一种用于影像组学的多级特征选择方法

针对医学影像中高维特征的问题,提出一种用于影像组学的多级特征选择方法(MSOM-GA)。用组内相关系数过滤对边界敏感的特征。用混合F-Score和信息增益的方法,去除不相关特征。用遗传算法去除冗余特征,选择最优特征子集。该算法在河南省人民医院脑胶质瘤影像数据上进行验证,实验显示,特征选择算法能显著提升特征的质量,算法的auc、acc、敏感度、特异性分别为0.9756、92.29%、93.70%、89.26%,与对照组相比具体数值有较为显著的提升。结果表明,该特征选择方法能有效地去除肿瘤边界不稳定特征、冗余特征和不相关特征,提高模型的训练精度。     

基于价值评估的磁共振单序列多层LVP图像压缩算法

针对影像组学过程中医生标注影像数据工作量巨大的问题,提出了一种基于价值评估的磁共振单序列多层低价值点(low value point, LVP)图像压缩算法.对单序列多层LVP原图像使用滤波压缩算法,对已标注的单序列多层LVP分割图像使用池化压缩算法,将单序列多层LVP原图像和分割图像压缩为单层高价值点(highvaluepoint,HVP)原图像和分割图像.将压缩算法应用于磁共振脑胶质瘤的自有数据集和公开数据集中,对比了压缩前原始图像标注时间和压缩成单层HVP图像标注时间,并测试压缩图像进行影像组学分级任务的效果.实验结果表明:压缩后标注一例病例的时间与压缩前相比显著减少,AUC等指标在执行文中算法和未执行下得到的分级结果相差甚微,均高于医生诊断水平.因此,在误差可接受范围内,医生仅需标注一层HVP图像便能进行医学影像分析,并且也能获得较好的分析结果.对于医生来说,可显著缩减医生标注任务的工作量.     

基于多视角的脑胶质瘤分级模型研究

针对当前研究中的脑胶质瘤分级模型难以充分利用磁共振影像序列间的互补信息的问题,提出一种基于多视角的脑胶质瘤分级模型(MBMED).以最大熵判别模型(MED)为基础分类器;利用AdaBoost对多视角脑胶质瘤数据集进行模型训练.训练时进行等权重初始化,通过优化误差率对样本和多个视角的权重进行迭代更新,输出基础分类器的组合,实现对脑胶质瘤的精准分级预测.在公开数据集BraTS2017和自建数据集Glio-maHPPH2018上进行十折交叉验证实验,平均曲线下面积(AUC)分别为0.9485和0.9612.实验结果证明了该模型在脑胶质瘤分级中的有效性和准确性.