和SVM两种算法训练分类器作为对比,研究实验显示,XgBoost分类器的精度、查准率、查全率和F1分别为:91.25%、91.63%、91.25%和91.06%,均高于ERT和SVM两个分类器。这点也说明本文中采用XgBoost算法在本次良恶性肿瘤分级预测研究上具有很大的优越性。本文设计的分类训练器具有较高的精度,可以用于协助医生诊断脑胶质瘤的良恶性,是进一步分子诊断的基础。
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R739.41
【图文】：

归一化,概率值,正则化,灰度值

０逦１２逦３逡逑１逦０２２１０逦４１逦１０２００逦２２逦２逦０逦０逦３逦（Ｔ）逦１３逦３逦０逦０逦０逦１逦０（ｂ）ＧＬＣＭ逦（ｃ）图２－１邋ＧＬＣＭ示例逡逑出现的频率，本文将ＧＬＣＭ进行归一化。表示列数，Ｎ表示灰度值范围，？（／，＿／）表概率值。逡逑ＧＬＣＭ正则化后的ＧＬＣＭ如下图２－２０．６６邋０．０８３邋０．０４２逦０逡逑

特征提取,硕士学位论文,示例,环节

山东大学硕士学位论文逡逑似的，可以画出如图２－３邋（ａ）表示的图像，在方向分别为：（丨，１）邋，逦（０，１）和逡逑（－１，１）的邋ＧＬＲＬＭ，分别如图邋２－３邋（ｃ），邋（ｄ）和（ｅ）所示。逡逑Ｒｕｎ邋Ｌｅｎｇｔｈ邋ｊ逦Ｒｕｎ邋Ｌｅｎｇｔｈ邋ｊ逡逑

示例,线性可分

照需求对排序特征集合进行从前往后的特征选择，生成最出这个迭代过程是一个后向特征消除的例子。但是在实际机特征并进行新的分类器训练，可能无法满足科研中的计算个特征可能是更有效的方法，但这样做极大程度上会导致法下产生的是特征子集的排序，而不是特征的排序。产生：Ａｃ逡逑量机（ＳＶＭ）逡逑本思想就是根据样本集Ｄ在样本空间中找到一个超平面，行分类。ＳＶＭ算法是一种比较常用的样本分类方法本集是线性可分数据。所以本节重点介绍线性可分支持向量的线性ＳＶＭ分类示例图。逡逑ｙ

【参考文献】