题名 | 基于Unet编码块迁移学习的胃印戒细胞癌诊断研究 |
作者 | 李聪 |
答辩日期 | 2021-05-17 |
文献子类 | 硕士 |
授予单位 | 中国科学院大学-中国科学院自动化研究所 |
授予地点 | 北京市海淀区中国科学院自动化研究所智能化大厦910 |
导师 | 胡振华 |
关键词 | 胃印戒细胞癌 迁移学习 深度学习 诊断 生存期 |
学位专业 | 模式识别与智能系统 |
英文摘要 | 胃癌是我国高发癌种之一,其中胃印戒细胞癌(Signet-ring Cell Carcinoma)是胃癌的一种组织学亚型,属于高度恶性肿瘤,具有侵袭力强、病程进展快的特点。胃印戒细胞癌的精准诊断对患者治疗方案的制定具有重要指导意义,基于现有医学影像难以诊断胃印戒细胞癌,临床上通过穿刺活检确诊胃印戒细胞癌,费时费力且存在采样误差等缺陷,缺乏快速且无创的诊断工具。深度学习能够基于CT(Computed Tomography)影像提取肿瘤定量特征,进而开展肿瘤的无创诊断,但由于胃癌病灶形状不规则,深度学习模型的精度受到病灶周围无关组织的影响。针对上述挑战,本文在迁移学习机制下建立了一个非侵入性的人工智能模型,开展了胃印戒细胞癌的诊断和术后化疗疗效预测分析。具体的,本文的创新工作包含以下三个方面:1)开展了基于窗位窗宽参数的CT图像预处理研究;2)提出了基于Unet编码块迁移学习构建胃印戒细胞癌深度学习模型的方法;3)建立了胃印戒细胞癌多层次特征融合诊断模型。本文的主要工作和贡献如下: 1、针对CT影像中包含大量噪声信息的问题,本文开展了基于窗位窗宽参数的图像预处理研究。该方法创新地将临床医生的先验知识应用于数据,排除了图像中无关组织的影响,提高了图像的对比度。在此基础上,本文针对每个CT影像数据提取了448个预定义特征,并基于显著特征建立了一个胃印戒细胞癌影像组学诊断模型。模型的AUC(Area Under the Receiver Operating Characteristic Curve)值在测试集(257名患者)中达到0.700,相较于单特征模型,精度提高了4.8%。 2、针对深度学习模型会纳入病灶感兴趣区域外无关组织信息的问题,本文提出了基于Unet编码块迁移学习构建胃印戒细胞癌深度学习诊断模型的方法。创新包含以下内容:首先,本文采用Unet模型作为语义分割网络,训练了一个病灶分割模型;然后,在Unet编码块结构基础上附加三个全连接层,将其作为深度学习诊断模型。深度学习模型的参数使用Unet编码块权重进行初始化,然后通过微调得到稳定的胃印戒细胞癌深度学习诊断模型。该策略为模型引入了病灶空间注意力机制,使得胃印戒细胞癌深度学习模型能够提取到肿瘤的特异性信息。该模型在测试集上的AUC值达到0.716,相对于影像组学模型和随机初始化的深度学习模型,精度分别提高了2.3%和1.7%。 3、针对于预定义特征难以全面刻画肿瘤异质性的问题,本文建立了融合预定义特征、深度学习特征和显著临床因子的融合诊断模型,在胃印戒细胞癌精准诊断问题上具有良好的性能。融合模型的AUC值、敏感性和特异性分别为0.786、77.3%和69.2%,所有指标显著优于影像组学模型、深度学习模型和临床模型。此外,大量的实验验证了融合模型的鲁棒性。进一步的研究结果表明,融合模型与病理确定的胃印戒细胞癌标签在预测总生存期方面具有一致的性能。更重要的是,在经过病理学证实的晚期胃印戒细胞癌患者中,模型能够筛选出可从化疗中获益的患者。 综上所述,本文提出了基于迁移学习机制的深度学习模型和融合多层次特征建模方法。基于该方法构建胃印戒细胞癌非侵入诊断模型,模型在胃印戒细胞癌诊断和化疗疗效评估方面具有良好的性能。相关方法本人以第一作者发表于IEEE Journal of Biomedical and Health Informatics(中科院二区,影响因子:5.223),以共同第一作者在本领域国际主流期刊发表一篇SCI论文。 |
语种 | 中文 |
页码 | 84 |
内容类型 | 学位论文 |
源URL | [http://ir.ia.ac.cn/handle/173211/44764] |
专题 | 自动化研究所_中国科学院分子影像重点实验室 |
推荐引用方式 GB/T 7714 | 李聪. 基于Unet编码块迁移学习的胃印戒细胞癌诊断研究[D]. 北京市海淀区中国科学院自动化研究所智能化大厦910. 中国科学院大学-中国科学院自动化研究所. 2021. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论