融合影像组学深度特征与手工特征预测结直肠癌KRAS基因状态的研究

发布时间：2022-01-15 05:31

　　背景:结直肠癌是最常见的消化系统肿瘤之一,其发病率位居全球癌症发病第三,死亡率列全球癌症相关死亡原因第二。结直肠癌患者中大概有40-50%存在KRAS基因突变,KRAS基因突变患者对表皮因子受体拮抗剂靶向治疗药物无反应。因此,治疗前准确评估结直肠癌患者KRAS基因状态,对协助临床制定个体化治疗方案有重要的临床价值。目的:探讨基于影像组学深度卷积神经网络（convolutional neural network,CNN）和手工影像组学特征的融合模型在术前预测结直肠癌患者KRAS基因状态的性能。材料与方法:本研究回顾性收集广东省人民医院经手术切除病理确诊为结直肠癌患者的临床和影像资料,其中2011年4月至2015年4月纳入的病例作为训练组（n=279例）,2015年5月至2016年4月纳入的病例作为验证组（n=119例）。所有纳入的患者术前全腹部CT（computer tomography,CT）增强扫描,术后均进行KRAS基因检测。收集入组病例的CT门脉期图像作为特征提取对象,分别提取手工影像组学标签以及深度学习特征。在训练组中,本研究采用Wilcoxon秩和检验、m RMR算法和多因素... 

【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：53 页

【学位级别】：硕士

【部分图文】：

结直肠肿瘤手动分割

华南理工大学硕士学位论文12图2-2影像组学标签构建流程图。在手动勾画的肿瘤区域及算法计算的肿瘤周围区域中提取手工特征。对于深度特征提取，我们基于最大横截面区域的中心裁剪适合大小的感兴趣区域。然后，对于这两种类型的特征进行特征筛选及影像组学标签建立。Fig2-2Flowchartoftheradiomicssignaturebuildingprocess.Thehand-craftedfeatureswereextractedmanuallyfromtheintratumoralregionandperitumoralregion,whichiscalculatedusingamorphologicoperation.Fordeeplearningfeatureextraction,wecroppedpatchesofafixedsizebasedonthecenterofthelargestcross-sectionedareaofmass.Then,forbothfeaturetypes,featureselectionisperformedforbuildingtheradiomicssignature.2.5统计学方法2.5.1临床病理基线资料的分析分别采用t检验或Mann-WhitneyU检验和卡方检验对临床病理基本资料进行统计学分析。对于连续变量，如年龄，在进行变量正态检验及方差齐性检验之后，若变量满足正态分布及方差齐性检验，则采用t检验；若不满足则采用Mann-WhitneyU检验进行训练组与验证组、KRAS基因野生型及突变型患者之间的连续变量的统计学差异分析，并计算训练组、验证组及整体样本的平均值及标准差。对于分类变量，如性别、肿瘤位置和


本文编号：3589999