卷积神经网络在胶质瘤分级中的应用

发布时间：2021-03-27 06:04

　　目的:根据WHO 2016版对胶质瘤的分级,应用卷积神经网络对胶质瘤患者的术前头部磁共振进行分类训练。观察可否通过应用本研究所用卷积神经网络对术前头部磁共振进行分析,以无创性的预测术前胶质瘤分级。研究方法:收集于2015年1月至2019年6月期间于中国医科大学附属盛京医院接受颅内占位切除术或活检术的胶质瘤患者的术前头部磁共振数据。基于病理组织学将其分为低级别胶质瘤组（LGG）和高级别胶质瘤组（HGG）。所有患者均符合以下标准:（1）术前近期于盛京医院行头部磁共振;（2）于我院行颅内占位切除术或活检术;（3）术后病理证实为胶质瘤。应用数据扩增技术对训练集进行扩增,应用自适应迭代阈值法对数据去除背景并将所有数据进行标准化。将所有数据分为训练集、验证集和测试集,并对本研究所用卷积神经网络进行训练、调整参数和检验性能。观察预测的胶质瘤分级准确率,观察预测的胶质瘤分级与对应的病理组织学分级是否一致。结果:计算得出本研究所设计卷积神经网络的灵敏度为95.0%,特异度为91.0%,准确率为93.0%;Mc Nemar检验的P值为0.424,预测结果与真实结果无统计学差异（P>0.05）;kap... 

【文章来源】：中国医科大学辽宁省

【文章页数】：34 页

【学位级别】：硕士

【部分图文】：

胶质瘤分级

中国医科大学硕士学位论文32资料与方法2.1一般资料病例纳入标准：（1）术前于我院行头部磁共振；（2）于我院行颅内占位切除术或活检术；（3）术后病理证实为胶质瘤。病例排除标准：（1）术前无我院近期头部磁共振；（2）存在手术绝对禁忌症；（3）术后病理证实为非胶质瘤。收集2015年1月～2019年6月间于中国医科大学附属盛京医院接受颅内占位切除术或活检术且病理证实为胶质瘤的患者的1281张术前头部磁共振。2.2图像处理方法2.2.1头部MRI扩增一般情况下，在深度学习中对数据量的要求很高，当数据量相对不足时通常采用数据扩增技术来扩大训练集，从而避免过度拟合。本研究中将收集到的头部MRI进行90°、180°、270°的二维旋转和加入高斯噪声、椒盐噪声，将训练样本扩增至6倍（图2）[7,8]。图2通过图像旋转和增加噪声扩增数据

中国医科大学硕士学位论文42.2.2头部MRI标准化事实上，脑肿瘤诊断的任务只是与脑区有关，背景的存在会导致计算复杂度的增加，因此有必要引入背景去除方法。由于脑图像背景中的像素信号很低，可以采用自适应迭代阈值法去除背景。首先从原始图像中获取最大和最小灰度值(maxI和minI)，然后用)(*0.5minmaxII定义初始阈值，再根据初始阈值将原始图像分为前景和背景，得到前景和背景的平均灰度值(H0和H1)。最后，将阈值更新为（H0+H1）/2。重复上述步骤，直到阈值几乎不变或达到最大迭代次数（本研究设计为10次）。背景去除后的图像大小不一，这会对后续步骤造成不利影响。所以，将背景去除后输出图像重塑为96*96的标准图像（图3）。图3基于自适应迭代阈值法的背景去除2.3网络设计近年来，随着计算机性能的飞速发展，深度学习已成为一个研究热点，它在信号处理、图像语义分割等领域有着广泛的应用。事实上，这种受到人脑结构的启发的深度学习被视为机器学习的一个子领域。在深度学习模型中，卷积神经网络（CNN）是炙手可热的处理分类任务的工具之一。与传统的支持向量机和KNN等机器学习模型不同，CNN不需要人工提取特征，因为卷积层被看作特征抽取器，通过更新卷积层的权值可以获得期望的特征。卷积的目的是为了从输入图像中提取特征。卷积可以通过从输入的一小块数据中学到图像的特征，并可以保留像素间的空间关系。在CNN的术语中，

【参考文献】：
期刊论文
[1]脑胶质瘤术前分级的MR影像研究进展[J]. 李万兰,周剑,高培毅.  医学综述. 2018(14)



本文编号：3103028