基于深度学习的乳腺DCE-MRI影像分解方法及其在分子分型中的应用研究
发布时间：2022-01-03 18:51
乳腺癌严重危害着妇女的生命健康,因其高发病率和死亡率,受到人们广泛关注。乳腺癌根据乳腺癌基因表达情况的差异被分为四种分子分型,不同分型在预后效果、复发风险等都存在明显差异,分子分型在乳腺癌精准诊疗中正发挥着越来越重要的作用。乳腺肿瘤中存在复杂的异质性,这会影响分子分型的准确标定。影像基因组学将影像特征与基因表现形式的相关特征建立联系,其中动态增强磁共振影像（dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI）因具有对病灶敏感、能反映肿瘤血管的生成情况等优点而被应用于分子分型预测研究中。DCE-MRI受成像分辨率和异质性影响,其像素强度是多组织的血流活动信号模式的混合,只能潜在反映肿瘤血管的异质性,若将这些信号模式分解出来,能为肿瘤的诊断、治疗及预后提供重要的帮助。目前,对DCE-MRI信号分解的方法主要还是基于传统矩阵分解的方法,受噪声和初始化影响较大,没有利用好样本信息。本研究依据动力学房室模型,将DCE-MRI信号抽象为动力学信号模式的混合加权,使用深度学习的方法,通过样本训练从DCE-MRI影像中分解出各组织的...
【文章来源】：杭州电子科技大学浙江省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
感兴趣区域及其TIC模式示意图
せ詈??魑?詈蟮氖涑觯瑂oftplus的表达式为：f(x)=log(1+e)X（4.14）softplus激活函数是一个非线性的连续可微函数，其变化平缓。不同于relu激活函数在负值区间的强制置零使得输出具有稀疏性，softplus在负值区间依然能有非负值的输出，如图4.5为softplus与relu激活函数曲线的对比示意图。根据乳腺药代动力模型可知，信号模式矩阵是具有物理意义的不同房室组织灌注情况的体现，是非负的。而relu的稀疏性会使得信号模式矩阵损失许多重要物理信息，而softplus能保证信号模式矩阵始终保持较好的实际意义，有更好的泛化性。图4.5softplus与relu激活函数曲线对比示意图在得到信号模式矩阵和概率矩阵后，进行矩阵乘法得到预测的输出矩阵，其尺寸为T×N，与输入的肿瘤影像矩阵相同。将网络结构cnn表示成一个函数：11=(,)(,)auxXKAcnnWXcnnWX=（4.15）
杭州电子科技大学硕士学位论文38验证示意图。图5.2留一交叉验证示意图为评价模型的泛化能力和性能度量，引入模型评价指标受试者工作特性曲线(ROC)下的面积(AUC)值作为评价标准。ROC曲线能综合评价模型的灵敏度及特异性，其横坐标为假阳性率(FalsePositiveRate，FPR)，等价于1-特异性，纵坐标为真阳性率(TruePositiveRate，TPR)，等价于敏感性。将样本集的预测值排序后，用不同阈值截断预测值，计算当前截断点时的FPR和TPR，使用固定步长调整截断阈值，可得到一系列的FPR和TPR，依据这些点绘制出ROC曲线。AUC越大，模型性能越强。5.3基于影像分解特征的分子分型预测研究5.3.1单变量统计分析为研究从概率矩阵中提取的统计特征与分子分型的关联性，对每个信号模式表达情况的每个统计特征都与分子分型建立单变量逻辑回归模型。分子分型预测是典型的多分类（multiclass）问题，本实验将其拆分为一对多问题，即针对四种分型共使用四个二分类器，每个分类器进行该分子分型和非该分子分型的分类任务，如LuminalB分类任务中，所有真实样本为LuminalB的标签置1，非LuminalB样本的标签置0，其他分型任务亦是如此。对每个单特征建立与每个分型的建立逻辑回归模型。具体算法流程如下：（1）取某一信号模式的某一特征，针对某一分型分类任务，生成对应标签。（2）使用留一交叉验证，对数据集划分为N（N为数据集大小）份，每次取其中一份作为测试集，使用剩余N-1份作为训练集，生成逻辑回归模型。（3）将生成模型对那一份测试集测试，得到该份测试集的预测概率。（4）重复（2）、（3）至遍历数据集，得到该特征对N个样本的预测概率。（5）重复（1）、（2）、（3）、（4）至遍历所有特征的所有分类任务，计算每个特征对应每个分类任务的AUC。对比实验中CAM
【参考文献】：
期刊论文
[1]乳腺癌诊疗规范（2018年版）[J]. National Health Commission of the People’s Republic of China;. 肿瘤综合治疗电子杂志. 2019(03)
[2]2015年中国恶性肿瘤流行情况分析[J]. 郑荣寿,孙可欣,张思维,曾红梅,邹小农,陈茹,顾秀瑛,魏文强,赫捷. 中华肿瘤杂志. 2019 (01)
[3]胶质瘤及肿瘤微血管DCE-MRI临床应用及研究进展[J]. 张俊峰,刘恒,陈晓,张伟国. 国际医学放射学杂志. 2016(04)
[4]基于空间FCM与MRF方法的乳腺MRI序列三维病灶分割研究[J]. 张承杰,厉力华. 中国生物医学工程学报. 2014(02)
[5]乳腺癌的分子分型[J]. 赵晶,付丽. 中华乳腺病杂志(电子版). 2009(02)
本文编号：3566792
【文章来源】：杭州电子科技大学浙江省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
感兴趣区域及其TIC模式示意图
せ詈??魑?詈蟮氖涑觯瑂oftplus的表达式为：f(x)=log(1+e)X（4.14）softplus激活函数是一个非线性的连续可微函数，其变化平缓。不同于relu激活函数在负值区间的强制置零使得输出具有稀疏性，softplus在负值区间依然能有非负值的输出，如图4.5为softplus与relu激活函数曲线的对比示意图。根据乳腺药代动力模型可知，信号模式矩阵是具有物理意义的不同房室组织灌注情况的体现，是非负的。而relu的稀疏性会使得信号模式矩阵损失许多重要物理信息，而softplus能保证信号模式矩阵始终保持较好的实际意义，有更好的泛化性。图4.5softplus与relu激活函数曲线对比示意图在得到信号模式矩阵和概率矩阵后，进行矩阵乘法得到预测的输出矩阵，其尺寸为T×N，与输入的肿瘤影像矩阵相同。将网络结构cnn表示成一个函数：11=(,)(,)auxXKAcnnWXcnnWX=（4.15）
杭州电子科技大学硕士学位论文38验证示意图。图5.2留一交叉验证示意图为评价模型的泛化能力和性能度量，引入模型评价指标受试者工作特性曲线(ROC)下的面积(AUC)值作为评价标准。ROC曲线能综合评价模型的灵敏度及特异性，其横坐标为假阳性率(FalsePositiveRate，FPR)，等价于1-特异性，纵坐标为真阳性率(TruePositiveRate，TPR)，等价于敏感性。将样本集的预测值排序后，用不同阈值截断预测值，计算当前截断点时的FPR和TPR，使用固定步长调整截断阈值，可得到一系列的FPR和TPR，依据这些点绘制出ROC曲线。AUC越大，模型性能越强。5.3基于影像分解特征的分子分型预测研究5.3.1单变量统计分析为研究从概率矩阵中提取的统计特征与分子分型的关联性，对每个信号模式表达情况的每个统计特征都与分子分型建立单变量逻辑回归模型。分子分型预测是典型的多分类（multiclass）问题，本实验将其拆分为一对多问题，即针对四种分型共使用四个二分类器，每个分类器进行该分子分型和非该分子分型的分类任务，如LuminalB分类任务中，所有真实样本为LuminalB的标签置1，非LuminalB样本的标签置0，其他分型任务亦是如此。对每个单特征建立与每个分型的建立逻辑回归模型。具体算法流程如下：（1）取某一信号模式的某一特征，针对某一分型分类任务，生成对应标签。（2）使用留一交叉验证，对数据集划分为N（N为数据集大小）份，每次取其中一份作为测试集，使用剩余N-1份作为训练集，生成逻辑回归模型。（3）将生成模型对那一份测试集测试，得到该份测试集的预测概率。（4）重复（2）、（3）至遍历数据集，得到该特征对N个样本的预测概率。（5）重复（1）、（2）、（3）、（4）至遍历所有特征的所有分类任务，计算每个特征对应每个分类任务的AUC。对比实验中CAM
【参考文献】：
期刊论文
[1]乳腺癌诊疗规范（2018年版）[J]. National Health Commission of the People’s Republic of China;. 肿瘤综合治疗电子杂志. 2019(03)
[2]2015年中国恶性肿瘤流行情况分析[J]. 郑荣寿,孙可欣,张思维,曾红梅,邹小农,陈茹,顾秀瑛,魏文强,赫捷. 中华肿瘤杂志. 2019 (01)
[3]胶质瘤及肿瘤微血管DCE-MRI临床应用及研究进展[J]. 张俊峰,刘恒,陈晓,张伟国. 国际医学放射学杂志. 2016(04)
[4]基于空间FCM与MRF方法的乳腺MRI序列三维病灶分割研究[J]. 张承杰,厉力华. 中国生物医学工程学报. 2014(02)
[5]乳腺癌的分子分型[J]. 赵晶,付丽. 中华乳腺病杂志(电子版). 2009(02)
本文编号：3566792
本文链接：https://www.wllwen.com/yixuelunwen/waikelunwen/3566792.html
最近更新
教材专著
