目录
摘 要 I
关键词 I
Abstract II
Key Words II
引言 1
1 数据准备 1
1．1 数据来源 1
1．2 数据预处理 2
1．3 特征提取 2
1．3．1 几何特征 2
1．3．2 灰度直方图特征 3
1．3．3 纹理特征 5
1．3．4 Hu矩阵特征 6
2 研究方法 7
2．1 SVM 7
2．1．1 线性分类分隔器 7
2．1．2 非线性分类分隔器 8
2．2 Logistic回归 9
2．3 随机森林 9
2．4 神经网络 10
3 实验预备 11
3．1 评判准则 11
3．1．1 AUC 11
3．1．2 F1Score 12
3．2 数据降维 12
3．2．1 主成分分析 12
3．2．2 Lasso变量选择 14
3．3 模型参数设置 15
3．3．1 PCASVM 15
3．3．2 LassoSVM 15
3．3．3 LassoLogistic 16
3．3．4 PCA随机森林 16
3．3．5 Lasso随机森林 17
3．3．6 PCA神经网络 18
3．3．7 Lasso神经网络 18
4 结果与分析 19
4．1 选择最优模型 19
4．2 结果分析 19
5 总结与讨论 19
致谢 21
参考文献 21
附录A 22
附录B 29
附录C 30
基于影像组学和统计学习的直肠癌淋巴结转移诊断模型
摘 要
随着人们物质水平的提高，直肠癌的发病率不断增长，是目前最常见的消化道癌。直肠癌术前充分了解病人淋巴结转移情况是医生设计治疗方案的重要依据。目 *51今日免费论文网|www.51jrft.com +Q: ^351916072* 
前普遍采用的诊断方式是医生通过肉眼观察患者CT图像中的淋巴结大小和个数。为了提高直肠癌淋巴结转移诊断的效率，使得CT影像信息利用最大化，本文将医学影像组学与统计学习方法结合，为医生提供了另一角度的淋巴结转移的诊断依据。本文从107例患者的CT图像中，按照几何、纹理、Hu不变矩、灰度直方图四个方面提取了52维影像特征；采用主成分分析和Lasso变量选择方法进行数据降维；构建四种分类模型：神经网络、Logistic回归、支持向量机（support vector machine，SVM）、随机森林进行诊断。本文采用十折交叉验证的方法选取模型的最佳参数。实验结果表明，最佳分类模型为基于主成分的Logistic回归，AUC值达0.6757，F1Score值达0.6858。

原文链接：http://www.jxszl.com/jsj/sxtj/606735.html