2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩131頁未讀, 繼續(xù)免費閱讀

下載本文檔

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

文檔簡介

1、隨著超聲成像和醫(yī)學診斷技術(shù)的發(fā)展,超聲已成為乳腺癌檢查的主要影像學手段之一。然而,超聲影像的臨床分析主要通過醫(yī)生對圖像的定性評價完成,缺乏規(guī)范、定量的乳腺超聲表現(xiàn)描述,診斷結(jié)果與醫(yī)生的經(jīng)驗、水平、狀態(tài)等因素相關(guān)。通過計算機輔助分析方法,可客觀定量地分析超聲影像特征,減少主觀因素對診斷結(jié)果的影響;通過分析量化影像特征與病灶良惡性之間的關(guān)系,建立鑒別模型評估病灶惡性風險,可輔助醫(yī)生進行診斷,減少漏診和誤診。 本文的研究目標是全面量化

2、乳腺腫瘤的超聲征象,發(fā)現(xiàn)具有診斷信息的乳腺超聲影像特征的量化指標;利用量化圖像特征,建立可解釋的乳腺腫瘤良惡性鑒別模型,揭示量化特征與腫瘤良惡性之間的關(guān)系的關(guān)系,并使模型預測性能的敏感度較高同時保持適當?shù)奶禺愋裕沟糜嬎銠C輔助分析方法可提供明確的易于理解的輔助診斷建議。通過與醫(yī)生進行交流,總結(jié)醫(yī)生在臨床診斷中依據(jù)經(jīng)驗使用的視覺特征,明確這些視覺特征的含義,設計對應的計算方法進行量化,使得量化的圖像特征與人視覺一致、可直觀解釋,并提供有效

3、的診斷信息,為乳腺超聲表現(xiàn)的標準化描述提供基礎(chǔ);利用已有病例的超聲影像和臨床資料,通過統(tǒng)計學習方法建立可解釋的乳腺腫瘤良惡性鑒別模型,為臨床診斷提供參考建議。 本文的主要研究內(nèi)容包括: (1)乳腺超聲圖像的分割。這是進行乳腺超聲圖像特征提取和分析的必要前提。乳腺超聲圖像較為復雜,一般的圖像分割技術(shù)不能有效解決乳腺超聲圖像的分割問題。醫(yī)生手工分割存在工作量大、定位不準確的問題,且不同醫(yī)生勾畫的腫瘤邊界會有一定差異,不利于圖

4、像特征的統(tǒng)計分析。歸一化圖割和live-wire分別用于實現(xiàn)乳腺超聲圖像的自動和交互式分割。歸一化圖割方法利用了圖像中低層和高層各種信息,結(jié)合提出的先驗規(guī)則,可得到與手工勾畫近似的分割結(jié)果。live-wire交互式分割的進程由醫(yī)生控制,可精確定位病灶邊界,又能有效結(jié)合醫(yī)生的領(lǐng)域知識和經(jīng)驗,更為重要的是live-wire分割結(jié)果可重復,醫(yī)生提取的腫瘤輪廓差異小,在此基礎(chǔ)上進行特征提取和分析,可得到穩(wěn)定、可靠的統(tǒng)計結(jié)果。 (2)乳腺

5、腫瘤超聲圖像特征的量化。以BI-RADS乳腺超聲征象的定性描述為依據(jù),從乳腺腫瘤的形狀、邊緣、朝向、邊界、回聲衰減和回聲模式等六個方面量化超聲圖像特征。統(tǒng)計分析發(fā)現(xiàn),乳腺腫瘤形狀特征區(qū)分良惡性的能力相對較強。進一步地,將大量形狀度量都歸結(jié)為形狀復雜度,提出將形狀復雜度作為乳腺腫瘤形狀特征的一個綜合指標,并設計了相應的算法,獲得了與視覺感知較為一致且鑒別腫瘤良惡性能力強的形狀復雜度度量。另外,依據(jù)臨床觀察,腫瘤形狀的不對稱通常是惡性信號。

6、提出了一種基于面積積分不變量的多尺度對稱度,研究了乳腺良、惡性腫瘤形狀對稱性之間的差異,尺度對對稱度的影響。實驗結(jié)果表明,良、惡性乳腺腫瘤的鏡像對稱性顯著不同,驗證了良性腫瘤普遍比惡性腫瘤對稱的經(jīng)驗規(guī)律;在合適的尺度下,提出的對稱性度量可以體現(xiàn)并量化腫瘤形狀的鏡像對稱性,對于乳腺腫瘤良惡性鑒別具有一定價值。 (3)乳腺超聲圖像特征解釋。本質(zhì)上,量化的圖像特征與乳腺腫瘤良惡性風險之間的關(guān)系是非線性的。這樣,在提供量化特征指標的同時

7、,需要給出這些量化特征與腫瘤惡性風險之間的關(guān)系。本文以Boosting方法產(chǎn)生的決策樹集成模型作為量化特征與腫瘤惡性風險之間關(guān)系的逼近,采用特征重要性度量評價量化特征對良惡性鑒別的重要性,量化特征的變化對腫瘤惡性風險的影響用偏依賴圖進行表達,為醫(yī)生使用單個量化特征提供可視化的參考。 (4)乳腺腫瘤良惡性鑒別模型。以量化圖像特征為輸入變量,采用統(tǒng)計學習方法構(gòu)造乳腺腫瘤良惡性鑒別模型,實現(xiàn)腫瘤良惡性鑒別,為醫(yī)生提供診斷建議和參考。提

8、出了代價敏感的Boosting和最大化ROC(ReceiverOperatingCharacteristicCurve)曲線下面積(AUC)的規(guī)則集成方法,通過最小化代價加權(quán)的間隔損失函數(shù)和最大化AUC構(gòu)建鑒別模型,實現(xiàn)了鑒別模型敏感度和特異性的特定要求。其中,規(guī)則集成方法產(chǎn)生一組線性加權(quán)的簡單規(guī)則,在形式上與醫(yī)生使用的鑒別診斷規(guī)則有一定相似性,可看做一個惡性風險評分規(guī)則系統(tǒng),易于理解;最大化AUC策略可有效優(yōu)化預測模型的AUC,評分規(guī)

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(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)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(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)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。

最新文檔

評論

0/150

提交評論