检索结果-南通市图书馆

面向MRI脑瘤的语义分割及生存周期预测方法的研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向MRI脑瘤的语义分割及生存周期预测方法的研究

作者：吕鸿汀吉林大学

学位级别：硕士

脑肿瘤,也称为脑胶质瘤或脑癌,是对人体破坏性最强的癌症肿瘤之一。它在脑实质的生长可能造成人体功能受损,甚至危及生命,对患者的身心健康有巨大影响。核磁共振成像(MRI)能够提供高质量的图像,而且不会对人体产生伤害,因此被广泛用于... 详细信息

脑肿瘤,也称为脑胶质瘤或脑癌,是对人体破坏性最强的癌症肿瘤之一。它在脑实质的生长可能造成人体功能受损,甚至危及生命,对患者的身心健康有巨大影响。核磁共振成像(MRI)能够提供高质量的图像,而且不会对人体产生伤害,因此被广泛用于采集肿瘤图像。可是,脑肿瘤图像非常复杂,不同肿瘤细胞间的边界是模糊的,这使得不是那么容易进行脑肿瘤的分割。现在脑肿瘤分割很多情况下仍是人工的方式,这不但效率低,而且很容易产生工作疲劳,从而导致精度的下降。在今天计算机技术高速发展的背景下,在脑肿瘤方面,脑肿瘤分割和生存周期预测受到学术界的关注比较多。分割脑肿瘤有助于预测患者的生存期,并为制定治疗计划提供评估依据。通过生存期的预测,医生可以选择更乐观或更稳妥的治疗方案,以更好地治疗患者。因此,生存周期预测在脑肿瘤临床治疗中有非常重要的作用。准确的脑肿瘤图像分割可以有效地帮助临床医生进行胶质瘤的早期诊断、治疗方案的制定和治疗效果的跟踪随访等。本文对脑肿瘤分割技术进行了研究,分析了现有方法的不足之处,并提出了一种用于分割脑瘤的神经网络——HPLO-Net。该网络的特点是模型体积小,分割效率高,分割精度好。该算法对编码端进行优化设计,同时融入Transformer以建模长距离依赖,并对其优化改进,实验结果证明,所提算法与具有代表性的一些算法相比取得了较好分割结果,且模型复杂度和内存占用显著降低。本文还进行了生存周期预测研究,它可以看做是脑肿瘤分割的后置任务。在生存周期预测中,通常使用放射学特征作为预测因子,然而使用放射学特征进行预测容易产生过拟合的问题。本文除了提取放射学特征,还使用神经网络提取深度抽象特征,基于连接组学提取纤维束特征,使用这三种特征进行生存周期预测,提高算法的精确度和泛化能力。本文使用脑肿瘤分割挑战赛中的BraTS 2018和BraTS 2019两个数据集来进行脑肿瘤分割和生存周期预测研究。在分割任务上,本文设计的HPLO-Net模型在整个肿瘤区、肿瘤增强区和肿瘤核心区的dice分数分别为91.41%、81.20%、84.36%,通过与一些有代表性的算法进行了对比,本文所提方法获得了较高的分割精度。在生存周期预测任务上,本文设计的生存周期预测模型准确率为64.24%,精度高于大部分具有代表性的方法。

关键词：脑肿瘤分割生存周期预测注意力机制连接组学纤维束特征

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于机器学习的脑胶质瘤多模态影像分析

山东大学学报（医学版） 2020年第8期58卷 81-87页

作者：吴强何泽鲲刘琚崔晓萌孙双石伟山东大学信息科学与工程学院山东青岛266237 山东大学脑与类脑科学研究院山东济南250012

脑部胶质瘤是临床中常见的一种原发性脑肿瘤,具有复发率高、死亡率高以及治愈率低的特点。常规临床诊断主要依靠计算机断层扫描(CT)和磁共振成像(MRI)检查技术进行鉴别。随着成像技术和机器学习方法的不断发展,多模态影像智能分析技术... 详细信息

脑部胶质瘤是临床中常见的一种原发性脑肿瘤,具有复发率高、死亡率高以及治愈率低的特点。常规临床诊断主要依靠计算机断层扫描(CT)和磁共振成像(MRI)检查技术进行鉴别。随着成像技术和机器学习方法的不断发展,多模态影像智能分析技术已经逐步成为研究热点,在脑胶质瘤的病灶分割测量、肿瘤分级、预后生存周期预测和基因型辨别等方面具有重要的应用前景。本文重点介绍基于机器学习和多模态影像在脑胶质瘤临床辅助诊断和预后评估中的应用进展。

关键词：脑部胶质瘤机器学习多模态磁共振影像影像病灶分割生存周期预测基因型预测

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于磁共振影像的脑部疾病分类方法研究

基于磁共振影像的脑部疾病分类方法研究

作者：崔晓萌山东大学

学位级别：硕士

多模态序列磁共振影像是脑部肿瘤的常规临床诊断手段之一。在制定手术治疗方案时,利用磁共振影像对患者的生存周期进行预测可以为预后提供参考;同时,脑胶质瘤分子标记物应用在近几年取得了较快发展,世界卫生组织提出了脑胶质瘤分子标记... 详细信息

多模态序列磁共振影像是脑部肿瘤的常规临床诊断手段之一。在制定手术治疗方案时,利用磁共振影像对患者的生存周期进行预测可以为预后提供参考;同时,脑胶质瘤分子标记物应用在近几年取得了较快发展,世界卫生组织提出了脑胶质瘤分子标记物的检测分类,可以帮助医生对患者病情更加深入的了解,为患者术前、预后治疗方案的选择及调整提供支持。随着机器学习、磁共振影像技术及计算机硬件设备的发展,利用机器学习对磁共振影像进行分析处理逐渐成为一个研究趋势,可以为临床医生提供便捷的工具和诊断手段。利用传统机器学习进行分类时,通常将特征提取、选择和分类分开进行。常用的生成模型,如变分自编码器和生成对抗网络,被广泛应用于图像处理中,自编码器的编码器部分可以将数据投影到隐空间进行分析,由于磁共振影像的体素较自然图像高很多,使得网络参数空间较大,导致分类性能下降。图卷积神经网络作为一种新的特征表征和提取方法,已经应用于自然语言处理、图像、知识图谱等领域,但是如何应用于磁共振影像需要进一步研究。针对以上提出的问题及磁共振影像在临床中的相关需要,本文主要研究对抗推理学习网络和图卷积神经网络在磁共振影像处理方面的应用,主要内容和贡献有以下几点:（1）本论文针对磁共振影像预处理,介绍了 DICOM文件整理,将实验所需的模态提取并将DICOM文件转为NIFTI文件格式,该方法主要利用DICOM文件中的重要信息确定实验所需模态并利用相关软件进行格式转换;除此以外,详细介绍了利用FSL对数据进行大脑提取及配准。（2）论文提出了基于残差对抗推理学习模型的生存周期预测分类框架。该方法在对抗推理学习网络中加入残差映射,利用其中的编码器部分对磁共振影像提取隐空间深层特征,最后进行生存周期预测分类。利用编码器部分,可以将数据投影到隐空间中,加入残差映射,可以防止由于网络过大引起的网络退化问题。相关算法在BraTS2019数据集上进行测试,与其他对比方法相比,本文提出的方法具有更好的分类性能。（3）论文提出了基于图卷积神经网络的分子标记物分类框架。该方法首先对具有多模态的结构性磁共振影像进行非纹理特征、纹理特征提取,之后利用图卷积神经网络对特征进行选择同时进行分类。该方法利用BraTS2017数据集和TCGA数据集进行验证,并与传统方法进行对比,实验结果表明,基于图卷积神经网络的分子标记物分类效果更好。

关键词：磁共振影像对抗推理学习图卷积神经网络生存周期预测分子标记物

基于多编码结构与Cox分析的脑部影像分析方法研究与实现

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多编码结构与Cox分析的脑部影像分析方法研究与实现

作者：庞恩帅山东大学

学位级别：硕士

随着城市化和人口老龄化进程的加快,人们愈发注重自身健康,脑部作为人体最核心的器官之一,一旦出现问题,将严重危及人体健康。其中,脑卒中和脑胶质瘤作为两种具有代表性的脑疾病,其致残率、死亡率都非常高。脑卒中是一种急性脑血管疾病... 详细信息

随着城市化和人口老龄化进程的加快,人们愈发注重自身健康,脑部作为人体最核心的器官之一,一旦出现问题,将严重危及人体健康。其中,脑卒中和脑胶质瘤作为两种具有代表性的脑疾病,其致残率、死亡率都非常高。脑卒中是一种急性脑血管疾病,需要在症状出现之后尽快诊治,计算机断层扫描（Computed Tomography,CT）以其速度快、可用性强等特点,通常成为诊断脑卒中患者的首选。脑胶质瘤结构复杂、形状多样,磁共振成像（Magnetic Resonance Imaging,MRI）技术以其不同软组织之间对比鲜明等优点,被广泛用于脑胶质瘤患者诊治过程中。现阶段,脑卒中病变区域的评估仍然依赖于人工手段。人工评估不仅繁琐耗时,而且由于评估标准不一致,容易导致人为错误,如何将深度学习等人工智能方法应用于开发自动化脑卒中分割,以提高诊断效率和准确率,具有重要的研究价值。另外,随着脑胶质瘤在人群中发病率的不断增加,脑胶质瘤患者生存周期预测的临床需要也日益紧迫,基于MRI技术的生存周期预测可以为病人的诊治提供必要的支持。针对脑卒中和脑胶质瘤等脑部疾病目前的临床需求,本文基于多编码结构和Cox分析对脑部影像分析处理方面的应用进行了研究,主要的创新和贡献如下:（1）提出了一种基于多编码器结构的脑卒中分割模型。该模型是对U-Net算法进行改进,U-Net是脑卒中分割领域的经典模型,但是其提取特征较少,分割精度不高。本文在U-Net原始编码器不同尺度的卷积层基础上新增了三个编码器,并在解码过程中融合了多个编码器卷积层的特征信息,解决了 U-Net提取特征信息不够丰富和解码过程中融入浅层特征太少的问题,有效提高了分割精度。该模型在ISLES2018和ATLAS数据集上分别做了实验,实验的结果表明基于多编码器结构的分割模型优于传统方法。（2）提出了一个基于Cox分析的脑胶质瘤患者生存周期预测框架。该框架首先使用Pyradiomics工具包对原始的MRI序列提取影像组学特征,包括一阶统计特征、形状特征和纹理特征;然后使用Cox生存分析的方法对提取的特征做筛选;最后将特征选择得到的特征子集送入随机森林回归算法中,实现脑胶质瘤患者的生存周期预测。该框架在BraTS2020数据集上进行了实验,实验结果表明基于Cox分析的生存周期预测框架优于传统模型。（3）实现了一个基于Flask框架的在线辅助诊断原型系统。该系统使用浏览器/服务器（B/S）架构,主要实现的功能有:脑卒中辅助分割、脑胶质瘤辅助分割、脑胶质瘤辅助标记和影像数据管理。用户登录系统后,可上传数据,由系统完成分割或标记功能,最后将分割或标记结果以可视化的形式呈现给用户,实现了有效的辅助诊断,提高了诊治效率。

关键词： U-Net 脑卒中分割 Cox生存分析生存周期预测辅助诊断

基于张量神经网络和集成预测模型的医学影像处理方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于张量神经网络和集成预测模型的医学影像处理方法研究

作者：许晓文山东大学

学位级别：硕士

随着近几十年的医学成像技术的发展,磁共振影像已经广泛应用到医院的各种临床场景中,磁共振影像可以无创伤性地显示器官状态,给患者病情的早期检测和治疗计划提供必要的信息支持。脑部磁共振影像能够提供大脑活动状态视图,因此脑部磁共... 详细信息

随着近几十年的医学成像技术的发展,磁共振影像已经广泛应用到医院的各种临床场景中,磁共振影像可以无创伤性地显示器官状态,给患者病情的早期检测和治疗计划提供必要的信息支持。脑部磁共振影像能够提供大脑活动状态视图,因此脑部磁共振影像逐渐成为脑科学研究领域的重要研究工具。磁共振影像具有分辨率高、图像体素数多等图像特点,这极大地限制了以传统特征选择和分类为主的机器学习方法在脑部磁共振影像分析中的应用。随着脑部肿瘤疾病发病率的逐渐升高,脑部肿瘤疾病患者的生存周期预测的临床需求也日趋凸显。基于磁共振影像的生存分析研究不仅可以为患者诊疗方案的及时调整提供必要的信息支撑,也能为患者提供有参考价值的治疗心理预期。针对磁共振影像处理中面临的问题和相关临床需求,本文主要研究张量神经网络和集成预测模型在医学影像处理方面的应用,主要的创新和贡献主要在以下两个方面:(1)论文提出了基于张量神经网络的fMRI分类框架。该算法框架利用张量神经网络搭建浅且宽的磁共振影像分类框架,其不仅能够从全脑功能性磁共振影像中提取有效特征以提高大脑状态分析性能,而且能够大幅度压缩神经网络中的整体参数以解决磁共振影像分析中的“维度灾难”问题,从而削弱了应用在磁共振分析中的深度学习系统对设备要求过高的限制。相关分类框架在CMU数据集上进行了测试,实验结果证实,本文所提出的基于张量神经网络的分类框架优于传统方法。(2)论文提出了基于集成预测模型的脑胶质瘤患者生存周期预测框架。该算法框架首先对结构性磁共振影像进行多模态、多角度的特征提取,随后通过Kaplan-Merier生存曲线进行单变量的特征选择以筛选出有益特征,最后将筛选的有用特征通过集成模型完成生存周期的预测。该算法在Brats2018数据集上进行了测试,实验结果证实,本文所提出的基于集成预测模型的脑胶质瘤患者生存周期预测框架优于传统预测模型。

关键词：磁共振影像张量神经网络集成预测模型生存周期预测特征提取