| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-18页 |
| 第一章 绪论 | 第18-32页 |
| 1.1 研究背景 | 第18-19页 |
| 1.2 影像组学简介 | 第19-21页 |
| 1.2.1 影像数据选择 | 第20页 |
| 1.2.2 医学成像和分割 | 第20页 |
| 1.2.3 特征提取和特征选择 | 第20-21页 |
| 1.2.4 探索性分析与建模 | 第21页 |
| 1.2.5 研究质量评估 | 第21页 |
| 1.3 国内外研究现状 | 第21-30页 |
| 1.3.1 影像组学在结直肠癌中的临床应用 | 第22-26页 |
| 1.3.2 影像组学在胶质瘤临床诊疗中的应用 | 第26-28页 |
| 1.3.3 基于影像组学的肺癌诊断 | 第28页 |
| 1.3.4 基于深度学习的影像组学 | 第28-30页 |
| 1.4 本文研究内容及框架 | 第30页 |
| 1.5 本文创新点 | 第30-32页 |
| 第二章 基于影像组学的预后生存分析方法 | 第32-60页 |
| 2.1 影像组学分析流程 | 第32页 |
| 2.2 影像数据采集 | 第32页 |
| 2.3 肿瘤分割 | 第32页 |
| 2.4 影像组学特征的提取 | 第32-51页 |
| 2.4.1 直方图特征 | 第33-35页 |
| 2.4.2 形状特征 | 第35-37页 |
| 2.4.3 纹理特征 | 第37-50页 |
| 2.4.4 小波特征 | 第50-51页 |
| 2.5 特征筛选及预后标签构建 | 第51-54页 |
| 2.5.1 单特征分析 | 第51页 |
| 2.5.2 L1范数正则化-LASSO regression | 第51-52页 |
| 2.5.3 L2范数正则化-Ridge regression | 第52-53页 |
| 2.5.4 弹性网络-Elastic Net | 第53-54页 |
| 2.6 预后性能评价 | 第54-57页 |
| 2.6.1 Cox比例风险模型 | 第54页 |
| 2.6.2 一致性指数-Harrell's Concordance Index | 第54-55页 |
| 2.6.3 时间依赖受试者工作特征曲线 | 第55页 |
| 2.6.4 Kaplan Meier生存曲线 | 第55-56页 |
| 2.6.5 校准曲线-Calibration Curve | 第56页 |
| 2.6.6 Nomogram | 第56-57页 |
| 2.7 本章小结 | 第57-60页 |
| 第三章 基于影像组学的晚期高级别浆液性卵巢癌预后分析 | 第60-76页 |
| 3.1 实验背景 | 第60-62页 |
| 3.1.1 研究意义 | 第60-61页 |
| 3.1.2 国内外研究现状 | 第61-62页 |
| 3.2 实验数据 | 第62-64页 |
| 3.3 实验设计及数据处理 | 第64-67页 |
| 3.3.1 数据预处理及肿瘤分割 | 第65-66页 |
| 3.3.2 影像组学特征的提取 | 第66页 |
| 3.3.3 影像组学特征的选择和标签的构建 | 第66页 |
| 3.3.4 影像组学标签的验证和预后模型的构建 | 第66-67页 |
| 3.3.5 统计分析 | 第67页 |
| 3.4 实验结果及分析 | 第67-72页 |
| 3.4.1 临床病理统计 | 第67-69页 |
| 3.4.2 影像组学特征的选择与标签的构建 | 第69-70页 |
| 3.4.3 影像组学标签与预后模型的验证 | 第70-72页 |
| 3.5 讨论 | 第72-74页 |
| 3.6 本章小结 | 第74-76页 |
| 第四章 基于影像组学的颅底脊索瘤预后分析 | 第76-92页 |
| 4.1 实验背景 | 第76页 |
| 4.2 实验数据 | 第76-78页 |
| 4.3 实验设计及数据处理 | 第78-80页 |
| 4.3.2 MR采集 | 第78页 |
| 4.3.3 肿瘤分割 | 第78-79页 |
| 4.3.4 影像组学特征的提取 | 第79页 |
| 4.3.5 影像组学特征提取和放射学特征标记建立 | 第79页 |
| 4.3.6 预后因素的评估 | 第79-80页 |
| 4.3.7 统计分析 | 第80页 |
| 4.4 实验结果及分析 | 第80-88页 |
| 4.4.1 人口统计学和临床病理数据 | 第80-83页 |
| 4.4.2 影像组学特征和临床因素表现 | 第83-88页 |
| 4.5 讨论 | 第88-90页 |
| 4.6 本章小结 | 第90-92页 |
| 第五章 总结和展望 | 第92-106页 |
| 5.1 总结 | 第92-94页 |
| 5.1.1 基于影像组学的肿瘤预后分析实现方法 | 第93页 |
| 5.1.2 晚期高级别浆液性卵巢癌中的应用 | 第93页 |
| 5.1.3 颅底脊索瘤中的应用 | 第93-94页 |
| 5.2 基于影像组学的术前诊断 | 第94-96页 |
| 5.2.1 胶质母细胞瘤MGMT基因甲基化术前预测 | 第94-95页 |
| 5.2.2 低级别胶质瘤患者癫痫发作类型预测 | 第95-96页 |
| 5.2.3 BI-RADS 4 级乳腺钙化灶良恶性分类 | 第96页 |
| 5.3 展望 | 第96-103页 |
| 5.3.1 数据采集 | 第96-97页 |
| 5.3.2 病灶分割 | 第97-98页 |
| 5.3.3 模型构建 | 第98页 |
| 5.3.4 模型验证 | 第98-99页 |
| 5.3.5 基于深度学习的病灶分割和影像组学特征提取 | 第99-103页 |
| 5.4 结语 | 第103-106页 |
| 参考文献 | 第106-126页 |
| 致谢 | 第126-128页 |
| 作者简介 | 第128-130页 |
