数据挖掘三维剂量分布在头颈部肿瘤局部区域复发中的预后价值研究

发布时间：2024-12-18 01:55

　　头颈癌是世界上常见的恶性肿瘤,局部区域复发被认为是引起其不良预后的主要原因之一。在治疗前评估肿瘤风险并选择个体化治疗方案对改善患者预后至关重要。临床上常用患者年龄、肿瘤分期等指标评估肿瘤风险。此外,近年来随着医学影像技术的发展,有研究揭示了医学影像中存在的数字化信息可解码肿瘤自身的特性,是肿瘤风险评估极具潜力的信息来源。还有研究表明,放疗计划方案制定阶段产生的剂量体积直方图亦具有一定的预后预测能力,这说明在针对放疗患者的预后研究中还应充分考虑剂量分布质量对预后的影响。但现有预后研究仅涉及二维的剂量分布。相较之下,三维剂量分布包含更丰富的剂量信息,但鲜有研究探究三维剂量分布的预后价值。因此,本文尝试从头颈癌的三维剂量分布中挖掘量化的剂量特征,从中寻找影响头颈癌局部区域复发的剂量因素,并建立局部区域复发的预后模型。其中的特征挖掘采用传统影像组学方法和深度学习方法。本文将影像组学策略应用于肿瘤区域的三维剂量分布,从中提取大量的一阶特征和纹理特征,采用Cox 比例风险回归建立这些剂量特征与复发风险的关联模型,并将该模型进一步地与基于年龄、肿瘤分期等临床指标及CT、PET影像建立的模型进行比较。同...

【文章页数】：80 页

【学位级别】：硕士

【部分图文】：

图２－２生存函数

癌症预后研究概述???的概率可以用生存函数（ＳｕｒｖｉｖａｌＦｕｎｃｔｉｏｎ）表不：??Ｓ（ｔ）?＝?Ｐ（Ｔ?＞?ｔ）?（２－｝）??生存函数有三个特征点：１）生存函数是非递增函数；２）?５（０）?＝?１，在研究的起??始时间点，即ｔ?＝?０时，没有充分的时间可以观察到个体发生研....

图２－３风险函数

?领士学位论文???风险函数不是表示概率的一个概念，而是与概率的变化率有关的概念，其值在［０，??〇〇）之间，如图２－３所示。??生存函数与风险函数可相互表达，如式２－３和式２－４所示：??５（ｔ）?＝?ｅｘｐ?—?ｆ?ｈ（ｕ）ｄｕ?（２－３）??Ｊ〇??００??ｍ??０?ｔ??....

图２－４基于表２－２中两个群组绘制的Ｋａｐｌａｎ－Ｍｅｉｅｒ生存曲线

?领士学位论文???Ｋａｐｌａｎ－Ｍｅｉｅｒ生存曲线??Ｓｔｒａｔａ?＋?ｇｒｏｕｐ＝群组?１?＋?ｇｒｏｕｐ＝群组?２??。．２５．?＼??０．００?（?（?（?＾??０?１０?２０?３０?４０??缓解时长（周）??图２－４基于表２－２中两个群组绘制的Ｋａｐｌａｎ－Ｍｅｉｅｒ生....

图２－５?ＣＮＮ结构

?第二章基于医学影像类数据的癌症预后研究概述???数，而针对本文的生存分析问题，目标函数的具体形式详见４．３．４节。??误差反向传播??Ｂ?ｒ?ｆ?…?盡一塞——Ｉ??ｆｔ?｜?Ｓ?Ｉ?｜?接接函??ｅ?Ｇ?ｅ?ｅ?层层数??Ｙ?ｔ??图２－５?ＣＮＮ结构。??Ｆｉｇ．?２－５?....

本文编号：4016865