基于放射組學的肺ROI特征提取與選擇和結節(jié)的良惡性分類.pdf_第1頁
已閱讀1頁,還剩63頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、眾所周知,癌癥是目前全球發(fā)病率和死亡率最高的疾病之一。通過活體檢查的方式對腫瘤的良惡性進行診斷,不僅需要對患者做入侵手術,而且不利于醫(yī)生對腫瘤異質性的觀察。放射組學通過對放射影像中獲取的可描述性特征的量化和分析,將腫瘤表型和療效評估對應起來,為醫(yī)生對肺癌患者進行臨床上的診斷提供了良好的依據(jù)。
  近年來,深度學習方法被廣泛應用于醫(yī)學圖像處理領域。利用原始放射影像進行深度學習雖然可以獲得良好的識別效果,但由于其封閉的學習方式,無法得

2、知圖像特征與分類結果間的關系,而采用傳統(tǒng)的淺層機器學習方法通常具有一定的局限性。本文主要主要研究工作如下:
  (1)采用傳統(tǒng)的統(tǒng)計方法從肺部 CT圖像的感興趣區(qū)域中提取了幾何特征、紋理特征和直方圖特征,共143維特征向量作為原始特征集,用于結節(jié)的良惡性分類。
  (2)受基因組學在基因選擇中的啟發(fā),在Relief特征選擇算法中引入遞歸特征排除策略,形成RFE-Relief特征選擇算法,克服了Relief算法中不能去除冗余特

3、征的缺點,最終得到包含有46維特征向量且與結節(jié)良惡性相關性強的低維特征子集。
  (3)構建了一個由三層受限玻爾茲曼機構成的深度置信網(wǎng)絡模型,并在頂層加入Softmax分類器,將由46維特征向量構成的特征子集作為DBN的輸入,通過對RBM和Softmax的逐層訓練和微調實現(xiàn)對結節(jié)的良惡性分類。
  實驗結果表明,最終的分類精確度為93.8%。通過特征選擇,不僅降低了算法的運行時間和效率,還提高了分類的精確度,可以輔助臨床醫(yī)生

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論