高级别胶质瘤患者预后预测与乳腺肿块分割技术研究

# 高级别胶质瘤患者预后预测与乳腺肿块分割技术研究 ## 1. 高级别胶质瘤患者预后预测 ### 1.1 关键脑区与预后的关联 在高级别胶质瘤（HGG）患者的预后预测中，与运动、认知、情绪、语言和记忆功能高度相关的脑区起着关键作用。这些脑区的结构和功能连接恶化会影响患者的生存时间。从功能网络中最常选择的感兴趣区域（ROIs）位于小脑，小脑与新皮质有密集的功能连接，并且与运动和认知功能密切相关。而从结构网络中最常选择的 ROIs 大多位于皮质，且彼此重叠较少，这可能表明结构网络更容易受到脑肿瘤的影响。 ### 1.2 脑网络分析的应用 基于图论的复杂脑网络分析是预测 HGG 患者治疗结果的有力工具。研究强调了整合功能和结构脑连接组学对于 HGG 预后预测的重要性。尽管目前对结构和功能脑网络之间的关系仍了解不足，但利用脑连接组学进行预后评估的预测框架取得了显著的效果。 ### 1.3 未来研究方向 - **纳入全局图属性**：将全局图属性（如平均聚类系数、全脑区域的网络效率）作为新特征，以更好地处理肿瘤特征的个体异质性。 - **考虑更高级的图指标**：引入更多高级的图指标，如 assortativity、模块化和 rich - club 值，进行更全面的网络测量。 - **整合术中衍生特征**：将术中衍生特征（如肿瘤切除范围）作为重要的预后预测因子。 ## 2. 乳腺肿块分割技术 ### 2.1 乳腺肿块分割的挑战与解决方案 乳腺钼靶图像中肿块的自动分割是一项重要但具有挑战性的任务。由于乳腺肿块没有特定的生物结构，在形状、边缘和大小上变化复杂，且边界模糊，现有的形状建模方法不适用于肿块分割。为了解决这些问题，提出了通过图像检索在线学习形状和外观先验的方法。 ### 2.2 方法流程 #### 2.2.1 基于霍夫投票的肿块检索 - **特征提取与量化**：用密集采样的 SIFT 特征表征乳腺钼靶图像，使用词袋（BoW）方法对所有 SIFT 特征进行量化，并将训练集提取的量化 SIFT 特征存储在倒排索引中。 - **训练集与查询集表示**：训练集 D 中的每个样本包含一个位于中心的诊断肿块，用 \(d = \{ (v_d^j, p_d^j) \}_{j = 1}^n\) 表示；查询集 Q 中的查询肿块用 \(q = \{ (v_q^i, p_q^i) \}_{i = 1}^m\) 表示。 - **匹配与变换**：将查询肿块 q 与所有训练肿块匹配，对训练肿块进行 8 种旋转角度（从 0 到 \(7\pi/4\)）和 8 种缩放因子（从 1/2 到 2）的虚拟变换。 - **相似度计算**：计算相似度图 \(S_{q,d}\)、相似度分数 \(s_{q,d}\) 和查询肿块中心 \(c_{q,d}\)。匹配过程基于 SIFT 特征的广义霍夫投票，特征对的累积投票生成相似度图，其最大元素定义为相似度分数，最大元素位置定义为查询肿块中心。 - **检索集生成**：返回与查询肿块最相似的前 k 个训练肿块及其诊断报告作为检索集 \(N_q\)，计算平均相似度分数 \(\omega = \frac{1}{k} \sum_{d \in N_q} s_{q,d}\)。 #### 2.2.2 在线学习形状和外观先验 - **前景掩码对齐**：对于查询肿块 q，其分割目标是找到前景掩码 \(L_q\)。将检索集中每个训练肿块 d 的前景掩码 \(L_d\) 复制到与 \(L_q\) 相同大小的新掩码中，并将其中心移动到查询肿块中心 \(c_{q,d}\)。 - **形状先验计算**：通过平均检索肿块的前景掩码来估计形状先验： \[p_S (L_q (p) = 1) = \frac{1}{k} \sum_{d \in N_q} L_d (p)\] \[p_S (L_q (p) = 0) = 1 - p_S (L_q (p) = 1)\] - **外观先验计算**：外观先验通过估计单词 v 属于肿块的概率来计算： \[p_A (L_q (p_v) = 1) = \frac{n_f^v}{n_v}\] \[p_A (L_q (p_v) = 0) = 1 - p_A (L_q (p_v) = 1)\] #### 2.2.3 基于图割的肿块分割 通过最小化以下能量函数来计算前景掩码 \(L_q\)： \[E (L_q) = \lambda_1 E_I (L_q) + \lambda_2 \omega E_S (L_q) + \lambda_3 \omega E_A (L_q) + E_R (L_q)\] \[= -\lambda_1 \sum_p \ln p_