声明
摘要
第1章 绪论
1.1 研究背景及意义
1.2 多模态数据融合方法介绍
1.3 研究现状及进展
1.3.1 基于组学数据的癌症生存期预测研究
1.3.2 基于病理图像的癌症生存期预测研究
1.3.3 基于组学和病理图像的癌症生存期预测研究
1.4 研究内容与组织安排
第2章 乳腺癌生存期预测相关多模态数据介绍
2.1 乳腺癌组学数据介绍
2.2 乳腺癌病理图像数据介绍
2.3 乳腺癌生存期预测数据获取
2.3.1 组学数据获取
2.3.2 病理图像数据获取
2.4 本章总结
第3章 融合组学与病理图像数据的多核学习生存期预测
3.1 榻述
3.2 数据提取与处理
3.2.1 TCGA组学数据提取与处理
3.2.2 TCGA病理图像数据提取与处理
3.3 多核学习算法
3.3.1 简单多核学习
3.3.2 融合组学与病理图像数据的多核学习生存期预测方法
3.4 评价标准
3.5 性能评估与比较
3.5.1 不同模态数据性能比较
3.5.2 现有的方法性能比较
3.5.3 乳腺癌病理图像特征提取分析
3.5.4 乳腺癌组学特征提取分析
3.5.5 乳腺癌各组学性能分析
3.5.6 乳腺癌各亚型生存期预测性能比较
3.6 本章总结
第4章 融合组学数据的深度神经网络生存期预测
4.1 概述
4.2 数据提取与处理
4.2.2 METABRIC数据集特征提取
4.3 深度神经网络介绍
4.4 融合组学数据的深度神经网络生存期预测方法
4.4.1 基于组学数据的深度神经网络构建
4.4.2 MDNNMD相关参数选择
4.5 性能评估与比较
4.5.1 不同模态深度神经网络模型性能比较
4.5.2 现有方法性能比较
4.6 独立测试集的构建与性能分析
4.7 乳腺癌组学特征分析
4.8 本章总结
第5章 融合组学与病理图像数据的混合深度神经网络生存期预测
5.1 概述
5.2 卷积神经网络
5.2.1 卷积神经网络介绍
5.2.2 LeNet-5卷积神经网络介绍
5.2.3 Inception V3卷积神经网络介绍
5.3 数据提取与处理
5.4 融合组学与病理图像的混合深度神经网络生存期预测方法
5.5 图像块选取方法
5.6 性能评估与比较
5.7 不同组学性能分析
5.8 深度神经网络特征响应分析
5.9 卷积神经网络图像块分类结果分析
5.10 本章总结
第6章 总结与展望
6.1 研究总结
6.2 研究展望
参考文献
附录 乳腺癌生存期预测相关图像特征及对应权重大小
致谢
在读期间发表的学术论文