請用此 Handle URI 來引用此文件:
http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/82479
標題: | 評估結合深度學習與腦部核磁共振影像預測惡性膠質瘤病人存活預後之可行性 Evaluating the Feasibility of Combining Deep Learning and Brain MRI Images to Predict Survival of Patients with Malignant Glioma |
作者: | An Liu 劉安 |
指導教授: | 梁祥光(Hsiang-Kuang Liang) |
關鍵字: | 惡性膠質瘤,深度學習,存活期分類,核磁共振影像, malignant gliomas,Deep learning,overall survival classification,Magnetic Resonance Imaging, |
出版年 : | 2021 |
學位: | 碩士 |
摘要: | "膠質瘤 (Glioma) 為成人常見的腦瘤,約81%的惡性腦瘤皆為膠質瘤,根據世界衛生組織 (World Health Organization ,WHO) 的病理分級系統,膠質瘤可依據其病理特徵區分成四級,第三級和第四級合起來稱為惡性膠質瘤。其中第四級的多形性膠質母細胞瘤 (Glioblastoma ,GBM) 是最常見且非常具有侵略性的腦瘤,惡性膠質瘤中約有60-70%屬於GBM,而第三級的anaplastic astrocytoma約佔了10-15%,GBM病人存活中位數約12-15個月,低於5%的患者能生存超過5年。一般來說醫師在判斷罹患惡性膠質瘤患者的存活預後時,會根據病患未開刀的核磁共振影像、年齡、Karnofsky Performance Score、組織切片 (例如:分子、生物標記) 和腫瘤位置、大小⋯⋯等等,做綜合的判定。同樣是罹患惡性膠質瘤的患者,存活時間有長有短,短的數月,長的可超過兩年。我們想要探討是否能使用病人未接受治療的腦部MRI影像,來輔助判斷其存活預後。因此我們使用Brain tumor segmentation challenge這個競賽2020年所提供的資料MRI影像中T1+C (注射顯影劑後的T1序列,可觀察腫瘤以及壞死區域) 和Fluid Attenuated Inversion Recovery序列 (可觀察腫瘤周邊水腫),結合深度學習中VGG-16的模型架構做延伸進行訓練,找出影像中關鍵的特徵,希望預測患者存活期能否超過或未超過13.1個月(400天)。經過5-fold 的cross-validation驗證,最終我們達到Accuracy為57.6 ± 1.8%,Sensitivity為60.2 ± 1.4%,Specificity為54.65 ± 5.2%,最後AUC為0.551。結果顯示單用病人未接受治療的腦部MRI影像 (T1+C、FLAIR) 準確度有限,需加上其他因子輔助判斷其存活預後。" |
URI: | http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/82479 |
DOI: | 10.6342/NTU202103135 |
全文授權: | 同意授權(限校園內公開) |
電子全文公開日期: | 2023-09-13 |
顯示於系所單位: | 醫學工程學研究所 |
文件中的檔案:
檔案 | 大小 | 格式 | |
---|---|---|---|
U0001-1209202122094300.pdf 授權僅限NTU校內IP使用(校園外請利用VPN校外連線服務) | 4.73 MB | Adobe PDF | 檢視/開啟 |
系統中的文件,除了特別指名其著作權條款之外,均受到著作權保護,並且保留所有的權利。