成果简介：

项目实现了在多模态核磁共振影像中对胶质母细胞瘤的分割，并利用分割所得肿瘤不同子区域中提取的特征对患者进行生存期预测，同时通过构造规则对模型的计算逻辑进行解释分析。

胶质母细胞瘤（GBM）是一种常见的脑部具有侵润性的肿瘤，也是死亡率最高的脑部肿瘤。目前核磁共振成像（Magnetic Resonance Imaging，MRI）等医学影像学检测是最为有效的早期识别和分析手段。为了实现针对医学影像的处理自动化及分析智能化，我们开展了一系列研究工作。首先，提出了一种两阶段混合计算模型来实现脑胶质瘤的自动识别与分割。

基于肿瘤子区域与多序列MRIs间相关性的优化以及利用特征捆绑实施的特征降维等措施实现了一种针对GBM病人生存期的预测方法。

关键技术：
上述模型的可解释性欠缺直接影响了相关方法的实际应用。为了在不影响模型计算性能的同时对它们内部所具有的因果逻辑进行解析，提出了一种从外部对黑盒模型进行全局拟合及规则提取的方法。