贝叶斯网络结合多模态磁共振成像特征在大脑胶质瘤分级中的应用

摘要

脑肿瘤是对人类健康造成极大威胁的中枢神经系统常见疾病之一，其术前分级是一项非常重要但又很困难的临床任务。近年来，高级磁共振成像（如磁共振灌注成像和多体素磁共振波谱成像）可以提供更多关于肿瘤的诊断信息。而贝叶斯网络作为人工智能领域的一种有力工具可以结合不同类型信息并完成不确定性下的概率推理。因此，本文使用贝叶斯网络探究其结合多模态磁共振成像特征在大脑胶质瘤分级中的应用价值。
　　在特征提取中，本文所使用的特征有中线偏移特征、灌注成像特征、T1W增强特征和多体素磁共振波谱特征，它们都与肿瘤级别有很大联系。其中，我们提出了较为简单的中线偏移测量方法，根据临床诊断定义了T1W增强特征。对于灌注成像，我们提取肿瘤区灌注数据与对侧正常区灌注数据的比值作为灌注成像特征。对于多体素磁共振波谱，我们基于LCModel波谱量化软件提出了波谱特征的多重限定准则，提取胆碱、乙酰天门冬氨酸、乳酸、脂质等代谢物，并完成了波谱代谢物的可视化。
　　在构建网络进行分级中，本文依次使用中线偏移特征、灌注成像特征、灌注成像特征结合T1W增强特征、多体素磁共振波谱特征构建贝叶斯网络。网络结构由K2算法学习得到，分布参数由最大似然估计得到，分级正确率由留一法计算。我们发现在灌注特征中，区域脑血容量、平均通过时间和区域脑血流量对分级最有帮助，且它们与T1W增强特征结合可以提高分级正确率。在波谱特征中，我们发现胆碱、乙酰天门冬氨酸和脂质对分级最有帮助。本文也探讨了结合使用各类特征构建贝叶斯网络的分级效果，网络结构由半自动的方法确定，分布参数分别使用最大似然估计和最大化期望得到，分级正确率依然由留一法计算。我们发现灌注特征结合T1W增强特征对分级最有帮助，其次为波谱特征，最后是中线偏移。此外，期望最大化估计比最大似然估计更准确，但计算时间更长。

目录

声明

摘要

第一章 绪论

1．1 脑肿瘤分级的意义及现状

1．2 与脑肿瘤分级相关的磁共振影像学表现

1．3 计算机辅助诊断系统研究现状

1．4 论文组织结构

第二章 贝叶斯网络的原理与方法

2．1 贝叶斯网络的基本概念

2．1．1 贝叶斯网络的发展历史

2．1．2 贝叶斯网络的定义

2．1．3 贝叶斯网络中的条件独立性质

2．2 贝叶斯网络应用的组成部分

2．2．1 贝叶斯网络中的变量数目及其类型

2．2．2 贝叶斯网络中的结构学习

2．2．3 贝叶斯网络中的参数学习

2．2．4 使用贝叶斯网络进行概率推断和分类

2．3 本章小结

第三章 多模态磁共振成像特征提取

3．1 病人信息

3．2 磁共振成像扫描参数

3．3 占位效应特征提取

3．4 灌注成像原理与特征提取

3．4．1 灌注成像基本原理

3．4．2 灌注成像特征提取

3．5 T1W增强图像特征提取

3．6 磁共振波谱原理与特征提取

3．6．1 磁共振波谱原理

3．6．2 LCModel量化原理

3．6．3 使用LCModel量化多体素磁共振波谱

3．6．4 多体素波谱的可视化

3．6．5 LCModel量化结果的选取

3．7 本章小结

第四章 贝叶斯网络结合多模态磁共振成像特征的分级

4．1 贝叶斯网络应用流程

4．2 中线偏移的贝叶斯网络分级

4．3 灌注特征的贝叶斯网络分级

4．4 T1W增强特征结合灌注特征的贝叶斯网络分级

4．5 波谱特征的贝叶斯网络分级

4．6 多模态特征结合的贝叶斯网络分级

4．7 本章小结

第五章 总结与展望

5．1 总结

5．2 局限性及展望

致谢

参考文献

作者简介