【技术实现步骤摘要】
一种基于机器学习的瘤周面听神经识别方法
本专利技术涉及医学图像处理，尤其是一种基于机器学习的瘤周面听神经识别方法。
技术介绍
听神经瘤是颅内常见的的良性肿瘤，听神经瘤患者往往在最初的时候表现出来的症状为耳鸣，进而出现听力下降，有些患者甚至会出现耳聋。听神经瘤如果较大则会影响同侧的三叉神经，出现面瘫、面肌抽搐、面部麻木、三叉神经痛等症状。近些年来，医生的手术重心逐渐转向去除肿瘤并保留面听神经功能。因此，利用MRI成像信息来研究面听神经与肿瘤的位置关系对手术决策有着重要的参考作用。脑白质纤维重构包括纤维方向估计和纤维跟踪技术两大部分。以往有研究者提出了DTI成像模型，该模型假设每个体素内仅含一根神经纤维，因此无法描述体素中的纤维交叉、分叉、扇形、瓶颈型等结构，而后又有研究者提出了高角度分辨率扩散成像的纤维方向估计改进此问题。对于纤维跟踪技术目前主要分为确定型和概率型两种类别的方法。尽管纤维重构技术取得了很大的进步。但是它无法将跟踪出来的纤维分成具有解剖学意义的纤维束结构。为了更好地将纤维跟踪结果应用于临床当中，Laure...
【技术保护点】
1.一种基于机器学习的瘤周面听神经识别方法，其特征在于，所述方法包括以下步骤：/n步骤一：数据集划分，过程如下：/n选取的每一例患者图像数据包含T1图像、T1增强图像、T2图像、DTI图像和标记图像，将患者图像集以设定比例随机划分为训练图像集和测试图像集；/n步骤二：数据重采样，过程如下：/n以标记图像为基准，对T1图像、T1增强图像、T2图像进行重采样使得每张图像的体素大小相同；/n步骤三：提取特征和构建样本集，过程如下：/n读取目标图像的分辨率，对3D目标图像进行自适应切片把三维问题转换成二维问题，将每一例图像数据的体素坐标变换为世界坐标，以标记图像为基准提取原始图像相...
【技术特征摘要】
1.一种基于机器学习的瘤周面听神经识别方法，其特征在于，所述方法包括以下步骤：
步骤一：数据集划分，过程如下：
选取的每一例患者图像数据包含T1图像、T1增强图像、T2图像、DTI图像和标记图像，将患者图像集以设定比例随机划分为训练图像集和测试图像集；
步骤二：数据重采样，过程如下：
以标记图像为基准，对T1图像、T1增强图像、T2图像进行重采样使得每张图像的体素大小相同；
步骤三：提取特征和构建样本集，过程如下：
读取目标图像的分辨率，对3D目标图像进行自适应切片把三维问题转换成二维问题，将每一例图像数据的体素坐标变换为世界坐标，以标记图像为基准提取原始图像相应坐标的特征值，特征包括各向异性分数FA、方向分布函数ODF、平均弥散值MD、轴向弥散值AD、径向弥散值RD、T1信号值、T1增强信号值和T2信号值，对标记图像提取标签，包括面听神经、听瘤和脑干三个部分，每一个体素构成一个样本，得到样本特征训练集和样本特征测试集；
步骤四：样本特征训练集数据处理，过程如下：
可视化步骤三得到的训练集，清理异常值和缺失值样本，对特征进行缩放使得特征值分布在0到1之间；
步骤五：模型训练与测试，过程如下：
采用五折交叉验证法将步骤四获得的样本训练集放入机器学习模型进行训练，训练完毕后将步骤三得到的样本测试集放入模型进行分类预测，并与标签真值进行比较得到混淆矩阵，评估模型泛化能力。
2.如权利要求1所述的一种基于机器学习的瘤周面听神经识别方法，其特征在于，所述的步骤一中，数据集划分过程为：
将纤维识别问题转换为体素分类问题，体素大小统一采用标记图像的大小；数据包含T1图像、T1增强图像、T2图像、DTI图像和标记图像，每一例患者数据都包含上述数据，其中，T1图像、T1增强图像和T2图像用来提供体素信号值，DTI图像用来提取各向异性分数、方向分布函数、平均弥散值、轴向弥散值和径向弥散值；标记图像作为提取体素特征的基准和用于预测结果的比对，用“1”表示体素类别为脑干，“2”表示体素类别为纤维，“3”表示体素类别为肿瘤，标记图像中的肿瘤分割来自于人工标注，面听神经来自于纤维自动跟踪，脑干区则由FreeSurfer分割而得。
3.如权利要求1或2所述的一种基于机器学习的瘤周面听神经识别方法，其特征在于，所述的步骤二中，数据重采样过程为：
以标记图像的体素空间大小pnew作为基准，获取T1图像，T1增强图像和T2图像的体素空间大小pold和图像尺寸sold，使每张图像的体素空间大小相同，T1图像，T1增强图像和T2图像新的图像尺寸计算公式如下：
4.如权利要求1或2所述的一种基于机器学习的瘤...
【专利技术属性】
技术研发人员：仇翔，王佳凤，黄家浩，袁少楠，陈升炜，冯远静，陆星州，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。