典型文献
基于深度学习的脑肿瘤分级预测方法研究
文献摘要：
目的:针对基于MRI图像对脑胶质瘤分级困难的问题,提出一种基于深度学习的脑肿瘤分级预测方法.方法:采用BraTS 2019数据集中的病例作为研究对象,基于深度学习构建由脑肿瘤分割模型、脑肿瘤分类模型及患者术后生存周期预测模型3个部分组成的脑肿瘤分级预测模型(brain tumor grading model,BTGM).首先,基于MRI图像提取深度学习特征并完成脑肿瘤图像的分割;其次,基于监督学习方法对分割后的肿瘤图像进行分级预测;最后,基于多项式分析法,并结合患者的年龄等生理数据,预测术后脑肿瘤患者的生存周期.通过阳性预测值(positive predictive value,PPV)、Dice系数及敏感度(Sensitivity)评价分割模型的分割效果,通过预测准确率评价分类模型的分级效果,通过和方差(sum of squared error,SSE)、R平方系数评价患者术后生存周期预测模型的拟合结果.结果:分割结果表明,分割准确率(PPV)为89.1％、Dice系数为83.1％、Sensitivity为82.3％;分类结果表明,对脑肿瘤级别的预测准确率为98％;术后生存周期预测结果表明,均值处理后SSE约为初次拟合(1.302×107)的十分之一,R平方系数更接近于1.结论:基于深度学习的BTGM模型可以达到预测脑肿瘤等级的目的,能够较好地辅助医师在患者发病早期做出脑肿瘤级别的判断.
文献关键词：
深度学习;脑肿瘤分级;高级别胶质瘤;低级别胶质瘤;MRI图像;辅助诊断
中图分类号：
作者姓名：
闻亮;于跃;梁国标;李贞妮
作者机构：
北部战区总医院神经外科,沈阳 110016;中国医科大学,沈阳 110122;东北大学信息科学与工程学院,沈阳 110819
文献出处：
引用格式：
[1]闻亮;于跃;梁国标;李贞妮-.基于深度学习的脑肿瘤分级预测方法研究)[J].医疗卫生装备,2022(12):1-7
A类：
脑肿瘤分级,BTGM
B类：
脑胶质瘤,胶质瘤分级,BraTS,脑肿瘤分割,分割模型,肿瘤分类,分类模型,术后生存,周期预测,分级预测模型,brain,tumor,grading,model,图像提取,深度学习特征,监督学习,多项式,生理数据,后脑,肿瘤患者,阳性预测值,positive,predictive,value,PPV,Dice,Sensitivity,分割效果,预测准确率,准确率评价,sum,squared,error,SSE,肿瘤级别,十分之一,高级别胶质瘤,低级别胶质瘤,辅助诊断
AB值：
0.311885
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
