导读:本文包含了鼻咽肿瘤论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:鼻咽,肿瘤,鼻咽癌,恶性肿瘤,卷积,神经网络,深度。
鼻咽肿瘤论文文献综述
方叁高,魏建国,周晓军[1]（2019）在《解读WHO(2017)鼻咽部肿瘤分类》一文中研究指出鼻咽为口腔上方颅底至腭帆平面以上管状结构,经后鼻道连接口咽。鼻咽顶壁与后壁交界处的淋巴组织称腺样体或咽扁桃体,在IARC(国际癌症研究机构)2017年2月发行的第4版《WHO头颈部肿瘤分类》~([1])(简称新版)中归于口咽部。尽管鼻咽面积有限,疾病/肿瘤类型较少,但鳞状细胞癌 (squamous cell carcinoma, SCC)在头颈部占首位,显着多于鼻腔鼻窦或口咽,与口咽同名肿瘤多与HPV感染引起不同~([2]),鼻咽SCC肿瘤发生与(本文来源于《诊断病理学杂志》期刊2019年09期）
Chaofeng,Li,Bingzhong,Jing,Liangru,Ke,Bin,Li,Weixiong,Xia[2]（2019）在《基于内镜图像深度学习的鼻咽恶性肿瘤检测模型的建立与验证》一文中研究指出背景与目的由于鼻咽部解剖位置隐匿且腺体增生频发,活检时恶性肿瘤的阳性率较低,从而导致初诊时鼻咽恶性肿瘤确诊延时或漏诊。本文旨在建立一种人工智能工具——基于深度学习的内镜检查,来检测鼻咽恶性肿瘤。方法建立了一种基于内镜图像的鼻咽恶性肿瘤检测模型(endoscopic imagesbased nasopharyngeal malignancies detection model,eNPM-DM),该模型由基于空间结构的全卷积网络构成,采用单独训练集和验证集对分类和分割进行微调。总共收集了28,966张合格图像。其中,自2008年1月1日至2016年12月31日,从7951例个体中获得了27,536张经活检证实的图像,按照7∶1∶2的比例随机分为训练、验证和测试集。此外,将2017年1月1日到2017年3月31日获得的1430张图像纳入预测集,用以对建立模型的性能与肿瘤专家的评价进行比较。以鼻咽镜图像为背景,对自动分割和专家手工分割进行比较,采用dice相似系数(dice similarity coefficient,DSC)评价eNPM-DM从鼻咽部内镜图像的背景中自动分割出恶性肿瘤区域的效率。结果所有图像经过病理组织学验证,包括正常对照5713(19.7%)例、鼻咽癌(nasopharyngeal carcinoma,NPC)19,107(66.0%)例、其他恶性肿瘤335(1.2%)例和3811(13.2%)例良性病变。在测试集中,eNPM-DM检测恶性肿瘤的总准确率达88.7%[95%置信区间(confidence interval,CI):87.8%–89.5%]。在预测比较阶段,eNPM-DM表现优于专家:总准确率分别为88.0%(95%CI:86.1%–89.6%)和80.5%(95%CI:77.0%–84.0%)。eNPM-DM耗时更短(40 s vs. 110.0±5.8 min),且从背景中自动分割出鼻咽恶性肿瘤区域方面表现优秀,测试集和预测集中的平均DSC分别为0.78±0.24和0.75±0.26。结论 eNPM-DM在鼻咽肿块良性/恶性诊断分类方面优于肿瘤学家评估,并且实现了从鼻咽内镜图像背景中对恶性区域自动分割。(本文来源于《癌症》期刊2019年07期）
张卫东[3]（2019）在《探究改良EBER原位杂交技术在鼻咽肿瘤病理诊断中的应用》一文中研究指出目的分析研讨改良EBER原位杂交技术在鼻咽肿瘤病理诊断中的作用。方法随机从我院2016年5月至2018年8月收治的鼻咽疾病患者中抽取90例进行讨论,患者均接受EBER原位杂交技术检测,分析EBER检测结果。结果 90例患者均接受改良EBER原位杂交技术检测,21例NBLA患者中共3例患者为阳性(14.29%),呈灶状、散在阳性;32例NPC患者中,均为阳性(100.00%);22例DLBCL患者中2例患者为散在阳性(9.09%);15例ENKL患者中,均为强阳性(100.00%)。NBLA阳性率14.29%低于NPC阳性率100.00%,DLBCL阳性率9.09%低于ENKL阳性率100.00%,数据差异较大(P<0.05)。结论临床检查鼻咽肿瘤病理状况可考虑采用改良EBER原位杂交技术,操作简单,稳定性好,杂交时间短,灵敏度和准确性高,可为临床鉴别和诊断鼻咽肿瘤提供依据。(本文来源于《世界最新医学信息文摘》期刊2019年53期）
王稼祥,张键平,杜雅丽,张博雅,雷军强[4]（2019）在《我国基于MRI诊断鼻咽肿瘤研究的网状分析》一文中研究指出目的:使用文献计量学和资料探勘的基本方法对我国基于MRI技术诊断鼻咽肿瘤的研究现状进行网状分析研究。方法:检索中国生物医学文献数据库,纳入所有基于MRI诊断鼻咽肿瘤的文献。利用BICOMS软件(书目共现分析系统)对所纳入文献进行信息的抽提和整理,生成共现矩阵;利用Ucinet 6.0软件中的NetDraw功能绘制关键词、作者和机构的网络关系图;利用Excel软件的绘图功能对抽取所得信息进行数据可视化处理。结果:我国基于MRI诊断鼻咽肿瘤的文献数量不断增长,各个地区均有研究,以东南部地区最多,研究机构之间合作较为密切。刊载文献的期刊数量较多,但载文量相对较多的期刊数量较少;基金主要来自于省部级、市级层面;参与基于MRI诊断鼻咽肿瘤研究的作者较多。结论:基于MRI诊断鼻咽肿瘤的热点研究问题较多,研究机构合作较为密切,但东西部研究存在一定的不平衡性,今后西部地区可多关注此方面研究。(本文来源于《中国中西医结合影像学杂志》期刊2019年03期）
赵荔君[5]（2019）在《基于深度学习的鼻咽部肿瘤PET-CT双模态图像分割方法研究》一文中研究指出鼻咽癌是一种常见的恶性肿瘤,尤其在中国南部、东南亚等地区发病率较高。鼻咽癌的首选治疗方法是放射治疗,经过放疗后,鼻咽癌患者的五年生存率能达到50%以上。靶区勾画是制定放疗计划过程中基础且至关重要的一步,目前,主要由放疗科医生手工逐层进行勾画,这是一项非常费时且乏味的工作。因此,在实际临床工作中,迫切需求能自动分割鼻咽癌的计算机辅助系统帮助减轻放疗科医生的工作负担。计算机断层扫描(CT)图像是制定放疗计划所必须的图像模态。然而,鼻咽部肿瘤在CT图像中往往并不显示清晰可见的特征。鼻咽部肿瘤在正电子发射断层扫描(PET)图像中显示为高亮区域,但PET图像空间分辨率低,且某些正常组织(如大脑)在PET图像中也显示为高亮区域,仅基于PET图像并不能准确定位肿瘤边界。实际临床工作中常参考PET、CT两种模态的图像,PET图像提供肿瘤的位置信息,CT图像指示正常组织的位置及边界,两种模态相结合为靶区勾画提供更精确的参考。近几年,基于深度学习的医学图像分割取得了与人类专家水平相当的结果。本文应用医学图像分割中常用的U-net网络基于双模态PET-CT图像实现鼻咽癌的自动分割。分割之前,对不同病人间的数据进行了叁维仿射配准,将图像对齐至统一的空间。为了缓解过拟合问题,在训练的过程中进行了在线数据扩增。为了利用两种模态的图像信息,本文中的U-net网络有两个输入通道。针对医学图像分割中类分布严重不平衡的问题,根据所收集的数据特点,设计了加权的交叉熵损失函数来增大肿瘤像素点的误差。本文也提出了简单有效的后处理步骤来减少假阳性像素点的个数。叁折交叉验证实验获得了0.8614的平均Dice得分。为了提取具有高度表达力的特征,网络结构非常深,这可能导致梯度消失的问题,使得浅层网络的参数并没有被训练至最优。针对这个问题,本文提出了带有辅助路径的U-net网络。辅助路径引入的深度监督直接指导浅层的网络参数的优化,从而使这些层能够学习更具表达力的特征。通过添加辅助路径,叁折交叉验证实验获得了0.8747的平均Dice得分,这在鼻咽癌分割领域高于迄今文献所报道的最好的结果,也表明添加辅助路径是一项有用的策略。本文也通过叁折交叉实验验证了所提出的方法中几个主要成分对最终分割性能的影响,如配准过程、后处理过程、CT图像的影响等。另外,本文也探索了不同的损失函数及不同的网络结构在我们的鼻咽癌分割工作中的潜能。(本文来源于《南方医科大学》期刊2019-05-01）
李鲜,王艳,罗勇,周激流[6]（2019）在《基于随机森林特征选择算法的鼻咽肿瘤分割》一文中研究指出针对医学图像中存在的灰度对比度低、器官组织边界模糊等问题,提出一种新的随机森林(RF)特征选择算法用于鼻咽肿瘤MR图像的分割。首先,充分提取图像的灰度、纹理、几何等特征信息用于构建一个初始的随机森林分类器;随后,结合随机森林特征重要性度量,将改进的特征选择方法应用于原始手工特征集;最终,以得到的最优特征子集构建新的随机森林分类器对测试图像进行分割。实验结果表明,该算法对鼻咽肿瘤的分割精度为:Dice系数79.197%,Acc准确率97.702%,Sen敏感度72.191%,Sp特异性99.502%。通过与基于传统随机森林和基于深度卷积神经网络(DCNN)的分割算法对比可知,所提特征选择算法能有效提取鼻咽肿瘤MR图像中的有用信息,并较大程度地提升小样本情况下鼻咽肿瘤的分割精度。(本文来源于《计算机应用》期刊2019年05期）
苏进,梅君,周海波,许新华[7]（2018）在《CD44在鼻咽恶性肿瘤中的研究进展》一文中研究指出CD44是黏附分子的一个大类,通过多种途径广泛参与细胞-细胞/基质间黏附、细胞内外信号传导及淋巴细胞归巢等重要功能。近年发现其与多种肿瘤的发生、生长、侵袭、转移和预后密切相关。本文就CD44与鼻咽恶性肿瘤的研究进展做如下综述。(本文来源于《巴楚医学》期刊2018年04期）
潘沛克,王艳,罗勇,周激流[8]（2019）在《基于U-net模型的全自动鼻咽肿瘤MR图像分割》一文中研究指出鼻咽肿瘤生长方向不确定,解剖结构复杂,当前主要依靠医生手动分割,该方法耗时久同时严重依赖于医生的经验。针对这一问题,基于深度学习理论,提出一种基于U-net模型的全自动鼻咽肿瘤MR图像分割算法,利用卷积操作替换原始U-net模型中的最大池化操作以减少特征信息的损失。首先,从所有患者的肿瘤切片中提取大小为128×128的区域作为数据样本;然后,将患者样本分为训练样本集和测试样本集,并对训练样本集进行数据扩充;最后,选择训练样本集中所有数据用于训练网络模型。为了验证所提模型的有效性,选取测试样本集中患者的所有肿瘤切片进行分割,最终平均分割精度可达到:DSC(Dice Similarity Coefficient)为80.05%,PM系数为85.7%,CR系数为71.26%,ASSD(Average Symmetric Surface Distance)指标为1.156 8。与基于图像块的卷积神经网络(CNN)相比,所提算法DSC,PM(Prevent Match)、CR(Correspondence Ratio)系数分别提高了9.86个百分点、19.61个百分点、16.02个百分点,ASSD指标下降了0.436 4;与全卷积神经网络(FCN)模型及基于最大池化的U-net网络相比,所提算法的DSC、CR系数均取得了最优结果,PM系数较两种对比模型中的最大值低2.55个百分点,ASSD指标较两种对比模型中的最小值略高出0.004 6。实验结果表明,所提算法针对鼻咽肿瘤图像可以实现较好的自动化分割效果以辅助医生进行诊断。(本文来源于《计算机应用》期刊2019年04期）
施乐娟,黄庆峰,陈庆峰,姚建慧[9]（2018）在《鼻咽部恶性肿瘤的诊断分析》一文中研究指出目的探讨避免鼻咽癌漏诊的检查方法。方法回顾我院2013年1月至2017年1月期间发生鼻咽癌漏诊的原因及检查方法体会。结果漏诊的2例病例鼻内镜下无明显病灶,而以首发症状颈部淋巴结肿大及耳部症状,CT或MRI检查优势,另1例CT没有变化,但内镜下有病灶。结论鼻内镜检查及CT或MRI检查二者结合起来,防止鼻咽癌漏诊。(本文来源于《现代医学与健康研究电子杂志》期刊2018年17期）
胡光亮,王艳,罗勇,周激流[10]（2018）在《基于卷积神经网络的鼻咽肿瘤MR图像分割》一文中研究指出鼻咽肿瘤区域形状多变、边界模糊,利用专家手工勾画确定放疗靶区不仅耗时,而且还会带有一定的主观性。针对这一问题,提出一种利用卷积神经网络(CNN)对鼻咽肿瘤MR图像全自动的分割方法。首先,将每一个鼻咽肿瘤MR图像分成大小为32×32的图像块;其次,用图像块训练CNN结构来实现对鼻咽肿瘤的全自动分割。CNN结构中卷积核的大小均为3×3,采用小尺寸的卷积核能够提取出更加丰富的局部特征,并且能够设计出更深的网络结构。为了验证CNN结构的性能,从测试样本集中随机选取了60个鼻咽肿瘤切片进行分割,经过形态学处理后最终的分割精度可达到:Dice系数83. 39%,PM系数82. 10%,CR系数74. 47%。实验结果表明,该CNN分割方法能够很好地分割出鼻咽肿瘤区域。(本文来源于《计算机应用》期刊2018年S1期）
鼻咽肿瘤论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
背景与目的由于鼻咽部解剖位置隐匿且腺体增生频发,活检时恶性肿瘤的阳性率较低,从而导致初诊时鼻咽恶性肿瘤确诊延时或漏诊。本文旨在建立一种人工智能工具——基于深度学习的内镜检查,来检测鼻咽恶性肿瘤。方法建立了一种基于内镜图像的鼻咽恶性肿瘤检测模型(endoscopic imagesbased nasopharyngeal malignancies detection model,eNPM-DM),该模型由基于空间结构的全卷积网络构成,采用单独训练集和验证集对分类和分割进行微调。总共收集了28,966张合格图像。其中,自2008年1月1日至2016年12月31日,从7951例个体中获得了27,536张经活检证实的图像,按照7∶1∶2的比例随机分为训练、验证和测试集。此外,将2017年1月1日到2017年3月31日获得的1430张图像纳入预测集,用以对建立模型的性能与肿瘤专家的评价进行比较。以鼻咽镜图像为背景,对自动分割和专家手工分割进行比较,采用dice相似系数(dice similarity coefficient,DSC)评价eNPM-DM从鼻咽部内镜图像的背景中自动分割出恶性肿瘤区域的效率。结果所有图像经过病理组织学验证,包括正常对照5713(19.7%)例、鼻咽癌(nasopharyngeal carcinoma,NPC)19,107(66.0%)例、其他恶性肿瘤335(1.2%)例和3811(13.2%)例良性病变。在测试集中,eNPM-DM检测恶性肿瘤的总准确率达88.7%[95%置信区间(confidence interval,CI):87.8%–89.5%]。在预测比较阶段,eNPM-DM表现优于专家:总准确率分别为88.0%(95%CI:86.1%–89.6%)和80.5%(95%CI:77.0%–84.0%)。eNPM-DM耗时更短(40 s vs. 110.0±5.8 min),且从背景中自动分割出鼻咽恶性肿瘤区域方面表现优秀,测试集和预测集中的平均DSC分别为0.78±0.24和0.75±0.26。结论 eNPM-DM在鼻咽肿块良性/恶性诊断分类方面优于肿瘤学家评估,并且实现了从鼻咽内镜图像背景中对恶性区域自动分割。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
鼻咽肿瘤论文参考文献
[1].方叁高,魏建国,周晓军.解读WHO(2017)鼻咽部肿瘤分类[J].诊断病理学杂志.2019
[2].Chaofeng,Li,Bingzhong,Jing,Liangru,Ke,Bin,Li,Weixiong,Xia.基于内镜图像深度学习的鼻咽恶性肿瘤检测模型的建立与验证[J].癌症.2019
[3].张卫东.探究改良EBER原位杂交技术在鼻咽肿瘤病理诊断中的应用[J].世界最新医学信息文摘.2019
[4].王稼祥,张键平,杜雅丽,张博雅,雷军强.我国基于MRI诊断鼻咽肿瘤研究的网状分析[J].中国中西医结合影像学杂志.2019
[5].赵荔君.基于深度学习的鼻咽部肿瘤PET-CT双模态图像分割方法研究[D].南方医科大学.2019
[6].李鲜,王艳,罗勇,周激流.基于随机森林特征选择算法的鼻咽肿瘤分割[J].计算机应用.2019
[7].苏进,梅君,周海波,许新华.CD44在鼻咽恶性肿瘤中的研究进展[J].巴楚医学.2018
[8].潘沛克,王艳,罗勇,周激流.基于U-net模型的全自动鼻咽肿瘤MR图像分割[J].计算机应用.2019
[9].施乐娟,黄庆峰,陈庆峰,姚建慧.鼻咽部恶性肿瘤的诊断分析[J].现代医学与健康研究电子杂志.2018
[10].胡光亮,王艳,罗勇,周激流.基于卷积神经网络的鼻咽肿瘤MR图像分割[J].计算机应用.2018
论文知识图
