论文部分内容阅读
脑胶质瘤是常见的脑部肿瘤,其分级预测在临床上对患者治疗方案确定及预后具有重大意义。影像科医生通常根据多个序列的磁共振成像(Magnetic Resonance Imaging,MRI)联合分析对脑胶质瘤进行分级,影像检查的普及使得影像科医生面临越来越大的工作压力。随着现在计算机信息技术与大数据计算技术的成熟与快速发展,计算机技术的辅助诊断被广泛应用于临床医学领域,为医生提供了更加高效的专业医疗手段。当前针对脑胶质瘤研究方向众多,在影像组学研究中利用多序列学习对肿瘤进行分级取得显著成果。多序列学习是脑胶质瘤分级的研究热点,能够从不同角度对脑胶质瘤数据进行分析,基于序列之间的多样性,实现对多发性脑胶质瘤的精准诊断和分级。本文主要研究基于多序列最大熵判别模型及其改进方法,实现脑胶质瘤精准分级。本文使用公开数据集Bra TS2017和河南省人民医院脑胶质瘤数据集Glioma HPPH2018进行实验验证,两组数据集均包含四个脑胶质瘤MRI序列:即T1加权成像序列(T1-weighted imaging,T1WI)、T2加权成像序列(T2-weighted imaging,T2WI)、增强T1加权成像序列(contrast-enhanced T1-weighted imaging,CET1)及液体衰减反转恢复序列(Fluid attenuated inversion recovery,Flair)。针对两组数据集,首先进行影像分割,然后对影像数据进行特征工程处理,最后针对多序列脑胶质瘤分级模型进行训练。本文主要研究内容如下:1.提出基于多序列的最大熵判别模型(Multi-sequence maximum entropy discrimination,MSMED)。该模型主要从多序列出发,引入四个参数构建最大熵判别,建立多序列最大熵判别模型,使用相对熵作为目标函数求解。利用各序列之间边缘一致性准则和四个序列的差异性与互补性,提高了脑胶质瘤的分级精准率。实验结果表明基于多序列的最大熵判别模型对脑胶质瘤的分级效果要优于单序列的脑胶质瘤分级模型,相对于单序列训练结果最好的T1WI序列的平均AUC(Area Under Curve)值,Bra TS2017和Glioma HPPH2018数据集在MSMED模型上的平均AUC值比MED模型分别高出约13%和8%。2.提出基于多序列的AdaBoost MED(Multi-sequence AdaBoost-MED,MABMED)模型。MABMED模型以最大熵判别模型为弱分类器,采用AdaBoost算法思想对脑胶质瘤四个不同的序列及样本权重进行迭代更新,引入新的参数a_k用来表示不同序列之间的同异性与价值,最终将所有弱分类器组合得到一个强分类器,从而对脑胶质瘤进行分级,提升了脑胶质瘤诊断与分级的准确率。实验结果表明相同条件下,MABMED模型的脑胶质瘤分级效果更好。Bra TS2017和Glioma HPPH2018数据集在MABMED模型训练的平均AUC值分别为0.9485和0.9612,平均正确率分别为92.57%和93.19%。