基于肝部CT影像的医学图像纹理分析及其相关技术研究

发布时间：2020-05-10 21:11

【摘要】：肝部局灶性病变主要包括恶性的肝细胞性肝癌(HCC)和良性的肝血管瘤(HEM),这两种病变在CT图像上十分接近,为医师的诊断产生了极大阻碍。研究表明,CT图像中蕴含着大量潜在的纹理统计规律,可以通过定量的纹理数据分析来有效鉴别这两种病变,这类研究统称为影像组学(Radiomics)研究。本研究遵循Radiomics处理体系,基于肝部CT图像进行肿瘤分割和感兴趣区域(ROI)提取,采用多种纹理分析方法从ROI中构建纹理特征,并从中选取在两样本中具有显著性差异的纹理参数,构建纹理分类模型以实现HCC和HEM的自动化鉴别诊断。具体内容如下:1.针对肝部CT影像中肿瘤分割效果不佳的问题。本文提出了一种基于共生矩阵(GLCM)的纹理聚类方法和一种基于局部二值模式(LBP)纹理的区域生长法,利用肿瘤和正常肝组织的纹理差异来进行纹理分割。与多种经典方法进行对比,本文基于GLCM的分割方法效果最优,其取得了平均91.76%的分割精确度。本文基于分割结果提取二维ROI,并对其进行体素重构得到肿瘤的三维ROI。2.传统纹理分析方法通常是在单张CT图像上进行的,其难以表示肿瘤内部的整体纹理特性。本文提出了一种多尺度三维共生矩阵纹理分析方法从ROI中提取三维特征,并讨论了共生矩阵、直方图以及组合式小波变换等三种二维纹理构造方法。基于Mann-Whitney的U检验来分析并选取在两样本中具有显著性差异的特征。结合病理学深入探讨了常用纹理参数与肝肿瘤良、恶性之间的关联。得出HCC比HEM具有更高的对比度,更低的相关性、均匀性和能量这一结论。3.针对目前HCC与HEM诊断过于依赖医师经验的问题。本文将选择出的纹理特征以单独或结合的方式组成多个纹理特征集,采用支持向量机和五倍交叉验证训练纹理分类模型。本文多尺度三维共生矩阵特征在上述四类纹理特征中具有最优的实验效果,其模型取得了77.63%的精确度和0.8的AUC值。本文将所有选择出的特征相结合提出了一种多维度纹理特征组,该纹理分类模型取得了88.19%的精确度和0.91的AUC值,高于本文实现的Chang等人和Kumar等人的方法。4.本文基于上述研究实现了HCC与HEM辅助诊断系统,可以对输入CT序列构建ROI可视化模型,并自动化给出鉴别诊断结果。本系统可以帮助医师明确病灶范围及病灶性质,并对其早期诊断起到一定的指导作用。
【图文】：

处理过程

图 1-1 Radiomics 处理过程图Radiomics处理过程从收集高质量的图像开始，提取包含肿瘤或病灶内的整个区域或子区域的ROI，即对图像中病灶区域的分割过程，并能够对ROI进行三维重构得到三维ROI，再基于ROI进行多维度特征提取。将提取的定量纹理数据与其他数据（例如临床和基因组数据）一起形成数据集，并对其进行数据挖掘，达到临床诊断、预后以及疗效评价的目的。如上图所示的Radiomics的处理过程，关键步骤是通过纹理分析方法提取定量特征，并建立模型进行定量数据分析，即数据挖掘过程。本研究也将以Radiomics处理体系为主要技术路线。1.3 本文技术路线及主要工作目前对于肝细胞性肝癌（HCC）与肝血管瘤（HEM）这两种肝部局灶性病变的临床诊断过于依赖放射科医师的经验，，对于低年资医师有着很大的困难。因此本研究开展了对于肝部病灶分割、感兴趣区域（ROI）提取、纹理特征分析以及鉴别诊断在内的多项研究工作，并基于本研究实现了 HCC 与 HEM 辅助诊断系统，

区域生长,局部区域,生长条件

图 3-4 区域生长局部区域示例图原图像进行去噪，并采用同样方式求出当前像素过上述两步计算得到局部 LBP 纹理均值 mLBP队列中的像素点与上述两者的差值均小于对应存在任何满足生长条件的像素时则停止生长，本法的生长条件如公式（3-12）所示：及分析2013年1月1日至2017年8月31日在四川大学华西
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;R816.5

【参考文献】