基于多参数磁共振成像移行带前列腺癌影像组学研究
发布时间：2021-11-11 13:58
背景:前列腺癌好发于60岁以上人群,居全球男性癌症发病率第2位[1]。在欧美国家前列腺癌（prostate cancer,PCa）发病率常年位居男性恶性肿瘤第一位[2]。虽中国前列腺癌发病率远低于欧美国家,但近年来呈逐年上升趋势。前列腺增生是我国中老年男性的好发疾病,随年龄增长,发病率逐渐增加。前列腺癌多发生于前列腺外周带,良性前列腺增生主要发生于移行带,但大量临床病例发现,发生于移行带的前列腺癌并不少见,且两者有时影像检查鉴别困难。前列腺癌的危险度是影响患者治疗方式和预后的重要因素,中低危的前列腺癌恶性程度相对较低,肿瘤生长相对缓慢,病人的预后及生存时间相对较长,临床上对于中低危的前列腺癌可以采取观察等待与主动检测。对于高危前列腺癌由于恶性程度相对较高,患者预后及生存时间相对较短,临床上多采取激进的治疗方式（放疗或根治性切除术）[3]。在临床中穿刺活检是目前术前诊断前列腺癌及评估前列腺癌危险度的“金标准”,但穿刺活检作为一种有创检查,会引发各种并发症。因此临床需要一种准确的非侵入性诊断方法来诊断前列腺癌并对前列腺癌的危险度进行评估,以降低对病人的伤害,并提高患者依从性。纹理分析（te...
【文章来源】：河南大学河南省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
T2WI-fs横轴位ROI区域
第一部分机器学习模型对移行带前列腺癌的诊断价值7图1-1T2WI-fs横轴位ROI区域1.5纹理特征提取与降维1.5.1纹理特征的提取本研究中纹理提取过程使用的软件是MaZda，如下图1-2所示，启动图像直方图、共生矩阵、游程矩阵、绝对梯度、小波转化及自回归模型选项，步长（d=1、2、3、4、5），对每个患者的T2WI序列及ADC序列分别进行纹理特征的提取，每个ROI区域可提取281个纹理参数。具体提取的纹理参数及分类见表1-2。最终纹理提取后可得到3个数据集即T2WI数据集、ADC数据集及总数据集(T2WI数据集+ADC数据集)。图1-2MaZda中纹理参数选项
A基于ADC序列各机器学习模型ROC曲线
【参考文献】：
期刊论文
[1]MRI纹理分析在识别前列腺导管内癌成分中的价值[J]. 楚蕾,斯艺,刘荣波. 四川大学学报(医学版). 2020(01)
[2]基于磁共振扩散加权图像的诺模图在前列腺癌与前列腺增生鉴别诊断中的应用及其诊断PI-RADS 4分中前列腺癌的可行性[J]. 陈丽华,刘爱连,郭妍,李昕,郭丹,宋清伟,魏强. 中国临床医学影像杂志. 2019(12)
[3]MRI纹理分析评价前列腺癌Gleason评分7分肿瘤异质性的初步研究[J]. 张宏江,毕国力,李洪亮,陈瑜晖,李阳丽,袁会梅,吴昆华. 实用放射学杂志. 2019 (11)
[4]基于多参数MRI及影像组学建立机器学习模型诊断临床显著性前列腺癌[J]. 彭涛,肖建明,张仕慧,蒲冰洁,高月琴,牛翔科,王宗勇,曾小辉,杨进,李佽. 中国医学影像技术. 2019(10)
[5]基于ADC图的纹理分析在低、高级别前列腺癌诊断中的价值[J]. 范婵媛,闵祥德,Li Quibai,方俊华,方志华,张配配,冯朝燕,游慧娟,王良. 中华放射学杂志. 2019 (10)
[6]磁共振T2WI纹理分析在前列腺癌诊断中的临床价值[J]. 胡高峰,江小华,邢杰,朱剑锋. 中华内分泌外科杂志. 2019 (04)
[7]磁共振纹理分析技术在评估前列腺癌侵袭性中的应用价值[J]. 肖雅楠,邵园,舒震宇. 医学影像学杂志. 2019(07)
[8]MR图像纹理特征融合诊断前列腺癌[J]. 韩勇森,韩宝三,孙京文,宋成利,闫士举. 中国医学影像技术. 2019(05)
[9]MRI纹理分析对前列腺癌及Gleason分级的诊断价值[J]. 张沥,张鑫,王睿,宦怡,李陇超. 国际医学放射学杂志. 2019(03)
[10]MR-T2WI纹理分析在前列腺癌诊断中初步应用[J]. 许岗,赵文露,李梦娟,张跃,袁振洲,姚立正,沈钧康. 医学影像学杂志. 2019(03)
硕士论文
[1]基于DCE-MRI的影像组学联合机器学习预测前列腺癌的侵袭性[D]. 刘博.重庆医科大学 2019
[2]双参数磁共振纹理分析对高级别前列腺癌的预测价值[D]. 熊慧.重庆医科大学 2019
[3]基于MRI图像的放射组学机器学习分类前列腺癌Gleason评分的初步研究[D]. 王欣如.中国医科大学 2019
[4]基于T2WI序列的纹理分析在鉴别肝细胞癌分化程度的应用研究[D]. 黄伟康.南方医科大学 2018
[5]朴素贝叶斯算法的改进与应用[D]. 马刚.安徽大学 2018
[6]多参数磁共振成像在前列腺癌诊断方面的放射组学初步研究[D]. 孙阳.中国医科大学 2018
[7]基于机器学习方法的脑胶质瘤影像分级研究[D]. 鲁宗豪.郑州大学 2017
[8]基于小波变换的图像特征提取方法研究[D]. 孙洪飞.南京邮电大学 2015
[9]基于AFS理论的模糊分类器设计[D]. 陈诚.大连理工大学 2009
[10]支持向量机理论、算法与实现[D]. 辛宪会.中国人民解放军信息工程大学 2005
本文编号：3488981
【文章来源】：河南大学河南省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
T2WI-fs横轴位ROI区域
第一部分机器学习模型对移行带前列腺癌的诊断价值7图1-1T2WI-fs横轴位ROI区域1.5纹理特征提取与降维1.5.1纹理特征的提取本研究中纹理提取过程使用的软件是MaZda，如下图1-2所示，启动图像直方图、共生矩阵、游程矩阵、绝对梯度、小波转化及自回归模型选项，步长（d=1、2、3、4、5），对每个患者的T2WI序列及ADC序列分别进行纹理特征的提取，每个ROI区域可提取281个纹理参数。具体提取的纹理参数及分类见表1-2。最终纹理提取后可得到3个数据集即T2WI数据集、ADC数据集及总数据集(T2WI数据集+ADC数据集)。图1-2MaZda中纹理参数选项
A基于ADC序列各机器学习模型ROC曲线
【参考文献】：
期刊论文
[1]MRI纹理分析在识别前列腺导管内癌成分中的价值[J]. 楚蕾,斯艺,刘荣波. 四川大学学报(医学版). 2020(01)
[2]基于磁共振扩散加权图像的诺模图在前列腺癌与前列腺增生鉴别诊断中的应用及其诊断PI-RADS 4分中前列腺癌的可行性[J]. 陈丽华,刘爱连,郭妍,李昕,郭丹,宋清伟,魏强. 中国临床医学影像杂志. 2019(12)
[3]MRI纹理分析评价前列腺癌Gleason评分7分肿瘤异质性的初步研究[J]. 张宏江,毕国力,李洪亮,陈瑜晖,李阳丽,袁会梅,吴昆华. 实用放射学杂志. 2019 (11)
[4]基于多参数MRI及影像组学建立机器学习模型诊断临床显著性前列腺癌[J]. 彭涛,肖建明,张仕慧,蒲冰洁,高月琴,牛翔科,王宗勇,曾小辉,杨进,李佽. 中国医学影像技术. 2019(10)
[5]基于ADC图的纹理分析在低、高级别前列腺癌诊断中的价值[J]. 范婵媛,闵祥德,Li Quibai,方俊华,方志华,张配配,冯朝燕,游慧娟,王良. 中华放射学杂志. 2019 (10)
[6]磁共振T2WI纹理分析在前列腺癌诊断中的临床价值[J]. 胡高峰,江小华,邢杰,朱剑锋. 中华内分泌外科杂志. 2019 (04)
[7]磁共振纹理分析技术在评估前列腺癌侵袭性中的应用价值[J]. 肖雅楠,邵园,舒震宇. 医学影像学杂志. 2019(07)
[8]MR图像纹理特征融合诊断前列腺癌[J]. 韩勇森,韩宝三,孙京文,宋成利,闫士举. 中国医学影像技术. 2019(05)
[9]MRI纹理分析对前列腺癌及Gleason分级的诊断价值[J]. 张沥,张鑫,王睿,宦怡,李陇超. 国际医学放射学杂志. 2019(03)
[10]MR-T2WI纹理分析在前列腺癌诊断中初步应用[J]. 许岗,赵文露,李梦娟,张跃,袁振洲,姚立正,沈钧康. 医学影像学杂志. 2019(03)
硕士论文
[1]基于DCE-MRI的影像组学联合机器学习预测前列腺癌的侵袭性[D]. 刘博.重庆医科大学 2019
[2]双参数磁共振纹理分析对高级别前列腺癌的预测价值[D]. 熊慧.重庆医科大学 2019
[3]基于MRI图像的放射组学机器学习分类前列腺癌Gleason评分的初步研究[D]. 王欣如.中国医科大学 2019
[4]基于T2WI序列的纹理分析在鉴别肝细胞癌分化程度的应用研究[D]. 黄伟康.南方医科大学 2018
[5]朴素贝叶斯算法的改进与应用[D]. 马刚.安徽大学 2018
[6]多参数磁共振成像在前列腺癌诊断方面的放射组学初步研究[D]. 孙阳.中国医科大学 2018
[7]基于机器学习方法的脑胶质瘤影像分级研究[D]. 鲁宗豪.郑州大学 2017
[8]基于小波变换的图像特征提取方法研究[D]. 孙洪飞.南京邮电大学 2015
[9]基于AFS理论的模糊分类器设计[D]. 陈诚.大连理工大学 2009
[10]支持向量机理论、算法与实现[D]. 辛宪会.中国人民解放军信息工程大学 2005
本文编号：3488981
本文链接：https://www.wllwen.com/yixuelunwen/zlx/3488981.html
