基于聚类分析算法的胃癌基因芯片数据处理生物信息学研究
这是一篇关于聚类分析,胃癌,基因芯片的论文, 主要内容为胃癌的死亡率已经跃居恶性肿瘤的首位。主要原因是其诊断困难,患者多在胃癌发病晚期被诊断,其治疗方法以外科手术切除肿瘤为主,术后患者往往会出现消化系统症状,造血功能异常等术后症状。随着人们对于健康的要求提高,早期诊断胃癌日益成为研究的重点。 基因芯片技术是一种具有高通量获取基因信息的实验技术,其发展为胃癌的早期诊断提供了新的途径。外显子芯片作为在近些年新兴起的基因芯片技术,由于其在筛选编码蛋白方面独特的优势越来越受到医学工作者的重视。但是,大量的数据需要巨大的分析工作给外显子芯片的数据挖掘工作带来困难。医学工作者需要一种使用方便,快捷,分析准确的基因芯片生物信息学平台用于处理巨大的基因芯片数据。 基于以上两点,本实验在收集胃癌患者的临床标本及患者的临床信息的基础上,建立了基于聚类分析算法的胃癌基因芯片生物信息学平台。该平台可以用于分析患者的临床信息资料及患者的基因芯片上的数据。在平台完成后,分析本实验所收集的患者信息得到较好的结果;处理人工模拟数据,亦表明平台具有基因功能相关性分析的功能。
基于聚类分析算法的胃癌基因芯片数据处理生物信息学研究
这是一篇关于聚类分析,胃癌,基因芯片的论文, 主要内容为胃癌的死亡率已经跃居恶性肿瘤的首位。主要原因是其诊断困难,患者多在胃癌发病晚期被诊断,其治疗方法以外科手术切除肿瘤为主,术后患者往往会出现消化系统症状,造血功能异常等术后症状。随着人们对于健康的要求提高,早期诊断胃癌日益成为研究的重点。 基因芯片技术是一种具有高通量获取基因信息的实验技术,其发展为胃癌的早期诊断提供了新的途径。外显子芯片作为在近些年新兴起的基因芯片技术,由于其在筛选编码蛋白方面独特的优势越来越受到医学工作者的重视。但是,大量的数据需要巨大的分析工作给外显子芯片的数据挖掘工作带来困难。医学工作者需要一种使用方便,快捷,分析准确的基因芯片生物信息学平台用于处理巨大的基因芯片数据。 基于以上两点,本实验在收集胃癌患者的临床标本及患者的临床信息的基础上,建立了基于聚类分析算法的胃癌基因芯片生物信息学平台。该平台可以用于分析患者的临床信息资料及患者的基因芯片上的数据。在平台完成后,分析本实验所收集的患者信息得到较好的结果;处理人工模拟数据,亦表明平台具有基因功能相关性分析的功能。
能谱CT在胃癌低剂量扫描及诊断Lauren分型的应用
这是一篇关于能谱成像,虚拟平扫,胃癌,图像质量,Lauren分型的论文, 主要内容为第一部分虚拟平扫图像对胃癌病灶的显示价值目的:探讨CT能谱成像重建虚拟平扫(VUE)图像显示胃癌病灶的价值。材料和方法:纳入行常规平扫和能谱双期增强扫描的44位患者,重建动静脉双期虚拟平扫图像AP-VUE、PP-VUE、AP-MSI及PP-MSI。主观评价:由两位放射科医师分别独立地对常规平扫TUE及四组虚拟平扫图像质量及病灶显示清晰程度进行评分,图像及病灶评分达到3分或以上水平,表明可以满足诊断要求,比较各组图像的主观评分结果。客观评价:测量各组图像中胃癌病灶、胃腔内水、转移淋巴结、正常肝实质、腰大肌、腹主动脉CT值及前腹壁皮下脂肪SD值,以胃腔内水为背景,计算胃癌病灶的CNR。记录常规三期扫描及能谱双期增强扫描的CTDIvol及DLP,计算有效辐射剂量(ED);比较各组图像的CT、CNR及SD值,比较双期能谱增强和常规三期扫描辐射剂量。两组定量资料的比较采用两独立样本t检验或秩和检验,多组定量资料比较采用单因素方差分析或K-W检验,对多组间存在差异的资料采用LSD-t检验进一步两两比较;观察者间的一致性分析采用kappa检验。结果:常规上腹部平扫及双期增强的DLP和有效辐射剂量ED分别为(947.36±193.62)m Gy·cm和(14.21±2.90)m Sv,能谱双期增强的DLP和有效辐射剂量ED分别为(633.80±129.69)m Gy·cm和(9.51±1.95)m Sv,两组扫描方案有效辐射剂量差异有统计学意义(Z=-6.817,P<0.001),能谱双期增强相比于常规上腹部平扫及双期增强有效辐射剂量降低了约33.5%。五组图像在两位医师的图像评分、病灶评分中均存在差异(H=68.846105.179,均P<0.001),进一步两两比较显示,医师1图像评分中,TUE vs PP-VUE(t=0.6076,P=0.544),TUE vs AP-VUE、AP-MSI、PP-MSI(t=4.7097.748,均P<0.001);病灶评分中,TUE vs AP-VUE、PP-VUE(t=2.4200.569,P=0.0160.570);TUE vs AP-MSI、PP-MSI(t=7.2586.547,均P<0.001)。医师2图像评分中,TUE vs PP-VUE(t=1.396,P=0.164);TUE vs AP-VUE、AP-MSI、PP-MSI(t=4.3448.067,均P<0.001);病灶评分中,TUE vs AP-VUE、PP-VUE(t=2.8501.425,P=0.0050.156);TUE vs AP-MSI、PP-MSI:(t=6.6976.839,均P<0.001)。两位医师对各组图像及病灶评分的一致性Kappa值为0.570.86,一致性中等至良好。各组图像客观指标比较显示,仅在主动脉CT值、脂肪SD值和肝脏CT值之间差异有统计学意义(分别为H=33.418,P<0.001;H=10.745,P=0.03;H=14.529,P=0.006),进一步两两比较显示,主动脉CT值比较:TUE vs AP-VUE、PP-VUE、PP-MSI(t=-2.481-0.521,P=0.0140.603),TUE vs AP-MSI(t=-3.862,P<0.001);脂肪SD值比较:TUE vs PP-VUE(t=-3.291,P=0.001),TUE vs AP-VUE、AP-MSI、PP-MSI(t=-1.325-1.045,P=0.1870.297);肝脏CT值比较,各虚拟平扫图像与TUE差异均无统计学意义(t=2.046-0.829,P=0.0420.408)。结论:Revolution CT PP-VUE图像质量、病灶显示清晰度及各部位CT值与常规平扫图像非常接近,可为临床诊断提供较为可靠的信息。第二部分CT能谱成像在胃腺癌劳伦分型评估中的应用价值目的:探讨能谱CT定量参数对肠型及弥漫型胃癌的鉴别价值及不同Lauren分型胃癌与临床及病理因素的相关性。材料和方法:纳入行常规平扫和能谱双期增强扫描的50位患者;测量病灶及主动脉的碘浓度(IC),记录动静脉期病灶碘浓度分别为AP-IC、PP-IC,并用病灶的碘浓度除以同期腹主动脉的碘浓度,计算出标准化碘浓度(NIC),动静脉期病灶标准化碘浓度分别表示为AP-NIC、PP-NIC;调整单能量值为40—140keV,分别记录病灶在不同单能量水平的CT值,计算动静脉期40-70keV、70-100keV、100-140keV曲线斜率,分别表示为AP40-70、AP70-100、AP100-140、PP40-70、PP70-100、PP100-140,如AP40-70=(40ke V CT值-70ke V CT值)/(70-40);比较肠型及弥漫型胃癌患者临床病理情况的差异;比较两型胃癌之间的各段能谱曲线斜率、碘基值、标准化碘基值。两组定量资料的比较采用两独立样本t检验或秩和检验,二分类资料采用卡方检验比较,然后绘制各有差异的诊断指标的ROC曲线,并计算各曲线下面积(AUC),将约登指数最大原则和临床实际情况相结合,选择出各参数合适的鉴别诊断阈值,并得到各阈值对应的敏感度及特异度。结果:肠型及弥漫型胃癌各参数比较显示,AP-NIC、PP40-70、PP-IC及PP-NIC差异均有统计学意义(Z=-4.005-2.266,均P<0.05),余各参数差异无统计学意义(Z=-1.942-0.809,P=0.0520.089);联合PP-IC和PP-NIC绘制ROC曲线,AUC值为0.858,最佳截断点的敏感度及特异度分别为77.8%、87.5%;两型胃癌的分化程度、吸烟饮酒史、CEA及CA724阳性率存在差异(χ2=4.58419.100,均P<0.05)。结论:AP-IC、PP40-70、PP-IC、PP-NIC在肠型及弥漫型胃癌之间存在差异,联合PP-IC及PP-NIC诊断价值最大;肠型胃癌患者吸烟饮酒比例更高,弥漫型胃癌患者CEA及CA724阳性率更高,分化程度多较低。
基于改进U-Net的胃癌病理图像分割方法研究
这是一篇关于胃癌,语义分割,u-net,efficientnetv2,物体上下文特征的论文, 主要内容为胃癌是困扰全世界的疾病之一,医学图像分割作为一项重要的辅助手段,快速且准确地分割出胃癌病理图像中病变区域的研究受到越来越多人的关注。目前,U-Net在各种医学图像分割任务中都取得了显著的成果,这得益于它简单而有效的U型结构以及端到端的训练方式。然而,胃癌病理图像相较超声等医学造影图像存在胃癌病变区域和形状不确定、胃癌病变区域边缘复杂和相关数据集数据偏少的问题,导致常规的U-Net并不能取得很好的效果。为了进一步提高胃癌病理图像的分割准确度,本文针对上述提出的三个问题,围绕基于U-Net的医学图像分割方法展开研究,论文主要内容和创新工作如下:(1)针对胃癌细胞位置、形状不确定的特点以及胃癌数据集数据偏少,容易出现过拟合的问题,本文在已有的U-Net模型基础上,提出了一种新的基于Efficient Net V2和测试阶段增强的ETU-Net。ETU-Net以经过Image Net21k预训练的Efficient Net V2作为骨干特征提取网络,增强网络编码器的特征提取能力,并使用测试阶段增强后处理,通过对输入图像进行翻转和不同角度旋转的变换,从多个角度预测输入图像,再通过特征融合的方式将多个预测结果进行合并,进一步优化网络的输出结果,能有效解决医学数据集较小的问题。该模型在SEED数据集、BOT数据集和Pascal VOC2012数据集上进行实验,其平均交并比分别可以达到81.1%、74.9%、76.2%,验证了模型的有效性。(2)针对胃癌病变区域边缘复杂,上采样过程中细节丢失的问题,本文在ETU-Net的基础上,提出了一种新的基于注意力和物体上下文特征的EOU-Net+,首先,该模型在上采样过程中加入了改进后的注意力门模块,让网络得到权衡特征图重要性的能力,将注意力放在含有病变细胞的特征图上,减少上采样过程中的细节丢失。然后,当网络上采样到原图二分之一的大小时,通过改进后的物体上下文特征模块,让网络能探索细胞像素间的关系,判断相邻像素是否属于同一类,从而提高边缘分割的准确度。同样,该模型在SEED数据集、BOT数据集和Pascal VOC2012数据集上进行实验,其平均交并比分别可以达到81.8%、75.7%、77.3%,实现了更准确的分割。
基于深度学习的胃癌病理图像识别
这是一篇关于深度学习,胃癌,数字病理图像,Transformer,多尺度特征,多分类的论文, 主要内容为胃癌的发病率和死亡率位居消化系统癌症的前列。早期检查可以有效提高患者生存率,相比于CT等检查病理诊断是金标准。精确的组织病理学诊断对胃癌的治疗具有重要意义。为了更好的协助病理医师进行诊断分析并提高诊断效率,本文利用深度学习算法对胃癌病理图像进行识别研究。主要在病理图像分析上做了两方面的研究,一是对胃癌亚型的分类,二是对肿瘤区域的分割。针对胃癌病理图像分类问题,提出了基于局部特征和全局特征的多分类模型。虽然现有研究对胃癌病理图像分类已经获得较好的结果,但大多数研究对胃癌病理图像采用二值分类,这与临床要求有一定的差距。因此,本文提出了一种基于深度学习的多分类方法,更具有临床实用价值。在分类研究中,本文开发了一种基于Transformer和卷积神经网络(Convolutional Neural Network,CNN)的多尺度模型Sto His Net,用于细粒度多分类任务。Sto His Net采用Transformer学习全局特征,缓解了卷积运算固有的感受野局限,采用CNN进行局部特征的归纳学习,加速了网络的收敛。所提模型在胃病理图像数据集上以及另外两个病理图像数据集进行了实验,结果表明,该模型具有良好的分类和泛化能力。针对胃癌病理图像分割问题,提出了基于CNN和Transformer的多尺度分割模型。病理图像中需要考虑不同组织、肿瘤区域的大小等多尺度的信息,而且病理医师的阅片也是不断放大缩小显微镜倍数的过程。因此,为了更好的模拟诊断过程,本文提出了一个基于CNN与Transformer的多尺度特征融合模型Gas Unet。对于全局信息和局部信息的利用问题,Gas Unet采用了包含CNN和Transformer多路径通道模块,在特征提取后使用基于移位和投影操作的多路径特征融合模块进行不同通道多尺度特征的交互。为了减少通道中Transformer的计算量,本文使用通道自注意力并减少Tokens的大小来降低自注意力的计算量,提升了模型整体的性能。相比于其他模型,Gas Unet在胃癌和结直肠癌病理图像数据集上取得了较好的分割结果,验证了模型的性能。本文在胃癌病理图像识别的研究中提出了基于深度学习的分类和分割模型,并在胃癌病理图像上获得了较好的分类和分割结果。此外,本文还在其他病理图像的数据集上验证了模型良好的泛化性。研究表明,本文提出的模型是具有分析胃部组织病理学图像潜力的工具,有助于更好的协助病理专家进行诊断分析。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕业设计客栈 ，原文地址：https://bishedaima.com/lunwen/52185.html
