| 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 |
| |
| 引用本文： | 巩萍,王阿明.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[J].生物医学工程与临床,2013(6):552-556. |
| |
| 作者姓名： | 巩萍 王阿明 |
| |
| 作者单位： | 徐州医学院医学影像学院,江苏徐州221004 |
| |
| 摘 要： | 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。
|
| 关 键 词： | 小细胞肺癌 非小细胞肺癌 CT图像 灰度共生矩阵 多层前向（BP）人工神经网络 径向基函数（RBF）人工神经网络 |
Classification of lung cancer CT images based on grey level co-occurrence matrix and artificial neural network |
| |
| GONG Ping,WANG A-ming.Classification of lung cancer CT images based on grey level co-occurrence matrix and artificial neural network[J].Biomedical Engineering and Clinical Medicine,2013(6):552-556. |
| |
| Authors: | GONG Ping WANG A-ming |
| |
| Institution: | GONG Ping, WANG A-ming (School of Medical Image, Xuzhou Medical University, Xuzhou 221004, Jiangsu, China) Corresponding author： WANG A-ming |
| |
| Abstract: | |
| |
| Keywords: | small cell lung cancer non small cell lung cancer CT image gray level co- occurrence matrix back propagation（BP） artificial neural network radical basis function（RBF） artificial neural network |
| 本文献已被 维普 等数据库收录！ |
