基于MR图像纹理特征的阿尔茨海默病分类模型

目的基于MR图像,提取脑部海马区域纹理特征参数建立阿尔茨海默病(Alzheimer disease,AD)的早期分类预测模型。方法研究数据来源于美国国立老年研究所ADNI数据库,收集研究对象的磁共振(magnetic resonance,MR)脑图像,分别基于左、右和双侧海马图像,通过区域增长法和Contourlet变换提取纹理特征参数,结合研究对象的基本信息作为特征变量采用高斯过程分类方法建立AD患者和健康对照的诊断模型以及轻度认知障碍(mild cognitive impairment,MCI)患者转变为AD的预测模型,并评价模型的灵敏度、特异度以及ROC曲线下面积。结果研究共纳入420例研究对象。基于AD和健康对照两组构建的分类模型,双侧海马区的灵敏度、特异度以及ROC曲线下面积分别为92.7%、87.1%和0.922,均大于基于左侧或右侧海马区图像建立的模型。基于MCI数据建立的AD早期预测模型中,灵敏度最高为82.4%,ROC曲线下面积最高为0.836。结论基于脑部海马区的Contourlet纹理特征构建预测模型,可以识别AD早期的病变情况,这将有助于早期监测MCI进展为AD,为减缓和治疗AD发病提供依据。     

基于PET/CT图像纹理参数的肺结节诊断模型

目的基于PET/CT融合图像纹理参数建立肺结节良恶性诊断模型,提高肺癌的识别率。方法选取宣武医院核医学科经PET/CT检查的52例肺结节患者,收集其PET/CT影像图像及人口学、影像学信息。以Contourlet变换和灰度共生矩阵相结合的方式,对PET/CT图像的感兴趣区域提取纹理参数。基于所提取的纹理参数建立支持向量机模型,得到每个肺结节良恶性判别结果。为了提高模型的诊断效果,将结节边缘、最大摄取值、有晕征等影像学信息也纳入模型,重新建立支持向量机模型。通过灵敏度、特异度、正确率等指标对模型诊断效果进行评价。结果纹理参数肺结节诊断模型的灵敏度、特异度分别为90.7%、93.5%,纹理参数结合影像学信息的肺结节诊断模型的灵敏度、特异度分别为95.7%、100.0%。结论基于PET/CT图像纹理参数建立的支持向量机模型对良恶性肺结节具有较好的鉴别诊断效果。