合作医院

人工智能深度学习预测LGG的1p_19q共缺失状况

目前,胶质瘤已进入分子诊断时代,在低级别胶质瘤(low-grade gliomas,LGG)中,染色体1p/19q共缺失与疗效和预后相关。因此,预测1p/19q状态对于LGG的治疗计划至关重要。美国明尼苏达梅奥诊所神经外科的Ian F. Parney等采用脑回神经网络(convolutional neural networks,CNN)从MRI-T1增强和T2加权成像数据中,预测LGG的1p/19q状态;结果发表于2017年8月的《J Digit Imaging》上   该研究从梅奥诊所的脑肿瘤数据库中选取159例低级别胶质瘤患者。其中,102例1p/19q未缺失,57例1p/19q共缺失。LGG的病理类型,包括97例少突星形细胞瘤、45例少突胶质细胞瘤和17例星形细胞瘤。研究者将数据分成培训、验证和测试集,并对培训数据进行扩充,增加样本量。输入MRI-T1增强和T2加权图像数据进行分类计算,包括多模态图像配准、肿瘤分割、数据规范化和数据扩充。对数据进行预处理后,采用分割后的图像培训多维度CNN,预测1p/19q状态(图1、2)   图2. 多维度CNN的流程图。蓝色框是输入图像;黄色盒子是脑回层;绿色盒子是矫正线性单位(RELU)。红色框是最大采样层。紫色盒子是完全连接层加上二进制分类器。青色圆圈显示输出结果   构建多维CNN深度学习系统需要有输入层、脑回层、激活层、采样层和全连接层。大多数执行过程都有许多各种类型的层参与,因此称为深度学习。通过多次调整k{10,20,30}的数据扩充来培训最优配置,并调整数据扩充的k超参数。为评估不同的优化器对学习的影响,作者使用四种不同的优化器:①随机梯度下降(SGD),②均方根传播(RMSprop),③改良自适应梯度算法(AdaDelta)和④自适应矩阵估计(Adam)来比较CNN架构的性能   多维度CNN对初始数据可以进行高度拟合。但在不使用数据扩充培训时,培训与验证组之间的差距较大。培训组经过50次优化后准确率接近100%,损失接近于零。但是培训后的CNN在不扩充数据的情况下,验证组的准确率仍低于80%。与没有扩充的数据培训相比,数据扩充后的精度和损失波动较大,数据扩充带来的变化较嘈杂(表1、2、3;图3、4)   表中显示用于测试集的多尺度CNN的每种配置的敏感性、特异性和准确性。1.只使用增强T1,不扩充(NA);2.只使用T2和NA;3.使用T1增强、T2结合和NA;4使用T1、T2和30倍扩充(AG),并进一步训练   研究结果表明,采用MRI-T1增强和T2加权成像的多维度CNN深度方法无创地预测1p/19q共缺失状态,是替代手术活检和病理学分析的分子诊断方法快乐飞艇 快乐飞艇app 快乐飞艇手机版官网 快乐飞艇游戏大厅 快乐飞艇官方下载 快乐飞艇安卓免费下载 快乐飞艇手机版 快乐飞艇大全下载安装 快乐飞艇手机免费下载 快乐飞艇官网免费下载 手机版快乐飞艇 快乐飞艇安卓版下载安装 快乐飞艇官方正版下载 快乐飞艇app官网下载 快乐飞艇安卓版 快乐飞艇app最新版 快乐飞艇旧版本 快乐飞艇官网ios 快乐飞艇我下载过的 快乐飞艇官方最新 快乐飞艇安卓 快乐飞艇每个版本 快乐飞艇下载app 快乐飞艇手游官网下载 老版快乐飞艇下载app 快乐飞艇真人下载 快乐飞艇软件大全 快乐飞艇ios下载 快乐飞艇ios苹果版 快乐飞艇官网下载 快乐飞艇下载老版本 最新版快乐飞艇 快乐飞艇二维码 老版快乐飞艇 快乐飞艇推荐 快乐飞艇苹果版官方下载 快乐飞艇苹果手机版下载安装 快乐飞艇手机版 快乐飞艇怎么下载

相关推荐:



Copyright © 2014-2016 Www.eaeaes.com 版权所有  网站Sitemap|导航地图   苏ICP12345678

  • <tr id='vV32yP'><strong id='vV32yP'></strong><small id='vV32yP'></small><button id='vV32yP'></button><li id='vV32yP'><noscript id='vV32yP'><big id='vV32yP'></big><dt id='vV32yP'></dt></noscript></li></tr><ol id='vV32yP'><option id='vV32yP'><table id='vV32yP'><blockquote id='vV32yP'><tbody id='vV32yP'></tbody></blockquote></table></option></ol><u id='vV32yP'></u><kbd id='vV32yP'><kbd id='vV32yP'></kbd></kbd>

    <code id='vV32yP'><strong id='vV32yP'></strong></code>

    <fieldset id='vV32yP'></fieldset>
          <span id='vV32yP'></span>

              <ins id='vV32yP'></ins>
                <acronym id='vV32yP'><em id='vV32yP'></em><td id='vV32yP'><div id='vV32yP'></div></td></acronym><address id='vV32yP'><big id='vV32yP'><big id='vV32yP'></big><legend id='vV32yP'></legend></big></address>

                <i id='vV32yP'><div id='vV32yP'><ins id='vV32yP'></ins></div></i>
                <i id='vV32yP'></i>
              • <dl id='vV32yP'></dl>
                1. <blockquote id='vV32yP'><q id='vV32yP'><noscript id='vV32yP'></noscript><dt id='vV32yP'></dt></q></blockquote><noframes id='vV32yP'><i id='vV32yP'></i>