基于MR增强图像纹理特征的肝纤维化分期诊断研究

发布时间：2017-10-03 11:08

  本文关键词：基于MR增强图像纹理特征的肝纤维化分期诊断研究

  更多相关文章： 肝纤维化 平衡期 图像纹理特征 BP神经网络 数据量化

【摘要】：目的:本研究采用无创的计算机辅助诊断方法,分期识别大鼠肝纤维化模型MRI增强图像的纹理特征。方法:48只大鼠随机分为实验组(36只)和对照组(12只)。实验组大鼠皮下注射50%四氯化碳(CCL4)/橄榄油混合液(体积比1:1),注射剂量为0.3ml/100g,首次剂量为0.5ml/100g,每周两次,共12周,对照组注射相同剂量的生理盐水。从第4周起,每周用3.0TMR西门子扫描仪采集大鼠肝脏图像,MR线圈为大鼠专用线圈。尾静脉注射造影剂Gd-DTPA(马根维显0.2 ml/100g),注射后的180s采用3D_VIBE_fs_T1WI梯度回波序列,采集平衡期MR图像。参考MR图像,每个大鼠肝脏切取7-9个肝脏组织进行HE染色和改良的Gomori氨银法染色,光镜下判别F0-F4期肝纤维化分期。依据病理结果,在平衡期图像上手动提取10×10像素大小的感兴趣区,采用非线性量化Lloyd’s算法和经典线性量化方法将原始图像数据压缩至256级,并用灰度共生矩阵GLCM提取20个纹理特征参数:自相关系数、对比度、相关性、突出聚类、阴暗聚类、非相似聚类、能量、熵、同质度、最大概率、方差、和平均、和方差、和熵、差方差、差熵、相关信息度1、相关信息度2、归一化逆差、和归一化逆差距,从4个方向提取共80个纹理特征参数,最后分别采用BP神经网络、Linear、K-NN和支持向量机四种分类器对F0-F4期的肝脏组织的ROI进行两两分类识别。结果:43只大鼠完成全部实验过程,5只大鼠死亡。10只对照组大鼠的病理结果均为F0期。33只大鼠的病理结果均在F1-F4期间,未见F5期(肝硬化期),其中28只大鼠的所有切取组织的病理结果为同一期别,另外5只大鼠全肝的病理结果不完全一致,在同一肝脏内共存不同期别的肝纤维化。基于非线性量化的BP神经网络分类器的分类结果总体优于线性量化的分类结果,非线性量化的BP神经网络分类器的结果为:在F0vs F2、F0vs F3、F0vs F4间的分类准确率分别为0.6190、0.6727、0.6716;F2vs F3、F2 vs F4间的分类准确率分别为0.6406和0.8026;F3vs F4间的分类准确率为0.7941,即在F2vs F4、F3vs F4间分类准确率最高(0.8026、0.7941)。基于非线性量化的BP神经网络的分类结果总体优于基于非线性量化的其他三个分类器结果,Linear分类器区分F0vs F4期结果最好,准确率为0.6716;K-NN分类器区分F2vs F4期的结果最好,准确率为0.6973;而SVM分类器在F3vs F4期的分类最好,准确率0.7353。结论:一、基于Lloyd’s算法的BP神经网络分类器的准确率高于线性量化的BP神经网络分类器;基于Lloyd’s算法的四个分类器中,较Linear、K-NN和SVM分类器,BP神经网络分类器更适合于大鼠肝纤维化模型的分期识别。二、本文采用的无创、客观量化的计算机辅助诊断方法,提高了大鼠肝纤维化分期识别的准确率,为临床肝纤维化的准确分期诊断研究提供了新思路。
【关键词】：肝纤维化 平衡期 图像纹理特征 BP神经网络 数据量化
【学位授予单位】：大连医科大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R575.2;R445.2
【目录】：

• 中文摘要6-8
• 英文摘要8-10
• 前言10-12
• 材料和方法12-18
• 一、数据获取12-13
• 二、计算机辅助诊断系统13-18
• 结果18-21
• 讨论21-26
• 结论26-27
• 参考文献27-30
• 综述30-40
• 参考文献37-40
• 病例报告40-43
• 缩略词表43-44
• 攻读学位期间发表文章情况44-45
• 致谢45-46

【相似文献】

中国期刊全文数据库 前10条

1 辛民宣;史正星;崔光彬;卢虹冰;;基于内容的医学图像检索中对Tamura纹理特征的算法改进[J];医疗卫生装备;2010年02期

2 童涛;杨桄;崔震;叶怡;王寿彪;;基于纹理特征的SAR图像水上桥梁目标检测[J];中国体视学与图像分析;2012年02期

3 李昕;童隆正;王旭;王磊;;阿尔茨海默病患者MR图像胼胝体三维纹理特征研究[J];中国医疗设备;2011年02期

4 郭冬梅;刘惠;邵莹;林相波;刘文红;纪虎;;基于纹理特征的多序列MRI的肝硬化识别研究[J];中国医学影像技术;2014年07期

5 卫娜;李向东;黄殿忠;王政;;基于纹理特征和GRBF网络的医学图像分割[J];医疗卫生装备;2008年11期

6 蒋勇;基于分形维数的肺部软组织CT图像的纹理特征研究[J];中国医学装备;2004年03期

7 徐涛;叶志前;蔡卫民;;肝脏B超图像的纹理分析方法[J];国际生物医学工程杂志;2006年04期

8 罗天健;刘秉瀚;;融合特征的自适应超像素图割算法[J];中国体视学与图像分析;2014年02期

9 尹东;刘京锐;;基于分级检索策略的医学图像检索方法研究[J];北京生物医学工程;2007年01期

10 ;[J];;年期

中国重要会议论文全文数据库 前10条

1 田学东;郭宝兰;;基于纹理特征的版式识别研究[A];辉煌二十年——中国中文信息学会二十周年学术会议论文集[C];2001年

2 殷积东;刘博;王少辉;;基于粗糙集理论和关联规则的腐蚀区域纹理特征检测算法研究[A];图像图形技术研究与应用(2010)[C];2010年

3 秦钟;;基于纹理特征的车辆分割方法[A];第二十七届中国控制会议论文集[C];2008年

4 王建新;周晨波;于文英;;利用纹理特征分析激光散斑图像[A];第十一届全国光学测试学术讨论会论文（摘要集）[C];2006年

5 王宇生;陈纯;;一种用于图像检索的纹理特征[A];中国图象图形学会第十届全国图像图形学术会议（CIG’2001）和第一届全国虚拟现实技术研讨会（CVR’2001）论文集[C];2001年

6 龚红菊;姬长英;;基于纹理特征的麦穗产量测量方法研究[A];2007年中国农业工程学会学术年会论文摘要集[C];2007年

7 常哲;侯榆青;程涛;李明俐;刘黎宁;;综合颜色和纹理特征的图像检索[A];全国第三届信号和智能信息处理与应用学术交流会专刊[C];2009年

8 赵银娣;蔡燕;;纹理特征在高空间分辨率遥感影像分类中的应用探讨[A];《测绘通报》测绘科学前沿技术论坛摘要集[C];2008年

9 秦健;李涛;;基于Contourlet变换提取云的旋转不变纹理特征[A];2009第五届苏皖两省大气探测、环境遥感与电子技术学术研讨会专辑[C];2009年

10 张树恒;阳维;廖广姗;王莲芸;张素;;基于形状和纹理特征的致敏花粉显微图像识别[A];中华医学会2010年全国变态反应学术会议暨中欧变态反应高峰论坛参会指南/论文汇编[C];2010年

中国博士学位论文全文数据库 前4条

1 周前进;基于纹理特征的打印文档机源认证技术研究[D];武汉大学;2015年

2 陈晓颖;典型地基云图云状的识别方法研究[D];东南大学;2015年

3 夏瑜;基于结构的纹理特征及应用研究[D];中国科学技术大学;2014年

4 李伯宇;图像纹理分析及分类方法研究[D];复旦大学;2007年

中国硕士学位论文全文数据库 前10条

1 李强;基于颜色与纹理特征的图像检索技术研究[D];河北大学;2015年

2 田甜;面向对象的森林植被类型信息提取技术[D];东北林业大学;2015年

3 崔巍;基于纹理特征的地表覆盖分类算法研究[D];南京理工大学;2015年

4 宋歌声;利用超声图像纹理特征鉴别甲状腺结节良恶性的研究[D];山东大学;2015年

5 廖声扬;数字视频复制—粘贴篡改被动取证研究[D];福建师范大学;2015年

6 牧其尔;基于纹理特征的人工梭梭林生物量遥感估测研究[D];内蒙古师范大学;2015年

7 张瑞英;基于多源遥感数据的森林郁闭度估测方法研究[D];内蒙古师范大学;2015年

8 黄源;基于区域语义模板的刑侦图像检索算法研究[D];西安邮电大学;2015年

9 赵玉丹;基于LBP的图像纹理特征的提取及应用[D];西安邮电大学;2015年

10 林婉晴;城市不透水面信息提取方法及应用研究[D];福建师范大学;2015年

，

本文编号：964845