论文部分内容阅读
脑胶质瘤是一种最常见的原发性脑肿瘤,具有较高的发病率和死亡率,即使采取最积极的治疗,预后也比较差。分子生物标志物O6-甲基鸟嘌呤-DNA-甲基转移酶(MGMT)启动子甲基化状态与胶质瘤患者的化疗效果及其预后密切相关,其状态的检测对患者具有重要的意义。目前的检测方法大多是基于活体组织的侵入式检测,本文提出一种无创的定量影像分析方法来预测MGMT启动子甲基化状态。该方法主要包含了影像的分割、特征提取与选择以及分类预测,本文将围绕这三个方面展开具体的研究。影像的分割是整个检测过程的关键,其结果直接影响后续影像的分析。本文提出一种基于多模态卷积神经网络的自动分割方法来将患者MRI影像分割为水肿区、增强区、非增强区、坏死区以及健康区五个子区域。为了充分利用多个模态影像的差异信息,针对每个模态影像都分别构建一个卷积神经网络特征提取器,然后将其组合来训练分类,从而优化分割结果。其次在模型中使用两个具有小卷积核的卷积层来替代一个具有较大卷积核的卷积层,从而来提高模型的判别能力。公开数据集的验证结果显示了本方法能够有效准确的分割出脑胶质瘤各个子区域。与其它算法的对比结果显示了本方法能够更加全面的分割出肿瘤点。特征提取是整个定量影像分析的核心,其中直方图特征和纹理特征被广泛应用于影像分析领域。本文结合多个模态影像和多个感兴趣区域,使用直方图分析方法以及灰度共生矩阵、灰度游程矩阵、灰度区域矩阵、邻域灰度差异矩阵四种统计型纹理分析方法来获取大量一阶、二阶以及高阶特征,为后续影像特征与MGMT甲基化状态之间的关联性分析提供更多有力支持。针对提取的影像特征,采用相关性特征选择方法来去除无关和冗余特征,尝试为MGMT甲基化状态检测提供一个具有显著判别能力的影像学标志物。为了实现MGMT启动子甲基化状态的分类预测,采用随机森林(RF)和支持向量机(SVM)两种分类算法来构建预测模型,并采用留一法交叉验证方法来进行模型的训练与验证。通过实验,得到基于RF和SVM模型的AUC值分别为0.898、0.768,实验结果表明了本文设计的定量影像分析模型在MGMT甲基化状态检测上的有效性和准确性,且RF模型具有更好的分类效果。对比于现有的定量影像分析的MGMT状态检测方法,本文研究了多种成像模态影像、感兴趣区域以及影像特征分析方法下的潜在特征组合来构建检测模型,相比单一因素下的特征具有更好的分类效果。