目的:探討計算機(jī)輔助診斷方法在骨質(zhì)疏松分級診斷研究中的應(yīng)用價值。首先,采用紋理特征分析法提取骨盆X線平片股骨頸Ward三角區(qū)的紋理特征,然后,分別采用BP神經(jīng)網(wǎng)絡(luò)分類器及SVM分類器分級識別骨質(zhì)疏松。材料與方法:(1)原始數(shù)據(jù)采集及分組:骨盆X線平片圖像均來源于大連醫(yī)科大學(xué)附屬第二醫(yī)院,選取照攝骨盆X線平片檢查的病人89例,所有病人均于6個月內(nèi)同時采用雙能X線(dual-energy X-ray absorptiometry,DXA)檢測骨密度(BMD),依據(jù)BMD結(jié)果將病人分成三組:S0組(骨量正常)30例,S1組(骨量減低)28例,S2組(骨質(zhì)疏松)31例。(2)計算機(jī)輔助診斷分析:第一步,手動選取骨盆X線平片股骨頸Ward三角區(qū)像素大小為20×20的感興趣區(qū)(region of interest,ROI),每個患者提取4-8個ROI,共獲529個ROI,其中S0組178個,S1組169個,S2組182個;第二步,提取每個ROI的紋理特征參數(shù),首先采用灰度共生矩陣法提取每個ROI在4個方向(0°、45°、90°、135°)的自相關(guān)系數(shù)、相關(guān)性、陰暗聚類、熵等20個紋理特征參數(shù),對每個參數(shù)取平均值,然后提取每個ROI的4個灰度游程矩陣參數(shù)(游程長不均勻度因子、灰度不均勻度因子、長游程因子和短游程因子),共獲得24個紋理特征參數(shù);第三步,特征篩選:依據(jù)提取的紋理特征繪制盒狀圖對特征進(jìn)行篩選;第四步,采用BP神經(jīng)網(wǎng)絡(luò)分類器及SVM分類器對S0~S2 3組ROI進(jìn)行兩兩分類識別、繪制ROC曲線,進(jìn)一步比較BP神經(jīng)網(wǎng)絡(luò)分類器及SVM分類器分類識別的準(zhǔn)確率。結(jié)果:1.紋理特征選擇結(jié)果:根據(jù)提取的紋理特征,繪制24個紋理特征量相應(yīng)的盒狀圖,刪除兩組間重疊較多的11個特征參數(shù),獲得兩組間區(qū)分較好的13個紋理特征參數(shù)(自相關(guān)系數(shù)、熵、對比度、同質(zhì)度、最大概率、方差、和平均、和熵、和方差、差方差、差熵、游程長不均勻度因子及灰度不均勻度因子)。2.BP神經(jīng)網(wǎng)絡(luò)分類器分類識別結(jié)果:S0-S1總識別率為71.24%,相應(yīng)ROC曲線下面積(AUC)為0.6921;S0-S2總識別率為72.36%,相應(yīng)ROC曲線下面積(AUC)為0.7011;S1-S2的總識別率為61.56%,相應(yīng)ROC曲線下面積(AUC)為0.6348。3.SVM分類器分類識別結(jié)果:S0-S1的總識別率為73.52%,相應(yīng)ROC曲線下面積(AUC)為0.7377;S0-S2的總識別率為76.34%,相應(yīng)ROC曲線下面積(AUC)為0.7844;S1-S2的總識別率為64.55%,相應(yīng)ROC曲線下面積(AUC)為0.6758。結(jié)論:基于紋理特征的SVM及BP神經(jīng)網(wǎng)絡(luò)分類器能初步分級識別骨質(zhì)疏松平片圖像,且SVM分類器識別率略高于BP神經(jīng)網(wǎng)絡(luò)分類器。
【學(xué)位單位】：大連醫(yī)科大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP391.7;R580
【部分圖文】：

專業(yè)名稱：影像醫(yī)學(xué)與核醫(yī)學(xué)前言疏松(osteoporosis，OP) 一詞源自希臘語—多孔的骨[1]（圖 1），是最病，是以單位體積內(nèi)骨組織的有機(jī)成分及無機(jī)成分含量減少，導(dǎo)致骨加，易發(fā)生骨折為特征的全身性骨病。骨質(zhì)疏松可發(fā)生于任何年齡 5～10 年及 70 歲以上老年男性多見[1]。其最嚴(yán)重的并發(fā)癥為脆性骨患者的生活質(zhì)量，這給家庭和社會帶來沉重的經(jīng)濟(jì)負(fù)擔(dān)，因此如何做質(zhì)疏松，在發(fā)病早期便及時給予干預(yù)就顯得尤為重要。隨著老齡化人，骨質(zhì)疏松的問題日益凸顯，這已然不單純是健康問題，更屬于一個會問題[2]。目前臨床上可用于骨質(zhì)疏松診斷的方法主要分為有創(chuàng)檢查種，有創(chuàng)檢查以組織形態(tài)計量學(xué)檢查為主，無創(chuàng)檢查則包括生物化學(xué)量等。

大連醫(yī)科大學(xué)碩士學(xué)位論文本文采用的結(jié)合 X 線圖像紋理特征，進(jìn)行分類診斷，具體流程包括 ROI 的提取、紋理特征的提取及篩選、數(shù)據(jù)歸一化、BP 神經(jīng)網(wǎng)絡(luò)及 SVM 分類識別四個模塊（圖 3）。所得數(shù)據(jù)在 Pe 機(jī)( Pentiumoual -Core2.soGHzwith1.99GBRAM)中存儲，利用 MATLAB6.5 執(zhí)行分類器的功能。2. 計算機(jī)輔助診斷分析系統(tǒng)

圖 4 支持向量示意圖結(jié)果結(jié)果（部分-見表）表 2 部分紋理特征參數(shù)提取結(jié)果數(shù) 對比度 相關(guān)性 突出聚類 陰暗聚類 非相似性 能量 55 0.478947 0.743376 28.23014 1.514783 0.452632 0.128892 03 0.618421 0.764229 61.41549 -2.42949 0.534211 0.094114 42 0.628947 0.792178 70.32216 -3.90296 0.523684 0.09331 21 0.547368 0.699145 23.76863 -1.80875 0.473684 0.126136 92 0.486842 0.612649 10.86988 0.609631 0.444737 0.156122 95 0.502632 0.740435 30.84813 2.056532 0.450000 0.121607 89 0.400000 0.599432 7.844621 0.593177 0.400000 0.195623 79 0.426316 0.573733 7.731459 0.07859 0.405263 0.201828 47 0.407895 0.631385 9.635400 0.204555 0.381579 0.20464
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 程克斌;王玲;王倩倩;馬毅民;蘇永彬;張勇;程曉光;;定量CT與DXA測量近段股骨面積骨密度及T值的比較研究[J];中國骨質(zhì)疏松雜志;2015年03期

2 劉智;蔡躍增;;氫質(zhì)子磁共振波譜在骨質(zhì)疏松診斷中的應(yīng)用價值[J];中國骨質(zhì)疏松雜志;2014年12期

3 陳珺;張豪;楊國柱;陸幸研;金小冬;盧麗;李青南;;骨形態(tài)計量學(xué)目前應(yīng)用專家共識[J];中國骨質(zhì)疏松雜志;2014年09期

4 吳天秀;蔡潔;;基于紋理分析的骨質(zhì)疏松計量診斷[J];中國骨質(zhì)疏松雜志;2014年07期

5 王晶晶;孫濤;趙楓朝;李霞;蔡博文;朱曉萌;郭秀花;;支持向量機(jī)在肺結(jié)節(jié)CT圖像中的應(yīng)用[J];北京生物醫(yī)學(xué)工程;2013年05期

6 張極峰;夏旭東;李萍;張一;劉斌;劉揚(yáng);劉白鷺;;計算機(jī)輔助診斷在孤立性肺結(jié)節(jié)CT診斷的應(yīng)用[J];醫(yī)學(xué)影像學(xué)雜志;2013年09期

7 周濤;陸惠玲;陳志強(qiáng);馬苗;;基于兩階段集成支持向量機(jī)的前列腺腫瘤識別[J];光學(xué)精密工程;2013年08期

8 趙文杰;張立鶴;;基于約簡核矩陣的稀疏最小二乘支持向量機(jī)[J];計算機(jī)仿真;2013年07期

9 常莎;王瑞平;;基于CT三維圖像的肺結(jié)節(jié)良惡性鑒別研究[J];北京生物醫(yī)學(xué)工程;2013年01期

10 王剛;姜新國;林森森;莊銀蘋;王阿明;;構(gòu)造因子對肺癌CT圖像紋理特征指標(biāo)的影響[J];徐州醫(yī)學(xué)院學(xué)報;2012年05期

相關(guān)博士學(xué)位論文 前3條

1 韓振中;基于X線圖像的乳腺腫塊檢測與分類方法研究[D];北京交通大學(xué);2015年

2 張國鵬;三維紋理分析在虛擬結(jié)腸鏡計算機(jī)輔助檢測/診斷中的應(yīng)用研究[D];第四軍醫(yī)大學(xué);2013年

3 江少鋒;醫(yī)學(xué)圖像的特征自動提取及基于模糊特征的圖像檢索研究[D];南方醫(yī)科大學(xué);2008年

相關(guān)碩士學(xué)位論文 前3條

1 趙超;基于CT圖像的胰腺癌檢測方法的研究與實(shí)現(xiàn)[D];東北大學(xué);2013年

2 葉萌萌;基于支持向量機(jī)的肝臟腫瘤良、惡性識別研究[D];浙江大學(xué);2012年

3 延偉東;圖像特征提取方法的研究[D];西北工業(yè)大學(xué);2007年

本文編號：2855152