目的膠質(zhì)母細(xì)胞瘤(glioblastoma multiforme,GBM)是由星形膠質(zhì)細(xì)胞分化形成的顱內(nèi)原發(fā)惡性腫瘤,具有生存率低、致殘率高、病死率高等特點(diǎn),對(duì)患者傷害巨大,無(wú)論是疾病的診斷、治療方案的提出還是預(yù)后觀察,均需對(duì)GMB進(jìn)行定位和診斷。多模態(tài)MR圖像含有豐富的組織結(jié)構(gòu)信息,被廣泛地應(yīng)用于GBM的診療。目前臨床上主要依賴放射科醫(yī)生利用MR圖像手動(dòng)分割GBM,但其組織在MR圖像中存在灰度差異不明顯、周圍常有水腫、邊界不清等問(wèn)題,且專家手動(dòng)分割復(fù)雜繁瑣、可重復(fù)性差。因此,精確手動(dòng)分割GBM存在極大挑戰(zhàn)。自動(dòng)方法可以避免因人為因素造成的誤分割,結(jié)果相對(duì)客觀,能極大程度地減輕醫(yī)生工作強(qiáng)度。因此,自動(dòng)分割GBM多模態(tài)MR圖像具有極其重要的臨床意義。方法針對(duì)現(xiàn)有大多數(shù)GBM多模態(tài)MR圖像分割算法未實(shí)現(xiàn)細(xì)分割腫瘤區(qū)域的問(wèn)題,本文提出了一種基于隨機(jī)森林的GBM多模態(tài)MR圖像分割方法。首先,配準(zhǔn)GBM 3個(gè)模態(tài)MR圖像后使用N4ITK方法進(jìn)行偏置場(chǎng)校正;其次,提取MR圖像的位置特征、強(qiáng)度特征、紋理特征、上下文特征和對(duì)稱特征后,應(yīng)用隨機(jī)森林分類器獲得初步分割結(jié)果;最后,移除小于200像素的區(qū)域后...

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
中文摘要
ABSTRACT
前言
第一部分 基于隨機(jī)森林的GBM多模態(tài)MR圖像分割
    一、隨機(jī)森林概述
        （一）決策樹(shù)的基本原理
            1. 決策樹(shù)的劃分與選擇
            2. 決策樹(shù)的剪枝處理
        （二）Bagging集成理論
        （三）隨機(jī)森林模型
    二、圖像預(yù)處理
    三、底層特征提取
        （一）位置特征
        （二）強(qiáng)度特征
        （三）紋理特征
        （四）上下文特征
        （五）對(duì)稱特征
    四、初步分割
    五、后處理
    六、材料與設(shè)備
        （一）實(shí)驗(yàn)材料
        （二）實(shí)驗(yàn)設(shè)備
    七、實(shí)驗(yàn)方法
    八、實(shí)驗(yàn)結(jié)果
    九、小結(jié)
第二部分 基于三維區(qū)域生長(zhǎng)的GBM多模態(tài)MR圖像分割
    一、區(qū)域生長(zhǎng)法概述
        （一）區(qū)域生長(zhǎng)法的基本原理
            1. 像素種子點(diǎn)的選取
            2. 區(qū)域生長(zhǎng)停止條件
            3. 區(qū)域生長(zhǎng)法的優(yōu)點(diǎn)
    二、基于三維區(qū)域生長(zhǎng)的GBM多模態(tài)MR圖像分割
        （一）分析腫瘤區(qū)域分?jǐn)?shù)置信度和精度的關(guān)系
        （二）多種子點(diǎn)三維區(qū)域生長(zhǎng)分割
        （三）精確分割
        （四）后處理
    三、實(shí)驗(yàn)方法
    四、實(shí)驗(yàn)結(jié)果
    五、小結(jié)
第三部分 結(jié)論與展望
    一、結(jié)論
    二、展望
參考文獻(xiàn)
致謝
文獻(xiàn)綜述
    參考文獻(xiàn)



本文編號(hào)：3843995