盆底超声中基于回归模型的膀胱脱垂自动分级

发布时间：2018-06-01 01:48

本文选题：膀胱脱垂 + 随机森林　；参考：《深圳大学》2017年硕士论文

【摘要】：膀胱脱垂是一种常见的女性疾病,准确的膀胱脱垂分级结果对于后续治疗至关重要。近年来,盆底超声(Pelvic floor ultrasound,PFUS)作为一种新型技术应用到膀胱脱垂疾病的诊断当中。在临床上,医生需要先采集患者做Valsalva动作时的超声视频,然后测量视频中膀胱(Bladder,BL)至耻骨联合(Symphysis pubis,SP)参考线的最大距离(Maximal descent of the bladder,MDB),以该距离作为评估膀胱脱垂的标准。然而,这个过程非常耗时同时依赖于操作者的主观判断。因此,本论文提出一种在超声视频中基于回归模型的膀胱脱垂自动分级框架。使用计算机自动化膀胱脱垂分级能够很大程度上提高临床诊断中的效率,缓解医生的工作压力,为临床医生在处理和分析超声图像上节省时间。本论文中提出两个基于回归模型的方法用于实现膀胱脱垂自动分级。首先,我们提出基于多阶段回归模型(Multi-phase regression model,MPRM)的膀胱脱垂自动分级方法。其次,我们提出基于时空回归模型(Spatio-temporal regression model,STRM)的膀胱脱垂自动分级方法。我们将两种自动化方法的结果与三位医生手动标注的结果做比较,并且取得了非常好的一致性。就我所知,本论文是在盆底超声中膀胱脱垂分级的首次自动化研究。在MPRM的方法中,我们将SP的下缘点、中轴线和BL的定位和分割作为一个有监督的学习问题,监督信息来自于医生的手动标注。在第一阶段,我们利用随机森林来寻找图像和几何特征与三个解剖结构距离的映射,考虑到三个解剖结构之间的位置关系,在第二阶段,我们用自动上下文(Auto-context)的方法对特征进行增强同时训练二阶段的随机森林回归器。在STRM的方法中,我们同时在时域和空域提取图像的表观特征与上下文特征。提取不同时间点的特征能够保证检测结果在时间上的一致性。最终,我们在85例盆底超声视频序列中测试算法的效果。基于MPRM的方法预测结果的准确率最高达到78.82%,基于STRM的方法预测结果的准确率最高达到87.06%。同时我们比较了医生标注之间的组间差异。结果表明,我们的方法已经达到医生手动标注的准确率。
[Abstract]:In this paper , we put forward two methods for automatic grading of bladder prolapse based on regression model . In the first stage , we propose two methods for automatic grading of bladder prolapse based on multi - phase regression model ( MPRM ) .
【学位授予单位】：深圳大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TB559;R694

【参考文献】