基于T2WI序列的纹理分析在鉴别肝细胞癌分化程度的应用研究

发布时间：2020-10-23 18:38

　　 目的:探索基于MRI T2WI序列的纹理分析在预测肝细胞癌病理分化程度中的价值。资料与方法:回顾性分析134例肝细胞癌患者的资料,所有被试均经手术证实并按照Edmondson-Steiner方法分级。应用MaZda软件在MRI T2WI图像中肿瘤部分手动勾画感兴趣区,提取并筛选纹理特征参数,方法包括交互信息(MI)、Fisher系数、分类错误概率联合平均相关系数(POE+ACC)及3种方法联合(Fisher+POE+ACC+MI联合法,MPF)。通过软件自带的特征分类方法包括原始数据分析(RDA)、主要成分分析(PCA)、线性分类分析(LDA)和非线性分类分析(NDA)选出最具鉴别能力的纹理特征,结果以误判率表示。将肝癌的病理级别作为因变量,采用二分类Logistics回归分析,将MPF方法筛选出的30个纹理进行分析,得到评估HCC分化程度的独立预测因子,P0.05认为差异有统计学意义;采用ROC曲线评价各参数单独应用及联合应用的鉴别效能。结果:纹理特征参数选择方法中,MI、Fisher系数和POE+ACC 3种方法鉴别肝细胞癌高、低分化误判率接近。纹理特征分类分析方法中,NDA区分两种病变的误判率(8.21%)明显低于RDA、PCA和LDA3种方法,具有最优的鉴别诊断效能。S(0,5)Entropy、、S(5,-5)Entropy、、WavEnHL__s2为鉴别高、低分化HCC效能最高的纹理特征,且联合三个纹理参数鉴别能力有所提高。结论:基于MRIT2WI序列的纹理分析可用于鉴别肝细胞癌高、低分化程度。
【学位单位】：南方医科大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：R735.7;R445.2
【部分图文】：

?基于Ｔ２ＷＩ序列的纹理分析在鉴别肝细胞癌分化程度的应用研究???表１?ＭａＺｄａ纹理参数表??方法?参数??灰度直方图（ｎ＝９）?均值、方差、偏态系数、峰度、百分位数（１％、１０％、５０％、９０％、９９％）??绝对梯度（ｎ＝５）?均值、方差、偏度、峰度、非零梯度像素百分比??游程矩阵（ｎ＝２〇）?游程长度非均匀性、灰度非均匀性、长游程补偿、短游程补偿、分数游程??灰度共生矩阵?能量、对比度、自相关、熵、熵和、平方和、均和、均差、逆差距、熵差、??（ｎ＝２２０）?变异数差??自回归模型（ｎ＝５）?参数０?（１？４）、参数〇??小波变换（ｎ＝２０）?小波变换频带系数能量??

?基于Ｔ２ＷＩ序列的纹理分析在鉴别肝细胞癌分化程度的应用研究???表１?ＭａＺｄａ纹理参数表??方法?参数??灰度直方图（ｎ＝９）?均值、方差、偏态系数、峰度、百分位数（１％、１０％、５０％、９０％、９９％）??绝对梯度（ｎ＝５）?均值、方差、偏度、峰度、非零梯度像素百分比??游程矩阵（ｎ＝２〇）?游程长度非均匀性、灰度非均匀性、长游程补偿、短游程补偿、分数游程??灰度共生矩阵?能量、对比度、自相关、熵、熵和、平方和、均和、均差、逆差距、熵差、??（ｎ＝２２０）?变异数差??自回归模型（ｎ＝５）?参数０?（１？４）、参数〇??小波变换（ｎ＝２０）?小波变换频带系数能量??

?ＷａｖＥｎＨＬ＿ｓ２??图４髙、低级别肝细胞肝癌Ｓ（０，５）Ｅｎｔｒｏｐｙ、Ｓ（５，－５）Ｅｎｔｒｏｐｙ、ＷａｖＥｎＨＬ＿ｓ２特征比较??纹理特征及三种参数联合鉴别高、低分化ＨＣＣ的ＲＯＣ曲线如图５所示，??Ｓ（０，５）Ｅｎｔｒｏｐｙ?鉴别高、低分化?ＨＣＣ?的?ＡＵＣ?为?０．７４２３，?ｃｕｔ?ｏｆｆ＝２．６６９７?时，敏感??度０．８４８，特异度０．５４３；?Ｓ（５，－５）Ｅｎｔｒｏｐｙ鉴别高、低分化ＨＣＣ的ＡＵＣ分别为??０．７５７，ｃｕｔ?ｏｆｆ＝２．６３０５?时，敏感度?０．８９９，特异度?０．５４３；?ＷａｖＥｎＨＬ＿ｓ２?鉴别高、??１０??
【相似文献】

相关期刊论文 前10条

1 陈艳;张景发;姜文亮;李强;;基于HJ-1C卫星数据的活动断层提取研究[J];地壳构造与地壳应力文集;2016年02期

2 李德仁;张继贤;;影象纹理分析的现状和方法(一)[J];武测科技;1993年03期

3 宋子安;唐勤生;;车床加工纹理分析——车床走刀均匀性的研究[J];装备机械;1988年01期

4 吴健康,张伟明;应用纹理分析的DCT图象编码[J];通信学报;1989年01期

5 余军,吴国威,吴中权;三维物体表面的纹理综合[J];电子学报;1989年02期

6 陈贺新,戴逸松;图象纹理分析的约束最小二乘滤波器[J];电子学报;1989年06期

7 舒宁;卫星遥感影像纹理分析与分形分维方法[J];武汉测绘科技大学学报;1998年04期

8 黄胜华,刘海鹰,彭思龙,洪继光;基于非乘积型小波的纹理分析[J];中国图象图形学报;1998年09期

9 张鹏志;李兰斌;;地震纹理分析在油气勘探中应用进展[J];物探与化探;2013年03期

10 姚炜,赵玉华;计算机纹理分析在超声诊断中的应用[J];中华超声影像学杂志;1999年02期

相关博士学位论文 前10条

1 谢彩琴;Gd-EOB-DTPA MRI纹理分析在预测肝癌TACE术后早期疗效的初步研究[D];南方医科大学;2018年

2 曹毅媛;基于计算机断层纹理分析的不同基因类型肺腺癌的研究[D];武汉大学;2018年

3 刘建立;基于小波纹理分析和鲁棒贝叶斯神经网络的非织造材料外观质量识别[D];苏州大学;2010年

4 孙慧贤;基于纹理分析的视觉检测方法与应用研究[D];国防科学技术大学;2010年

5 杨蕾;基于小波域马尔可夫激光散斑表面粗糙度测量方法研究[D];合肥工业大学;2015年

6 张国鹏;三维纹理分析在虚拟结肠镜计算机辅助检测/诊断中的应用研究[D];第四军医大学;2013年

7 金舟;图像着色关键技术分析及其应用[D];天津大学;2011年

8 Hassana Grema Kaganami（哈桑）;基于颜色和纹理特征的图像增强和分析算法[D];中南大学;2010年

9 王冬;纳米级微泡增强乳腺肿瘤显像效果及高强度聚焦超声消融效果的实验研究[D];重庆医科大学;2012年

10 王庆香;基于小波的纹理分析及其在FPC金面缺陷检测中的应用[D];华南理工大学;2011年

相关硕士学位论文 前10条

1 黄伟康;基于T2WI序列的纹理分析在鉴别肝细胞癌分化程度的应用研究[D];南方医科大学;2018年

2 吴莉莉;具有精确边界的纹理设计方法及应用[D];郑州大学;2019年

3 张晶晶;CT影像和纹理分析鉴别肿块型胰腺炎与胰腺癌[D];南京中医药大学;2019年

4 熊瑶;CT纹理分析在评价胃癌TN分期及分化程度的应用研究[D];宁夏医科大学;2019年

5 周晚君;水泥路面纹理构造恢复方法及评价研究[D];长安大学;2018年

6 裴子璐;基于CT图像的3D纹理分析鉴别肾细胞癌的初步价值[D];安徽医科大学;2018年

7 Nafir Abdul Jaleel;磁共振图像纹理分析在晚期鼻咽癌分期中的应用及对鼻咽癌治疗反应的预测价值[D];大连医科大学;2018年

8 Padikkalakandy Cheriyath Shesnia Salim;定量ADC图的纹理分析对高级别胶质瘤与脑转移瘤的鉴别诊断[D];大连医科大学;2018年

9 张仕慧;Bp-MRI 3D纹理分析对高级别前列腺癌诊断及评估的初探[D];遵义医学院;2018年

10 王俊;纹理分析对胰腺导管腺癌、神经内分泌肿瘤及实性假乳头状肿瘤鉴别诊断的价值[D];中国医科大学;2018年

本文编号：2853398