本文關(guān)鍵詞：基于醫(yī)學(xué)圖像的肝纖維化計算機輔助診斷研究，由筆耕文化傳播整理發(fā)布。

【摘要】：肝纖維化是由各種致病因素長期影響,導(dǎo)致肝內(nèi)結(jié)締組織異常增生,使肝內(nèi)彌漫性結(jié)節(jié)沉積逐步硬化的病理過程。肝纖維化是一種可逆性病變,如果能及時發(fā)現(xiàn)并接受治療可以使得纖維化程度減少,直至結(jié)締組織逐漸消失。因此采用計算機輔助診斷技術(shù)幫助醫(yī)生及時準確地診斷出肝纖維化程度具有重要的意義。 隨著數(shù)字圖像處理技術(shù)和醫(yī)學(xué)診斷技術(shù)的結(jié)合,采用核磁共振圖像(Magnetic Resonance Images, MRI)和計算機斷層圖像(Computed Tomography,CT)輔助診斷肝纖維化程度已經(jīng)得到廣泛的臨床應(yīng)用。但是當前基于醫(yī)學(xué)圖像的肝纖維化診斷還是依賴于醫(yī)生的肉眼診斷,因此就會丟失醫(yī)學(xué)圖像中大量的細微信息,為了提高醫(yī)學(xué)圖像的使用效率和診斷效率。本文將針對計算機輔助診斷研究進行如下幾點探討： (1)對MRI和CT肝臟圖像進行預(yù)處理,采用灰度共生矩陣(Gray Level Co-occurrence Matrix, GLCM)提取出圖像的13個紋理特征量和計算出圖像基本信息特征量：平均灰度值和灰度方差值。提取總共15個特征量進行肝纖維化程度診斷分類實驗。 (2)對診斷分類實驗采用的支持向量機(Support Vector Machine, SVM)分類算法進行分析；對SVM算法中的幾種核函數(shù)進行仿真實驗,結(jié)果表明高斯徑向基核函數(shù)在診斷分類實驗中獲得不錯的效果；采用仿真實驗分析高斯徑向基核函數(shù)的核半徑,能使分類器達到最佳的分類效果,改進SVM分類器設(shè)計；并通過針對醫(yī)學(xué)圖像特征量數(shù)據(jù)集合的驗證實驗確定改進的SVM算法的有效性和可靠性。 (3)采用改進的SVM分類器對各MRI圖像和CT圖像掃描期相診斷效果進行對比,分析表明在注射造影劑之后的平衡期獲得最佳的診斷效果。對計算灰度共生矩陣所選擇的感興趣區(qū)域(Region of Interest, ROI)大小進行診斷效果對比分析,在ROI大小為20×20像素時獲得的診斷效果最優(yōu)。 (4)對GLCM提取出的15個特征量的任意組合,遍歷地采用SVM分類方法進行肝纖維化程度級別分類實驗。綜合分析各特征量組合的診斷分類結(jié)果,統(tǒng)計表明在特征量個數(shù)為3至7個的組合時獲得的分類效果較好；并統(tǒng)計出MRI圖像和CT圖像的各個特征量在計算機輔助診斷肝纖維化程度實驗中的權(quán)重值。 (5)比較分析肝臟MRI和CT兩種醫(yī)學(xué)圖像的計算機輔助診斷試驗結(jié)果,表明了MRI比CT能夠更好地反映肝臟纖維化程度,MRI圖像的有效特征量分布更集中。
【關(guān)鍵詞】：計算機輔助診斷 醫(yī)學(xué)圖像 肝纖維化 灰度共生矩陣 支持向量機
【學(xué)位授予單位】：廣西大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2013
【分類號】：R575.2;TP391.41
【目錄】：

• 摘要4-6
• ABSTRACT6-10
• 第一章 緒論10-17
• 1.1 計算機輔助診斷概論10-11
• 1.2 研究背景及課題來源11-12
• 1.3 國內(nèi)外研究現(xiàn)狀12-15
• 1.3.1 國外研究現(xiàn)狀12-13
• 1.3.2 國內(nèi)研究現(xiàn)狀13-15
• 1.4 研究內(nèi)容和論文框架15-17
• 1.4.1 本文研究內(nèi)容15
• 1.4.2 本文框架15-17
• 第二章 實驗材料的提取與分析17-30
• 2.1 成像原理17-20
• 2.1.1 核磁共振成像原理17-18
• 2.1.2 計算機斷層成像原理18-20
• 2.2 本研究所采用的醫(yī)學(xué)圖像20-23
• 2.2.1 肝纖維化機理20-21
• 2.2.2 醫(yī)學(xué)圖像材料21-22
• 2.2.3 感興趣區(qū)域的選取22-23
• 2.3 紋理特征提取23-29
• 2.3.1 灰度共生矩陣24-26
• 2.3.2 紋理特征量分析26-29
• 2.4 本章小結(jié)29-30
• 第三章 診斷算法的研究30-42
• 3.1 支持向量機30-34
• 3.1.1 線性最優(yōu)分類超平面30-31
• 3.1.2 最優(yōu)判別函數(shù)31-32
• 3.1.3 核函數(shù)分析32-34
• 3.2 SVM核函數(shù)的仿真34-36
• 3.3 SVM分類器的改進設(shè)計36-38
• 3.4 改進的SVM分類器驗證實驗38-41
• 3.5 本章小結(jié)41-42
• 第四章 分類診斷實驗42-57
• 4.1 分類診斷實驗方法42-44
• 4.1.1 窮舉遍歷法42-43
• 4.1.2 留一法43-44
• 4.2 實驗流程44-47
• 4.3 ROI尺寸及肝臟掃描期的選取47-50
• 4.4 圖像特征量的優(yōu)化50-55
• 4.4.1 圖像特征量個數(shù)優(yōu)化50-51
• 4.4.2 圖像特征量組合優(yōu)化51-55
• 4.5 MRI和CT圖像的診斷實驗比較55-56
• 4.6 本章小結(jié)56-57
• 第五章 總結(jié)與展望57-59
• 5.1 全文工作總結(jié)57
• 5.2 本文工作展望57-59
• 參考文獻59-65
• 致謝65-66
• 攻讀碩士學(xué)位期間已發(fā)表、錄用論文及參與科研項目情況66

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前8條

1 李寧;孫銘;王磊;劉興龍;童隆正;;基于支持向量機的肝纖維化CT圖像分類[J];北京生物醫(yī)學(xué)工程;2007年01期

2 姜慧研;趙越;楊新風(fēng);;基于MRI的肝硬化程度的計算機輔助診斷[J];東北大學(xué)學(xué)報(自然科學(xué)版);2007年01期

3 奉國和;;SVM分類核函數(shù)及參數(shù)選擇比較[J];計算機工程與應(yīng)用;2011年03期

4 滑斌杰;張有會;王志巍;李金紅;;一種基于紋理分析的快速幀內(nèi)預(yù)測算法[J];計算機仿真;2009年11期

5 陳海榮,童隆正,賀文;肝纖維化紋理分析方法[J];首都醫(yī)科大學(xué)學(xué)報;2002年02期

6 陳海榮,童隆正;組合算法用于肝纖維化CT圖像研究[J];醫(yī)療設(shè)備信息;2003年06期

7 劉興龍,周萍,李訓(xùn)棟,王磊,童隆正;肝纖維化CT圖像的頻域特征分析[J];醫(yī)療設(shè)備信息;2004年10期

8 童隆正,劉興龍,王磊,李訓(xùn)棟;基于模糊決策的肝纖維化CT圖像分類方法研究[J];醫(yī)療設(shè)備信息;2004年11期

  本文關(guān)鍵詞：基于醫(yī)學(xué)圖像的肝纖維化計算機輔助診斷研究，，由筆耕文化傳播整理發(fā)布。

本文編號：276580