基于医学图像的肝纤维化计算机辅助诊断研究

发布时间：2017-03-30 08:00

  本文关键词：基于医学图像的肝纤维化计算机辅助诊断研究，由笔耕文化传播整理发布。

【摘要】：肝纤维化是由各种致病因素长期影响,导致肝内结缔组织异常增生,使肝内弥漫性结节沉积逐步硬化的病理过程。肝纤维化是一种可逆性病变,如果能及时发现并接受治疗可以使得纤维化程度减少,直至结缔组织逐渐消失。因此采用计算机辅助诊断技术帮助医生及时准确地诊断出肝纤维化程度具有重要的意义。 随着数字图像处理技术和医学诊断技术的结合,采用核磁共振图像(Magnetic Resonance Images, MRI)和计算机断层图像(Computed Tomography,CT)辅助诊断肝纤维化程度已经得到广泛的临床应用。但是当前基于医学图像的肝纤维化诊断还是依赖于医生的肉眼诊断,因此就会丢失医学图像中大量的细微信息,为了提高医学图像的使用效率和诊断效率。本文将针对计算机辅助诊断研究进行如下几点探讨： (1)对MRI和CT肝脏图像进行预处理,采用灰度共生矩阵(Gray Level Co-occurrence Matrix, GLCM)提取出图像的13个纹理特征量和计算出图像基本信息特征量：平均灰度值和灰度方差值。提取总共15个特征量进行肝纤维化程度诊断分类实验。 (2)对诊断分类实验采用的支持向量机(Support Vector Machine, SVM)分类算法进行分析；对SVM算法中的几种核函数进行仿真实验,结果表明高斯径向基核函数在诊断分类实验中获得不错的效果；采用仿真实验分析高斯径向基核函数的核半径,能使分类器达到最佳的分类效果,改进SVM分类器设计；并通过针对医学图像特征量数据集合的验证实验确定改进的SVM算法的有效性和可靠性。 (3)采用改进的SVM分类器对各MRI图像和CT图像扫描期相诊断效果进行对比,分析表明在注射造影剂之后的平衡期获得最佳的诊断效果。对计算灰度共生矩阵所选择的感兴趣区域(Region of Interest, ROI)大小进行诊断效果对比分析,在ROI大小为20×20像素时获得的诊断效果最优。 (4)对GLCM提取出的15个特征量的任意组合,遍历地采用SVM分类方法进行肝纤维化程度级别分类实验。综合分析各特征量组合的诊断分类结果,统计表明在特征量个数为3至7个的组合时获得的分类效果较好；并统计出MRI图像和CT图像的各个特征量在计算机辅助诊断肝纤维化程度实验中的权重值。 (5)比较分析肝脏MRI和CT两种医学图像的计算机辅助诊断试验结果,表明了MRI比CT能够更好地反映肝脏纤维化程度,MRI图像的有效特征量分布更集中。
【关键词】：计算机辅助诊断 医学图像 肝纤维化 灰度共生矩阵 支持向量机
【学位授予单位】：广西大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：R575.2;TP391.41
【目录】：

• 摘要4-6
• ABSTRACT6-10
• 第一章 绪论10-17
• 1.1 计算机辅助诊断概论10-11
• 1.2 研究背景及课题来源11-12
• 1.3 国内外研究现状12-15
• 1.3.1 国外研究现状12-13
• 1.3.2 国内研究现状13-15
• 1.4 研究内容和论文框架15-17
• 1.4.1 本文研究内容15
• 1.4.2 本文框架15-17
• 第二章 实验材料的提取与分析17-30
• 2.1 成像原理17-20
• 2.1.1 核磁共振成像原理17-18
• 2.1.2 计算机断层成像原理18-20
• 2.2 本研究所采用的医学图像20-23
• 2.2.1 肝纤维化机理20-21
• 2.2.2 医学图像材料21-22
• 2.2.3 感兴趣区域的选取22-23
• 2.3 纹理特征提取23-29
• 2.3.1 灰度共生矩阵24-26
• 2.3.2 纹理特征量分析26-29
• 2.4 本章小结29-30
• 第三章 诊断算法的研究30-42
• 3.1 支持向量机30-34
• 3.1.1 线性最优分类超平面30-31
• 3.1.2 最优判别函数31-32
• 3.1.3 核函数分析32-34
• 3.2 SVM核函数的仿真34-36
• 3.3 SVM分类器的改进设计36-38
• 3.4 改进的SVM分类器验证实验38-41
• 3.5 本章小结41-42
• 第四章 分类诊断实验42-57
• 4.1 分类诊断实验方法42-44
• 4.1.1 穷举遍历法42-43
• 4.1.2 留一法43-44
• 4.2 实验流程44-47
• 4.3 ROI尺寸及肝脏扫描期的选取47-50
• 4.4 图像特征量的优化50-55
• 4.4.1 图像特征量个数优化50-51
• 4.4.2 图像特征量组合优化51-55
• 4.5 MRI和CT图像的诊断实验比较55-56
• 4.6 本章小结56-57
• 第五章 总结与展望57-59
• 5.1 全文工作总结57
• 5.2 本文工作展望57-59
• 参考文献59-65
• 致谢65-66
• 攻读硕士学位期间已发表、录用论文及参与科研项目情况66

【参考文献】

中国期刊全文数据库 前8条

1 李宁;孙铭;王磊;刘兴龙;童隆正;;基于支持向量机的肝纤维化CT图像分类[J];北京生物医学工程;2007年01期

2 姜慧研;赵越;杨新风;;基于MRI的肝硬化程度的计算机辅助诊断[J];东北大学学报(自然科学版);2007年01期

3 奉国和;;SVM分类核函数及参数选择比较[J];计算机工程与应用;2011年03期

4 滑斌杰;张有会;王志巍;李金红;;一种基于纹理分析的快速帧内预测算法[J];计算机仿真;2009年11期

5 陈海荣,童隆正,贺文;肝纤维化纹理分析方法[J];首都医科大学学报;2002年02期

6 陈海荣,童隆正;组合算法用于肝纤维化CT图像研究[J];医疗设备信息;2003年06期

7 刘兴龙,周萍,李训栋,王磊,童隆正;肝纤维化CT图像的频域特征分析[J];医疗设备信息;2004年10期

8 童隆正,刘兴龙,王磊,李训栋;基于模糊决策的肝纤维化CT图像分类方法研究[J];医疗设备信息;2004年11期

  本文关键词：基于医学图像的肝纤维化计算机辅助诊断研究，，由笔耕文化传播整理发布。

本文编号：276580