基于股骨颈平片的计算机辅助的骨质疏松分级诊断研究

发布时间：2020-10-24 23:59

　　 目的:探讨计算机辅助诊断方法在骨质疏松分级诊断研究中的应用价值。首先,采用纹理特征分析法提取骨盆X线平片股骨颈Ward三角区的纹理特征,然后,分别采用BP神经网络分类器及SVM分类器分级识别骨质疏松。材料与方法:(1)原始数据采集及分组:骨盆X线平片图像均来源于大连医科大学附属第二医院,选取照摄骨盆X线平片检查的病人89例,所有病人均于6个月内同时采用双能X线(dual-energy X-ray absorptiometry,DXA)检测骨密度(BMD),依据BMD结果将病人分成三组:S0组(骨量正常)30例,S1组(骨量减低)28例,S2组(骨质疏松)31例。(2)计算机辅助诊断分析:第一步,手动选取骨盆X线平片股骨颈Ward三角区像素大小为20×20的感兴趣区(region of interest,ROI),每个患者提取4-8个ROI,共获529个ROI,其中S0组178个,S1组169个,S2组182个;第二步,提取每个ROI的纹理特征参数,首先采用灰度共生矩阵法提取每个ROI在4个方向(0°、45°、90°、135°)的自相关系数、相关性、阴暗聚类、熵等20个纹理特征参数,对每个参数取平均值,然后提取每个ROI的4个灰度游程矩阵参数(游程长不均匀度因子、灰度不均匀度因子、长游程因子和短游程因子),共获得24个纹理特征参数;第三步,特征筛选:依据提取的纹理特征绘制盒状图对特征进行筛选;第四步,采用BP神经网络分类器及SVM分类器对S0~S2 3组ROI进行两两分类识别、绘制ROC曲线,进一步比较BP神经网络分类器及SVM分类器分类识别的准确率。结果:1.纹理特征选择结果:根据提取的纹理特征,绘制24个纹理特征量相应的盒状图,删除两组间重叠较多的11个特征参数,获得两组间区分较好的13个纹理特征参数(自相关系数、熵、对比度、同质度、最大概率、方差、和平均、和熵、和方差、差方差、差熵、游程长不均匀度因子及灰度不均匀度因子)。2.BP神经网络分类器分类识别结果:S0-S1总识别率为71.24%,相应ROC曲线下面积(AUC)为0.6921;S0-S2总识别率为72.36%,相应ROC曲线下面积(AUC)为0.7011;S1-S2的总识别率为61.56%,相应ROC曲线下面积(AUC)为0.6348。3.SVM分类器分类识别结果:S0-S1的总识别率为73.52%,相应ROC曲线下面积(AUC)为0.7377;S0-S2的总识别率为76.34%,相应ROC曲线下面积(AUC)为0.7844;S1-S2的总识别率为64.55%,相应ROC曲线下面积(AUC)为0.6758。结论:基于纹理特征的SVM及BP神经网络分类器能初步分级识别骨质疏松平片图像,且SVM分类器识别率略高于BP神经网络分类器。
【学位单位】：大连医科大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP391.7;R580
【部分图文】：

专业名称：影像医学与核医学前言疏松(osteoporosis，OP) 一词源自希腊语—多孔的骨[1]（图 1），是最病，是以单位体积内骨组织的有机成分及无机成分含量减少，导致骨加，易发生骨折为特征的全身性骨病。骨质疏松可发生于任何年龄 5～10 年及 70 岁以上老年男性多见[1]。其最严重的并发症为脆性骨患者的生活质量，这给家庭和社会带来沉重的经济负担，因此如何做质疏松，在发病早期便及时给予干预就显得尤为重要。随着老龄化人，骨质疏松的问题日益凸显，这已然不单纯是健康问题，更属于一个会问题[2]。目前临床上可用于骨质疏松诊断的方法主要分为有创检查种，有创检查以组织形态计量学检查为主，无创检查则包括生物化学量等。

大连医科大学硕士学位论文本文采用的结合 X 线图像纹理特征，进行分类诊断，具体流程包括 ROI 的提取、纹理特征的提取及筛选、数据归一化、BP 神经网络及 SVM 分类识别四个模块（图 3）。所得数据在 Pe 机( Pentiumoual -Core2.soGHzwith1.99GBRAM)中存储，利用 MATLAB6.5 执行分类器的功能。2. 计算机辅助诊断分析系统

图 4 支持向量示意图结果结果（部分-见表）表 2 部分纹理特征参数提取结果数 对比度 相关性 突出聚类 阴暗聚类 非相似性 能量 55 0.478947 0.743376 28.23014 1.514783 0.452632 0.128892 03 0.618421 0.764229 61.41549 -2.42949 0.534211 0.094114 42 0.628947 0.792178 70.32216 -3.90296 0.523684 0.09331 21 0.547368 0.699145 23.76863 -1.80875 0.473684 0.126136 92 0.486842 0.612649 10.86988 0.609631 0.444737 0.156122 95 0.502632 0.740435 30.84813 2.056532 0.450000 0.121607 89 0.400000 0.599432 7.844621 0.593177 0.400000 0.195623 79 0.426316 0.573733 7.731459 0.07859 0.405263 0.201828 47 0.407895 0.631385 9.635400 0.204555 0.381579 0.20464
【参考文献】

相关期刊论文 前10条

1 程克斌;王玲;王倩倩;马毅民;苏永彬;张勇;程晓光;;定量CT与DXA测量近段股骨面积骨密度及T值的比较研究[J];中国骨质疏松杂志;2015年03期

2 刘智;蔡跃增;;氢质子磁共振波谱在骨质疏松诊断中的应用价值[J];中国骨质疏松杂志;2014年12期

3 陈珺;张豪;杨国柱;陆幸研;金小冬;卢丽;李青南;;骨形态计量学目前应用专家共识[J];中国骨质疏松杂志;2014年09期

4 吴天秀;蔡洁;;基于纹理分析的骨质疏松计量诊断[J];中国骨质疏松杂志;2014年07期

5 王晶晶;孙涛;赵枫朝;李霞;蔡博文;朱晓萌;郭秀花;;支持向量机在肺结节CT图像中的应用[J];北京生物医学工程;2013年05期

6 张极峰;夏旭东;李萍;张一;刘斌;刘扬;刘白鹭;;计算机辅助诊断在孤立性肺结节CT诊断的应用[J];医学影像学杂志;2013年09期

7 周涛;陆惠玲;陈志强;马苗;;基于两阶段集成支持向量机的前列腺肿瘤识别[J];光学精密工程;2013年08期

8 赵文杰;张立鹤;;基于约简核矩阵的稀疏最小二乘支持向量机[J];计算机仿真;2013年07期

9 常莎;王瑞平;;基于CT三维图像的肺结节良恶性鉴别研究[J];北京生物医学工程;2013年01期

10 王刚;姜新国;林森森;庄银苹;王阿明;;构造因子对肺癌CT图像纹理特征指标的影响[J];徐州医学院学报;2012年05期

相关博士学位论文 前3条

1 韩振中;基于X线图像的乳腺肿块检测与分类方法研究[D];北京交通大学;2015年

2 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

3 江少锋;医学图像的特征自动提取及基于模糊特征的图像检索研究[D];南方医科大学;2008年

相关硕士学位论文 前3条

1 赵超;基于CT图像的胰腺癌检测方法的研究与实现[D];东北大学;2013年

2 叶萌萌;基于支持向量机的肝脏肿瘤良、恶性识别研究[D];浙江大学;2012年

3 延伟东;图像特征提取方法的研究[D];西北工业大学;2007年

本文编号：2855152