基于定量影像组学的肺结节良恶性预测

发布时间：2017-07-30 06:32

  本文关键词：基于定量影像组学的肺结节良恶性预测

  更多相关文章： 影像组学 特征提取和选择 最小冗余最大相关 遗传算法 支持向量机

【摘要】：在全球范围内,癌症严重危害人类健康,其中肺癌是所有癌症中最普遍和最致命的。肺癌的早期诊断可以提高肺癌病人的存活率,由此可见肺癌的早期诊断对肺癌的治疗至关重要。目前活体组织检查是协助临床医生确定肺肿瘤良恶性的主要诊断方法。基于分子检测的活体组织检查需要侵入式的手术取出病人的一小部分病变组织进行分析。由于,肺肿瘤空间和时间的异质性,限制了这种方法的使用,但是医学影像却可以获取肿瘤内异质性。目前临床上缺少一种具有高精度的,非侵入式的肺结节良恶性预测方法。影像组学是一个新兴领域,通过提取大量的定量图像特征,构建描述肿瘤和临床表现的模型,建立图像特征和临床表型的关联,进而进行肿瘤的诊断和临床表型的预测。由此可见,采用影像组学的方法可以解决上述难题。影像组学通常包括五个处理过程:(1)图像的获取;(2)图像的分割;(3)特征提取和选择;(4)构建预测模型(5)信息学分析。本文采用影像组学的方法构建预测肺结节良恶性的模型。第一,图像获取,从美国肺部图像数据联盟数据库上选取了593例肺结节病人的数据,根据该数据库上提供的良恶性信息将593例数据分为两类,恶性和良性。在这593例数据上设计出训练集和验证集,测试集中有400例数据,其中良性结节200例,恶性结节200例。验证集有193例数据,其中良性结节71例,恶性结节122例。然后使用自动分割算法分割所有的数据,从病人的计算机断层图像中分割出肺结节。提取了四类定量影像组学特征,包括肿瘤强度特征、肿瘤形状大小特征、肿瘤纹理特征和小波特征,共提取了200定量图像特征。特征之间的相关性和冗余度会降低分类的准确度,对提取的特征空间使用基于最小冗余最大相关的特征选择方法,确定了一个包含15个定量特征的特征子集。最后,为了得到理想的分类精度,利用遗传算法对支持向量机的误差惩罚参数和核参数进行优化,先对训练集特征数据做归一化处理然后求出最优参数。利用支持向量机训练出肺结节良恶性预测模型,并在验证集上进行验证。训练集上预测的准确达到86.0%,测试集上预测的准确率达到76.1%。由于计算机断层图像在临床中经常使用,本文构造的预测模型可以用于协助临床医生进行肺结节良恶性的诊断。
【关键词】：影像组学 特征提取和选择 最小冗余最大相关 遗传算法 支持向量机
【学位授予单位】：哈尔滨理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;R734.2
【目录】：

• 摘要5-7
• Abstract7-11
• 第1章 绪论11-14
• 1.1 课题研究的背景及意义11-12
• 1.2 影像组学研究现状12-13
• 1.3 本文主要工作及文章结构13-14
• 第2章 影像组学方法和临床数据的获取14-18
• 2.1 影像组学特点14-15
• 2.2 影像组学方法过程15-16
• 2.3 临床数据的获取16
• 2.4 本章小结16-18
• 第3章 影像组学图像分割算法的研究和选择18-24
• 3.1 影像组学图像分割算法面临的挑战18-19
• 3.2 图像分割方法的选择19-23
• 3.2.1 基于边缘的图像分割算法19-20
• 3.2.2 基于区域的图像分割算法20-22
• 3.2.3 分割算法的选择22-23
• 3.3 本章小结23-24
• 第4章 定量影像组学特征的提取和选择24-36
• 4.1 引言24
• 4.2 特征提取24-26
• 4.2.1 特征介绍和提取24-26
• 4.3 特征选择26-31
• 4.3.1 特征选择的定义与作用26-28
• 4.3.2 特征选择的一般过程28-31
• 4.3.3 常用特征选择算法31
• 4.4 最小冗余最大相关特征选择算法31-34
• 4.4.1 相关性度量31-32
• 4.4.2 冗余度度量32
• 4.4.3 最小冗余最大相关算法32-34
• 4.5 本章小结34-36
• 第5章 建立基于影像组学的肺结节良恶性预测模型36-45
• 5.1 支持向量机36-37
• 5.2 遗传算法37-40
• 5.2.1 算法简介及特点37-38
• 5.2.2 遗传算法的基本概念38-40
• 5.3 肺结节良恶性预测模型的建立与预测结果分析40-44
• 5.3.1 肺结节良恶性预测模型的建立40-42
• 5.3.2 预测结果分析42-44
• 5.4 本章小结44-45
• 结论45-47
• 参考文献47-52
• 攻读硕士学位期间发表的学术论文和专利52-53
• 致谢53

【参考文献】

中国期刊全文数据库 前1条

1 ;Online LS-SVM for function estimation and classification[J];Journal of University of Science and Technology Beijing(English Edition);2003年05期

，

本文编号：592913