基于數(shù)據(jù)融合的GBM組織分離方法研究.pdf

1、膠質(zhì)母細(xì)胞瘤（Glioblastoma）即GBM,是膠質(zhì)細(xì)胞瘤病變程度最嚴(yán)重的形式，是最高等級(jí)的膠質(zhì)細(xì)胞瘤。核磁共振成像（Magnetic resonance imaging,MRI）和核磁共振譜成像（Magnetic resonance spectroscopic imaging,MRSI）是醫(yī)療診斷領(lǐng)域中特別是人腦腫瘤檢測(cè)中最主要最權(quán)威的檢測(cè)手段。然而單一的成像手段均無法對(duì)GBM的組織類型進(jìn)行有效的分離，通過數(shù)據(jù)融合的手段可以得到包

2、括兩種數(shù)據(jù)特征的融合結(jié)果。針對(duì)MRSI波譜數(shù)據(jù)與MRI圖像數(shù)據(jù)的多模態(tài)數(shù)據(jù)融合問題，本文基于數(shù)據(jù)融合理論，利用非負(fù)矩陣分解理論和小波分析方法研究了一種非監(jiān)督的多模態(tài)數(shù)據(jù)GBM組織分離方法，主要工作和貢獻(xiàn)如下：
　　1、研究了一種基于小波分解的多模態(tài)醫(yī)學(xué)數(shù)據(jù)融合方法，將數(shù)據(jù)融合融入到hNMF(Hierarchical non-negative matrix factorization)的GBM識(shí)別框架中，提升了識(shí)別的準(zhǔn)確率。

3、　　2、研究了了一種在hNMF多個(gè)層次分解中確定特征波譜的新的法則，針對(duì)GBM病例代謝特征不穩(wěn)定的現(xiàn)狀，對(duì)其MRSI數(shù)據(jù)實(shí)現(xiàn)了更加有效的分解，通過分解確立了正確的正常，腫瘤以及壞死組織的特征波譜，獲得了相應(yīng)組織類型的空間分布。
　　3、采用峰值積分的方法對(duì)MRSI數(shù)據(jù)特征進(jìn)行提取，量化MRSI數(shù)據(jù)中關(guān)鍵的代謝成分，通過實(shí)驗(yàn)確定了所提取的代謝物及其范圍。峰值積分后的MRSI仍然可以有效對(duì)組織類型進(jìn)行分離，同時(shí)大大減少了非負(fù)矩陣分解的