基于直方图的纹理度量在超声乳腺肿瘤识别中的应用

探讨纹理特征在超声乳腺肿瘤诊断中的价值。提取超声图像中乳腺肿瘤的纹理度量,得到由均值、标准差、平滑度、三阶矩、一致性和熵组成的特征矢量,最后用反向传播人工神经网络（BP）对96幅乳腺肿瘤的良恶性进行分类识别。BP 神经网络对良、恶性肿瘤的正确识别率分别为88．4％和78．6％。基于乳腺肿瘤超声图像的纹理特征建立的神经网络系统对肿瘤的良恶性具有较好的识别能力。     

乳腺钼靶X线影像中结构扭曲的特征提取研究

本研究以灰度共生矩阵描述乳腺钼靶X线影像中结构扭曲的纹理特征.对学习样本（乳腺结构扭曲样本44个,正常样本78个）,计算五个反映纹理性质的特征参数,根据相应的Fisher系数,确定最适合作为分类依据的特征参数或特征参数组合.用线性判别分析对测试样本（乳腺结构扭曲样本43个,正常样本78个）进行分类.分类结果表明本研究确定的纹理特征熵（ENT）是识别乳腺结构扭曲的最佳统计参数（分类正确率达78.5%、ROC曲线下的面积为0.786）.     

基于灰度共生矩阵和人工神经网络的肺癌CT图像的分类研究

目的研究小细胞肺癌（SCLC）和非小细胞肺癌（NSCLC）的分类问题。方法217例肺癌患者．其中男性165例．殳性52例;年龄35～80岁,平均年龄61．5岁。其中SCLC108例,NSCLC109例。提取患者764幅肺癌CT图像的灰度共生矩阵,选取对比度、熵、能量和逆差矩4个特征值,借助临床确诊结果,利用多层前向（BP）、径向基函数（RBF）人工神经网络对特征进行训练测试。结果BP人工神经网络对10％的78例样本进行测试,SCLC42例预测正确．NSCLC33例预测正确．3例预测失败。RBF神经网络对10％的78例测试样本进行测试,SCLC42例预测正确．NSCLC36例预测正确、类似方法对样本总数的70％进行训练,用30％的230例进行测试;BP人工神经网络有209例预测正确。正确率为90．9％：其中SCLC111例预测正确,正确检出率为88．8％;NSCLC98例预测正确,正确检出率为93.3％。RBF人工神经网络有216例预测正确．正确率为93．9％,其中SCLC117例预测正确,正确率为93．6％;NSCLC99例预测正确,止确检出率为94.3％。可见BP、RBF人1二神经网络对SCLC和NSCLC均具有90％以上的正确率,高于人工诊断结果。结论基于灰度共生矩阵的对比度、熵、能量和逆差矩4个特征值能反映SCLC和NSCLC的有效特征参量．通过人工神经网络能达到分类目的,辅助临床治疗。     

肝肿瘤微血管网络形态学定量研究

本研究基于同步辐射X射线相衬显微CT的高精度肝肿瘤数据,定量解析肝肿瘤微血管网络结构的灰度和纹理特征变化,探寻其微观病理形态学演化规律。针对肝肿瘤相衬CT三维切片,结合病理分析,提出4种肝肿瘤血管网络演化类型;提取了基于灰度直方图、灰度共生矩阵、灰度-梯度共生矩阵、灰度差分统计及小波能量等49维特征值,构建了肿瘤微血管网络结构特征集。提出曲线下面积(area under curve, AUC)和主成分分析法(principal component analysis, PCA)组合的最优特征筛选法(AUC+PCA),获取能够高效反映图像特征变化的最简特征集;采用Random Forest和决策树C4.5算法挖掘肝肿瘤微血管网络不同演化类型的内涵特征及关联性,并采用参数评估、ROC(receiver operating characteristic,ROC)曲线对分类模型进行定量评价。结果表明,4种肝肿瘤网络结构的内涵特征间均存在组织差异性和分化性,验证了肝肿瘤微损伤分类和演化递进关系。通过肝肿瘤微血管网络形态学特征变化的定量研究具体揭示了肿瘤生长所依赖的炎症微环境与肿瘤浸润发展与转移之间的定量关系,为肿瘤早期检测和治疗策略提供了科学依据。     

基于数字胸片小波纹理特征的尘肺病早期诊断方法研究

目的探讨利用基于小波变换的熵纹理特征进行尘肺病诊断的方法,并研究相关的分类技术。方法对70名健康体检者和40名尘肺病患者的数字x射线摄影（digitalradiography,DR）图像进行纹理分析,提取小波熵纹理特征,并利用决策树进行特征选择。选取不同核函数的支持向量机（supportvectormachines,SVM）对DR胸片进行分类,通过5折交叉验证估计诊断分类的性能并进行评价。结果对DR图像做8次小波分解后提取8个小波熵纹理特征（特征全集）,其中6个经过特征选择组成特征子集。应用SVM进行分类时,基于特征子集的分类结果均好于基于特征全集的分类结果。线性核函数SVM的分类效果好于其他核函数SVM的分类效果,准确率达84．6％,ROC曲线下面积为0．88±0．04。结论利用SVM以DR图像的小波熵为特征进行尘肺病诊断有较高水平,有助于尘肺病的早期诊断。     

基于MR图像女性阿尔茨海默症海马纹理特征研究

目的基于MR图像研究女性阿尔茨海默症患者海马纹理特征的改变。方法取阿尔茨海默症(Alzheimer’s disease,AD)患者组、老年和青年对照组各9例女性样本,提取海马和均值、灰度不均匀性等纹理参数和海马体积参数,测试各组间参数是否显著不同,并测试纹理特征和体积的相关性。结果 AD组与老年对照组海马和均值、灰度不均匀性以及体积显著不同(p0.05),纹理参数与海马体积显著相关(r0.5,p0.01)。老年对照组和青年对照组各参数均未见显著性差异。结论纹理参数可能反映AD脑组织的病理改变,海马增龄性变化与AD病理改变有本质不同。此项研究可能为AD早期诊断提供帮助。     

基于纹理分析的阿尔茨海默症及轻度认知功能障碍的分类研究

目的 利用脑MR图像中胼胝体的三维纹理特征对阿尔茨海默症患者（Alzheimer disease,AD）及轻度认知功能障碍（mild cognitive impairment,MCI）患者进行分类识别,以探索AD早期诊断新途径.方法 选取AD患者、MCI患者及健康对照者各l8例,采用灰度共生矩阵和游程长矩阵提取每位受试者胼胝体部位的三维纹理特征.通过筛选得到的纹理特征参量,利用BP神经网络建立识别模型,对AD患者、MCI患者和健康对照者进行分类识别,并对采用主成分分析、线性判别分析和非线性判别分析3种方法得到的识别结果进行比较.结果 使用神经网络模型的非线性判别分析的分类识别正确率最高.结论 利用三维纹理特征的神经网络模型可分类识别早期AD患者及MCI患者.     

BP神经网络在眼底造影图像分割中的应用

背景:通过眼底荧光血管造影(FFA)所得到的数字图像以及对其进行处理所得到的数据,可反映视网膜血管结构、血流动力学改变、血管病理生理变化及其相关结构的病理改变,广泛应用于视网膜、脉络膜及视神经疾病的鉴别诊断。目的:通过分析眼底造影图像和BP神经网络的特点,利用BP神经网络对眼底造影图像进行分割,并将其利用到眼科的临床辅助诊断之中。方法:将待分割图像区域分为背景和目标两类,用手工方法得到这两类的样本图像,提取样本图像的特征,如灰度、方差、纹理等;对提取的样本特征值进行归一化处理,输入神经网络分类器,利用BP训练算法进行训练;输入待分类的医学图像,提取图像特征,并进行归一化处理;将归一化后的特征值,输入已训练的神经网络分类器进行分类,得到眼底造影图像的分割结果。结果与结论:本文使用的眼底造影图像分割方法抗干扰能力强,分割的眼底造影图像清晰、内容丰富。可以为眼科医生的临床诊断提供较大帮助。     

基于肺部PET/CT图像不同纹理特征的K最近邻分类器

目的对PET/CT图像高维纹理参数进行降维,基于不同纹理参数建立肺结节良恶性的K最近邻(K-nearest neighbor,KNN)分类器,探究最佳建模方法,提高分类的准确率。方法采用回顾性研究的方式,收集52例首都医科大学宣武医院核医学科肺结节患者的PET/CT图像,对图像的感兴趣区域基于Contourlet变换提取灰度共生矩阵的纹理参数。对肺结节PET/CT图像的纹理参数首先采用单因素分析的方法,根据ROC曲线下面积筛选纹理参数,再对其进行主成分分析提取主要成分。基于主成分、根据ROC曲线筛选的纹理及原始纹理分别采用K最近邻分类算法建立肺结节良恶性的分类器,通过正确率、灵敏度、特异度、阳性预测值(positive predictive value,PPV)、阴性预测值(negative predictive value,NPV)、ROC曲线下面积(area under curve,AUC)这些指标评价分类效果。结果 PET/CT图像共提取1344个原始纹理参数,经单因素分析后筛选出89个纹理参数,对筛选后的纹理共提取11个主成分。基于主成分、筛选纹理、原始纹理的分类模型正确率分别为0.614、0.579、0.263;AUC分别为0.645、0.610、0.515。结论在主成分纹理、单因素分析筛选的纹理、原始纹理中,基于主成分纹理建立K最近邻分类器的效果最好。     

乳腺计算机辅助诊断中DCE-MRI图像特征的选择与分析

目的比较动态对比度增强磁共振成像（dynamic contrast—enhanced magnetic resonance imaging,DCE—MRI）图像的形态、纹理和时间强度曲线（time intensity curve,TIC）特征对乳腺病灶良恶性的诊断效果,讨论DCE—MRI图像特征的计算机辅助诊断价值。方法测量224个乳腺病灶样本（良性样本82个,恶性样本142个）的12个形态学特征、56个基于灰度共生矩阵（gray level co—occurrencematrix,GLCM）的纹理特征以及11个TIC特征,采用平均平方距离准则和SVM分类器评估这三类特征的良恶性分辨能力。结果反映病灶血流动力学特性的TIC特征的分类性能最优（SE0．9366,SP0．8293,AUC0．9495）;纹理特征次之（SE0．9225,SP0．7195,AUC0．8835）;形态学特征效果最差（SE0．8451,SP0．6951,AUC0．8079）。研究发现,在上述基础上融合三类特征可优化分类性能。最终结合平滑度、紧致度、熵等9个特征参数进行诊断,对乳腺病灶良恶性的分辨效果最好,AUC达0．9642。结论DCE—MRI的TIC特征对恶性乳腺病灶具有较高的灵敏度,可以提高乳腺计算机辅助诊断的恶性病灶检出率。综合分析形态、纹理和TIC特征可以提高病灶的诊断特异度,降低良性病灶的误诊率。     

Combination of Radiological and Gray Level Co-occurrence Matrix Textural Features Used to Distinguish Solitary Pulmonary Nodules by Computed Tomography

The objective of this study was to investigate the method of the combination of radiological and textural features for the differentiation of malignant from benign solitary pulmonary nodules by computed tomography. Features including 13 gray level co-occurrence matrix textural features and 12 radiological features were extracted from 2,117 CT slices, which came from 202 (116 malignant and 86 benign) patients. Lasso-type regularization to a nonlinear regression model was applied to select predictive features and a BP artificial neural network was used to build the diagnostic model. Eight radiological and two textural features were obtained after the Lasso-type regularization procedure. Twelve radiological features alone could reach an area under the ROC curve (AUC) of 0.84 in differentiating between malignant and benign lesions. The 10 selected characters improved the AUC to 0.91. The evaluation results showed that the method of selecting radiological and textural features appears to yield more effective in the distinction of malignant from benign solitary pulmonary nodules by computed tomography.     

良恶性肺小结节CT图像基于灰度共生矩阵10种纹理特征研究

目的 建立多水平模型研究良恶性肺小结节CT图像的灰度共生矩阵纹理特征,更好地描述肺小结节CT图像,达到辅助肺小结节鉴别的目的.方法 对185例2171张肺小结节CT图像基于灰度共生矩阵提取10个纹理特征,拟合多水平统计模型分析良恶性CT图像的纹理特征的差异.结果 在考虑患者水平的基础上能量、惯性矩等8个纹理特征,在良恶性肺小结节的CT图像间的差异有统计学意义.结论 基于灰度共生矩阵的一些纹理特征是反应肺小结节CT图像良恶性的有效特征参量,在一定程度上有助于早期肺癌的鉴别诊断.     

基于Local Jet变换空间纹理特征的肺结节分类方法

为了在纹理特征下改善肺结节良、恶性的模式识别,提出一种基于local jet变换空间的纹理特征提取方法。首先利用二维高斯函数的前三阶偏微分函数将结节原图像变换到local jet纹理图像空间,然后利用纹理描述子在该空间提取特征参数。以灰度值的前四阶矩和基于灰度共生矩阵的特征参数作为纹理描述子,分别提取结节原图像和变换后纹理图像的特征参数,以BP神经网络作为分类器,对同一纹理描述子下的2个不同图像空间的经核主成分分析优化后的特征参数集进行结节良、恶性分类。以157个肺结节(51个良性,106个恶性)作为实验数据进行对比实验,结果显示:两种纹理描述子基于local jet变换空间提取的特征参数分别获得82.69%和86.54%的分类正确率,较原图像空间提高6%～8%,同时AUC值提高约10%。实验结果表明,基于local jet变换空间提取的纹理特征可以有效地改善肺结节良、恶性的模式识别。     

CT动态增强扫描中时间密度曲线及特征参数值对孤立性肺结节的诊断价值

目的:分析CT动态增强扫描中时间密度曲线及特征参数值对孤立性肺结节的诊断价值。方法:回顾性分析95例孤立性肺结节病变患者的临床资料,所有患者均行CT动态增强扫描检查及病理活检。依据病理结果,分析CT动态增强扫描的特异性、敏感性及准确性,并对不同类型孤立性肺结节时间密度曲线及特征参数值进行比较分析。结果:（1）95例孤立性肺结节病变患者中,恶性结节67例、良性结节14例,炎性结节14例;（2）CT动态增强扫描诊断孤立性肺结节病变性质的特异性为83.33%,敏感性为95.38%,准确性为91.58%;（3）恶性结节及炎症结节患者在CT动态增强扫描中各时间点的CT值均高于良性结节组（P<0.05）;在CT动态增强扫描300及480 s时,炎性结节组CT值较恶性结节组下降显著（P<0.05）;（4）恶性结节组及炎性结节组结节强化值（PH）、孤立性肺结节PH与主动脉PH之比均明显高于良性结节组（P<0.05）。结论:对孤立性肺结节病变患者行CT动态增强扫描,时间密度曲线及特征参数值可以为良、恶性孤立性肺结节提供一定的诊断依据。     

A pattern classification approach to characterizing solitary pulmonary nodules imaged on high resolution CT: preliminary results.

The purpose of this research is to characterize solitary pulmonary nodules as benign or malignant based on quantitative measures extracted from high resolution CT (HRCT) images. High resolution CT images of 31 patients with solitary pulmonary nodules and definitive diagnoses were obtained. The diagnoses of these 31 cases (14 benign and 17 malignant) were determined from either radiologic follow-up or pathological specimens. Software tools were developed to perform the classification task. On the HRCT images, solitary nodules were identified using semiautomated contouring techniques. From the resulting contours, several quantitative measures were extracted related to each nodule's size, shape, attenuation, distribution of attenuation, and texture. A stepwise discriminant analysis was performed to determine which combination of measures were best able to discriminate between the benign and malignant nodules. A linear discriminant analysis was then performed using selected features to evaluate the ability of these features to predict the classification for each nodule. A jackknifed procedure was performed to provide a less biased estimate of the linear discriminator's performance. The preliminary discriminant analysis identified two different texture measures--correlation and difference entropy--as the top features in discriminating between benign and malignant nodules. The linear discriminant analysis using these features correctly classified 28/31 cases (90.3%) of the training set. A less biased estimate, using jackknifed training and testing, yielded the same results (90.3% correct). The preliminary results of this approach are very promising in characterizing solitary nodules using quantitative measures extracted from HRCT images. Future work involves including contrast enhancement and three-dimensional measures extracted from volumetric CT scans, as well as the use of several pattern classifiers.     

多层螺旋CT灌注成像技术在良恶性肺结节鉴别诊断中的应用价值

目的探讨64排螺旋CT灌注成像在孤立性肺结节的良恶性鉴别诊断中的应用价值。方法29例孤立性肺结节（直径≤4cm，20例恶性，9例良性）患者，其中男性20例，女性9例，年龄28～76岁，平均年龄59．7岁。应用64排螺旋CT对孤立性肺结节行灌注扫描（造影剂总量100m1,流速4ml／s）。将动态扫描数据输入GE工作站（ADW4．2P），应用工作站随机Perfusion 3-体部肿瘤软件包分析和测定肺内病灶的血容积（BV）、血流量（BF）、平均通过时间（MTT）、表面通透性（PS）的数值和时间-密度曲线（time—density curve，TDC），并测量孤立性肺结节增强前的CT值、强化值、结节／动脉强化值比。结果肺恶性结节的灌注参数均高于肺良性结节，BF、BV、PS值均有统计学意义（P〈0．05），BV的差异最显著。以BV≥4ml／100mg为诊断阈值，结节BV≥4ml／100mg的诊断为恶性，敏感性95％、特异性100％。恶性结节的强化值和结节／动脉强化值比均明显高于良性结节（P=0．002．P=0．020）。结论动态对比增强CT提供了孤立性肺结节的血流模式的定量信息,可用于无创性的诊断和评价孤立性肺结节。     

基于深度学习结合解剖学注意力机制的肺结节良恶性分类

肺结节作为肺癌的初期表现,及时的发现和准确的良恶性诊断对于疾病的治疗具有重要的意义。为了提高肺部CT图像中肺结节良恶性的诊断率,提出一种基于3D ResNet的卷积神经网络,并通过加入解剖学注意力模块有效地提高了肺结节良恶性的分类精度。此外,该方法通过自动分割以获取注意力机制所需的感兴趣区域,实现整个流程的全自动化。解剖学注意力的添加能更好地捕捉图像中的局部纹理信息,进一步提取对于肺结节良恶性诊断有用的特征。本文方法在LIDC-IDRI数据集上进行验证。实验结果表明与传统的3D ResNet及其他现有的方法相比,本文方法在分类精度上有显著的提高,在独立测试集上的最终分类的AUC达到0.973,准确率为0.940。由此可见,本文方法能在辅助医生对肺结节的诊断中起到重要作用。     

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。