發(fā)布時間：2017-10-03 11:08

  本文關鍵詞：基于MR增強圖像紋理特征的肝纖維化分期診斷研究

  更多相關文章： 肝纖維化 平衡期 圖像紋理特征 BP神經(jīng)網(wǎng)絡 數(shù)據(jù)量化

【摘要】：目的:本研究采用無創(chuàng)的計算機輔助診斷方法,分期識別大鼠肝纖維化模型MRI增強圖像的紋理特征。方法:48只大鼠隨機分為實驗組(36只)和對照組(12只)。實驗組大鼠皮下注射50%四氯化碳(CCL4)/橄欖油混合液(體積比1:1),注射劑量為0.3ml/100g,首次劑量為0.5ml/100g,每周兩次,共12周,對照組注射相同劑量的生理鹽水。從第4周起,每周用3.0TMR西門子掃描儀采集大鼠肝臟圖像,MR線圈為大鼠專用線圈。尾靜脈注射造影劑Gd-DTPA(馬根維顯0.2 ml/100g),注射后的180s采用3D_VIBE_fs_T1WI梯度回波序列,采集平衡期MR圖像。參考MR圖像,每個大鼠肝臟切取7-9個肝臟組織進行HE染色和改良的Gomori氨銀法染色,光鏡下判別F0-F4期肝纖維化分期。依據(jù)病理結果,在平衡期圖像上手動提取10×10像素大小的感興趣區(qū),采用非線性量化Lloyd’s算法和經(jīng)典線性量化方法將原始圖像數(shù)據(jù)壓縮至256級,并用灰度共生矩陣GLCM提取20個紋理特征參數(shù):自相關系數(shù)、對比度、相關性、突出聚類、陰暗聚類、非相似聚類、能量、熵、同質度、最大概率、方差、和平均、和方差、和熵、差方差、差熵、相關信息度1、相關信息度2、歸一化逆差、和歸一化逆差距,從4個方向提取共80個紋理特征參數(shù),最后分別采用BP神經(jīng)網(wǎng)絡、Linear、K-NN和支持向量機四種分類器對F0-F4期的肝臟組織的ROI進行兩兩分類識別。結果:43只大鼠完成全部實驗過程,5只大鼠死亡。10只對照組大鼠的病理結果均為F0期。33只大鼠的病理結果均在F1-F4期間,未見F5期(肝硬化期),其中28只大鼠的所有切取組織的病理結果為同一期別,另外5只大鼠全肝的病理結果不完全一致,在同一肝臟內共存不同期別的肝纖維化�；诜蔷�性量化的BP神經(jīng)網(wǎng)絡分類器的分類結果總體優(yōu)于線性量化的分類結果,非線性量化的BP神經(jīng)網(wǎng)絡分類器的結果為:在F0vs F2、F0vs F3、F0vs F4間的分類準確率分別為0.6190、0.6727、0.6716;F2vs F3、F2 vs F4間的分類準確率分別為0.6406和0.8026;F3vs F4間的分類準確率為0.7941,即在F2vs F4、F3vs F4間分類準確率最高(0.8026、0.7941)�；诜蔷�性量化的BP神經(jīng)網(wǎng)絡的分類結果總體優(yōu)于基于非線性量化的其他三個分類器結果,Linear分類器區(qū)分F0vs F4期結果最好,準確率為0.6716;K-NN分類器區(qū)分F2vs F4期的結果最好,準確率為0.6973;而SVM分類器在F3vs F4期的分類最好,準確率0.7353。結論:一、基于Lloyd’s算法的BP神經(jīng)網(wǎng)絡分類器的準確率高于線性量化的BP神經(jīng)網(wǎng)絡分類器;基于Lloyd’s算法的四個分類器中,較Linear、K-NN和SVM分類器,BP神經(jīng)網(wǎng)絡分類器更適合于大鼠肝纖維化模型的分期識別。二、本文采用的無創(chuàng)、客觀量化的計算機輔助診斷方法,提高了大鼠肝纖維化分期識別的準確率,為臨床肝纖維化的準確分期診斷研究提供了新思路。
【關鍵詞】：肝纖維化 平衡期 圖像紋理特征 BP神經(jīng)網(wǎng)絡 數(shù)據(jù)量化
【學位授予單位】：大連醫(yī)科大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：R575.2;R445.2
【目錄】：

• 中文摘要6-8
• 英文摘要8-10
• 前言10-12
• 材料和方法12-18
• 一、數(shù)據(jù)獲取12-13
• 二、計算機輔助診斷系統(tǒng)13-18
• 結果18-21
• 討論21-26
• 結論26-27
• 參考文獻27-30
• 綜述30-40
• 參考文獻37-40
• 病例報告40-43
• 縮略詞表43-44
• 攻讀學位期間發(fā)表文章情況44-45
• 致謝45-46

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 辛民宣;史正星;崔光彬;盧虹冰;;基于內容的醫(yī)學圖像檢索中對Tamura紋理特征的算法改進[J];醫(yī)療衛(wèi)生裝備;2010年02期

2 童濤;楊桄;崔震;葉怡;王壽彪;;基于紋理特征的SAR圖像水上橋梁目標檢測[J];中國體視學與圖像分析;2012年02期

3 李昕;童隆正;王旭;王磊;;阿爾茨海默病患者MR圖像胼胝體三維紋理特征研究[J];中國醫(yī)療設備;2011年02期

4 郭冬梅;劉惠;邵瑩;林相波;劉文紅;紀虎;;基于紋理特征的多序列MRI的肝硬化識別研究[J];中國醫(yī)學影像技術;2014年07期

5 衛(wèi)娜;李向東;黃殿忠;王政;;基于紋理特征和GRBF網(wǎng)絡的醫(yī)學圖像分割[J];醫(yī)療衛(wèi)生裝備;2008年11期

6 蔣勇;基于分形維數(shù)的肺部軟組織CT圖像的紋理特征研究[J];中國醫(yī)學裝備;2004年03期

7 徐濤;葉志前;蔡衛(wèi)民;;肝臟B超圖像的紋理分析方法[J];國際生物醫(yī)學工程雜志;2006年04期

8 羅天健;劉秉瀚;;融合特征的自適應超像素圖割算法[J];中國體視學與圖像分析;2014年02期

9 尹東;劉京銳;;基于分級檢索策略的醫(yī)學圖像檢索方法研究[J];北京生物醫(yī)學工程;2007年01期

10 ;[J];;年期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 田學東;郭寶蘭;;基于紋理特征的版式識別研究[A];輝煌二十年——中國中文信息學會二十周年學術會議論文集[C];2001年

2 殷積東;劉博;王少輝;;基于粗糙集理論和關聯(lián)規(guī)則的腐蝕區(qū)域紋理特征檢測算法研究[A];圖像圖形技術研究與應用(2010)[C];2010年

3 秦鐘;;基于紋理特征的車輛分割方法[A];第二十七屆中國控制會議論文集[C];2008年

4 王建新;周晨波;于文英;;利用紋理特征分析激光散斑圖像[A];第十一屆全國光學測試學術討論會論文（摘要集）[C];2006年

5 王宇生;陳純;;一種用于圖像檢索的紋理特征[A];中國圖象圖形學會第十屆全國圖像圖形學術會議（CIG’2001）和第一屆全國虛擬現(xiàn)實技術研討會（CVR’2001）論文集[C];2001年

6 龔紅菊;姬長英;;基于紋理特征的麥穗產(chǎn)量測量方法研究[A];2007年中國農業(yè)工程學會學術年會論文摘要集[C];2007年

7 常哲;侯榆青;程濤;李明俐;劉黎寧;;綜合顏色和紋理特征的圖像檢索[A];全國第三屆信號和智能信息處理與應用學術交流會�？痆C];2009年

8 趙銀娣;蔡燕;;紋理特征在高空間分辨率遙感影像分類中的應用探討[A];《測繪通報》測繪科學前沿技術論壇摘要集[C];2008年

9 秦健;李濤;;基于Contourlet變換提取云的旋轉不變紋理特征[A];2009第五屆蘇皖兩省大氣探測、環(huán)境遙感與電子技術學術研討會專輯[C];2009年

10 張樹恒;陽維;廖廣姍;王蓮蕓;張素;;基于形狀和紋理特征的致敏花粉顯微圖像識別[A];中華醫(yī)學會2010年全國變態(tài)反應學術會議暨中歐變態(tài)反應高峰論壇參會指南/論文匯編[C];2010年

中國博士學位論文全文數(shù)據(jù)庫 前4條

1 周前進;基于紋理特征的打印文檔機源認證技術研究[D];武漢大學;2015年

2 陳曉穎;典型地基云圖云狀的識別方法研究[D];東南大學;2015年

3 夏瑜;基于結構的紋理特征及應用研究[D];中國科學技術大學;2014年

4 李伯宇;圖像紋理分析及分類方法研究[D];復旦大學;2007年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 李強;基于顏色與紋理特征的圖像檢索技術研究[D];河北大學;2015年

2 田甜;面向對象的森林植被類型信息提取技術[D];東北林業(yè)大學;2015年

3 崔巍;基于紋理特征的地表覆蓋分類算法研究[D];南京理工大學;2015年

4 宋歌聲;利用超聲圖像紋理特征鑒別甲狀腺結節(jié)良惡性的研究[D];山東大學;2015年

5 廖聲揚;數(shù)字視頻復制—粘貼篡改被動取證研究[D];福建師范大學;2015年

6 牧其爾;基于紋理特征的人工梭梭林生物量遙感估測研究[D];內蒙古師范大學;2015年

7 張瑞英;基于多源遙感數(shù)據(jù)的森林郁閉度估測方法研究[D];內蒙古師范大學;2015年

8 黃源;基于區(qū)域語義模板的刑偵圖像檢索算法研究[D];西安郵電大學;2015年

9 趙玉丹;基于LBP的圖像紋理特征的提取及應用[D];西安郵電大學;2015年

10 林婉晴;城市不透水面信息提取方法及應用研究[D];福建師范大學;2015年

，

本文編號：964845