论文部分内容阅读
在一线治疗的非小细胞肺癌(Non-Small Cell Lung Cancer,NSCLC)患者中,检测表皮生长因子受体(epidermal growth factor receptor,EGFR)基因突变的状态,已经成为决定患者是否能够应用EGFR酪氨酸激酶抑制剂(EGFR-tyrosine kinase inhibitor,EGFR-TKI)药物治疗的先决条件。然而,在患者意愿、组织样本获取方式(活检、手术切除等)、组织样本质量控制、采集费用、肺癌组织异质性影响检测准确度等方面,EGFR突变检测仍面临一些挑战。作为一种无创的、高分辨的快速成像方式,CT在肺癌检测和诊断过程中同样也发挥重要作用。本研究的主要目的是考察肺癌CT影像特征与EGFR基因突变之间是否存在关联,建立一个基于CT影像特征的EGFR基因突变预测(或分类)模型。本文主要的工作内容:(1)本文对从盛京医院所采集的110例肺癌CT图像数据进行了深入分析,按照放射科医生的指导确认肿瘤区域和相关重要特征。通过使用自适应区域生长的方式对肺癌区域进行了分割,完成了对肺癌区域的提取工作。(2)其次,基于过往学者在肺癌特征提取领域的研究成果,避免肿瘤外部特征对于最终分类效果的影响,并结合肺癌区域的分割结果,本文分别使用了 Haralick特征计算方法和LBP特征计算方法提取了一共44个纹理特征,其中使用Haralick计算方法提取了 26个纹理特征,使用LBP特征计算方法提取了 18个纹理特征,为进一步的分类工作做好准备。(3)本文将采集到的110例数据平均分为5组,选取其中一组作为测试集,其他四组作为训练集:分别采用支持向量机SVM算法、BP神经网络算法和LEM算法对前面提取的44个纹理特征以五折交叉验证的方式进行训练预测,建立了基于CT影像特征的EGFR基因突变预测(或分类)模型;最后再对通过这三种分类方法训练预测所得到的预测模型进行分析评估。结果表明,采用ELM算法对EGFR基因突变肺癌患者的CT影像的纹理特征进行分类预测的效果最好,而采用BP神经网络算法对纹理特征进行分类预测的效果要好于采用SVM算法,SVM分类器学习预测效果最差。因此基于肺癌患者CT的影像特征(主要是纹理特征),建立一个EGFR基因突变的预测(或分类)模型,可能可以识别出EGFR基因突变的肺癌患者,帮助临床医生决策是否采用EGFR-TKI药物治疗。