基于醫(yī)學影像和基因數(shù)據(jù)的肺癌輔助診斷方法研究

第1章 緒論
1.1 研究背景和意義
1.2 國內(nèi)外研究現(xiàn)狀
1.2.1 肺結(jié)節(jié)分割
1.2.2 肺癌亞型分類
1.2.3 肺癌分期
1.2.4 肺癌影像預測基因突變
1.3 本書主要研究內(nèi)容
1.4 本書的組織結(jié)構(gòu)
第2章 基于超體素3D區(qū)域增長的疑難型肺結(jié)節(jié)分割方法
2.1 引言
2.2 相關工作
2.3 數(shù)據(jù)預處理
2.3.1 前景區(qū)域的分離及種子點的自動定位
2.3.2 3D掩模的構(gòu)建
2.4 3D超體素的構(gòu)建
2.4.1 超體素的構(gòu)建原理
2.4.2 超體素的構(gòu)建過程
2.5 模糊連通圖的構(gòu)建
2.5.1 模糊鄰接關系及模糊鄰接度
2.5.2 模糊連通性及模糊連通圖的構(gòu)建
2.6 基于超體素的3D區(qū)域增長
2.7 實驗與結(jié)果
2.7.1 實驗數(shù)據(jù)集及環(huán)境
2.7.2 不同方法的定性評估
2.7.3 不同方法之間的3D分割的單切片結(jié)果比較
2.7.4 不同區(qū)域增長方法之間的定量比較
2.7.5 與相關研究的比較
2.8 討論
2.8.1 傳統(tǒng)3D區(qū)域增長方法的閾值設置
2.8.2 參數(shù)γ1和γ2的設置
2.8.3 所提方法的局限性
2.9 本章小結(jié)
第3章 基于DNA甲基化的MLW-gcForest肺癌亞型分類模型
3.1 引言
3.2 相關工作
3.3 gcForest模型
3.4 MLW-gcForest模型
3.4.1 權(quán)重α的計算
3.4.2 排序優(yōu)選算法
3.5 實驗與結(jié)果
3.5.1 數(shù)據(jù)集及實驗設置
3.5.2 與傳統(tǒng)方法的結(jié)果對比
3.5.3 模型處理小樣本數(shù)據(jù)的能力
3.5.4 模型緩解過擬合的風險
3.5.5 與相關研究的性能對比
3.6 討論
3.6.1 主要參數(shù)設置
3.6.2 不同組學數(shù)據(jù)分類性能比較
3.7 本章小結(jié)
第4章 基于多組學基因數(shù)據(jù)的IMLW-gcForest肺癌分期模型
4.1 引言
4.2 相關工作
4.3 IMLW-gcForest模型及多組學決策融合
4.3.1 多組學基因數(shù)據(jù)預處理
4.3.2 IMLW-gcForest
4.3.3 多組學模型決策級融合
4.4 實驗與結(jié)果
4.4.1 數(shù)據(jù)集和實驗設置
4.4.2 基于基因表達、DNA甲基化、拷貝數(shù)變異的肺腺癌分期模型
4.4.3 基于多組學基因數(shù)據(jù)的肺腺癌分期模型
4.4.4 多組學基因數(shù)據(jù)模型和單種基因數(shù)據(jù)模型的比較
4.4.5 模型在小樣本數(shù)據(jù)集上的有效性
4.4.6 模型防止過擬合的能力
4.5 討論
4.5.1 不同加權(quán)策略下模型的性能對比
4.5.2 隨機森林中決策樹的數(shù)量設置
4.5.3 與其他分期研究的對比
4.6 本章小結(jié)
第5章 CT影像預測肺癌EGFR/KRAS基因突變的MMDL模型
5.1 引言
5.2 相關工作
5.3 MMDL模型總體框架
5.4 ROI的提取
5.5 Inception-attention-resnet模型的構(gòu)建
5.5.1 Inception-resnet-V2模型
5.5.2 注意力模塊
5.5.3 Inception-attention-resnet模型
5.6 模型的遷移學習
5.7 多通道決策融合
5.8 實驗與結(jié)果
5.8.1 數(shù)據(jù)集
5.8.2 與傳統(tǒng)方法的比較
5.8.3 與其他深度模型的比較
5.8.4 模型的可視化
5.8.5 多視圖結(jié)果的對比
5.8.6 與相關研究的對比
5.9 討論
5.9.1 遷移學習對分類結(jié)果的影響
5.9.2 病歷信息對分類結(jié)果的影響
5.9.3 注意力機制對分類結(jié)果的影響
5.10 本章小結(jié)
第6章 總結(jié)與展望
6.1 總結(jié)
6.2 展望
縮略語
參考文獻