本文關(guān)鍵詞：計算機輔助診斷技術(shù)在胃腸道粘膜下病變診斷中的應(yīng)用

  更多相關(guān)文章： 超聲內(nèi)鏡圖像(EUS) 胃腸道粘膜下病變(SMLs) 平滑肌瘤 胃腸道間質(zhì)瘤(GISTs) 圖像分析 計算機輔助診斷(CAD)

【摘要】：胃腸道粘膜下病變(gastrointestinal submucosal lesions, SMLs)包含多種不同的病理類型。由于表面有正常的胃腸道粘膜,明確診斷有很大的那難度。超聲內(nèi)鏡(endoscopic ultrasonography, EUS)可以很好的呈現(xiàn)SMLs的起源層次,腫塊與組織的關(guān)系及腫塊的回聲性、內(nèi)部回聲等信息,是臨床上診斷和鑒別診斷SMLs首選的檢查。然而僅憑單一的EUS檢查確診SMLs的敏感性和特異性非常低,尤其是在診斷胃腸道間質(zhì)瘤(gastrointestinal stromal tumors, GISTs)過程中。GISTs具有惡性生物學(xué)行為特征,早期可出現(xiàn)肝臟和腹腔轉(zhuǎn)移。手術(shù)或內(nèi)鏡完全移除病變能夠明顯的改善GISTs的預(yù)后。雖然目前文獻報道了病變的位置、大小及聲像圖特征有助于診斷和判斷GISTs,然而這些特征的有效性和敏感性存在爭議,且診斷標準不一。超聲內(nèi)鏡引導(dǎo)下的細針穿刺術(shù)(Endoscopic ultrasound-guided fine-needle aspiration, EUS-FNA)的樣本獲取率受多種因素影響,且存在樣本不足以評價GISTs良惡性的問題。因此,尋找一種無創(chuàng)的、客觀的輔助EUS診斷SMLs手段,是臨床內(nèi)鏡醫(yī)師面臨的巨大挑戰(zhàn)。計算機輔助診斷(computer-aided diagnosis, CAD)技術(shù)是指運用計算機技術(shù)對EUS圖像進行紋理特征的提取、分析,有效地增加圖像信息獲取,運用于病變的診斷、不同病理損害的鑒別診斷的方法,達到病變的診斷鑒別診斷目的[1]。目前多篇文獻報道了CAD技術(shù)可應(yīng)用于多種器官EUS圖像的分類診斷,包括SMLs。我們團隊之前利用計算機輔助EUS圖像分析技術(shù),提取胰腺癌和慢性胰腺炎EUS圖像紋理特征,建立分類模型,成功的將胰腺癌和非胰腺癌的EUS圖像分開�；谝陨系膱蟮篮臀覀儓F隊的CAD的理論基礎(chǔ),我們將這一技術(shù)應(yīng)用于SMLs鑒別診斷中。本研究納入了平滑肌瘤和四種不同危險度的GISTs(極低危、低危、中危和高危)的EUS圖像,證明了CAD技術(shù)在SMLs診斷和GISTs良惡性鑒別中的應(yīng)用價值。由于目前CAD技術(shù)都是對兩分類樣本進行鑒別診斷,在GISTs危險度的分類中,本研究首先將四類GISTs分為兩類良性(極低危和低危)和惡性(中危和高危),構(gòu)建兩分類模型。最后我們以四中不同危險度GISTs的EUS,為樣本集,首次嘗試構(gòu)建四分類模型。本研究分兩部分：第一部分：計算機輔助圖像診斷技術(shù)在鑒別診斷平滑肌瘤和胃腸道間質(zhì)瘤中的應(yīng)用目的：探究計算機輔助診斷技術(shù)在胃腸道間質(zhì)瘤及平滑肌瘤超聲內(nèi)鏡圖像分類診斷中的應(yīng)用價值。方法：回顧性收集2000年1月到2013年12月間內(nèi)鏡中心圖文管理系統(tǒng)中行EUS檢查并經(jīng)組織病理學(xué)確診的180例平滑肌瘤和180例GIST患者的EUS圖像,選取一張圖像清晰的具有典型病變的EUS圖像、使用畫圖軟件勾畫感興趣區(qū)域、截取不超過感興趣區(qū)域的最大矩形子圖。通過圖像分析技術(shù),提取11大類157維紋理特征,利用ReliefF權(quán)重法聯(lián)合順序前進法(Sequential ForwardSelection, SFS)對紋理特征進行篩減,獲得最佳紋理組合,基于支撐向量機建立分類模型,使用十折交叉驗證法驗證模型分類性能,統(tǒng)計分類的準確率、敏感度、特異度、陽性預(yù)測值和陰性預(yù)測值。結(jié)果：最佳紋理特征組合包含3大類6維特征,此時分類準確率達最大(75%)。利用最佳紋理特征組合建立分類模型,采用十折交叉驗證法劃分360例樣本集,訓(xùn)練并測試模型,最終分類準確率、敏感度、特異度、陽性預(yù)測值和陰性預(yù)測值分別為：75.28%、77.26%、73.61%、74.83%、76.63%。結(jié)論：計算機輔助診斷技術(shù)可用于間質(zhì)瘤和平滑肌瘤EUS圖像的分類診斷,為準確診斷胃腸道粘膜下病變提供了一個新的研究方向。第二部分：計算機輔助圖像分析技術(shù)在上消化道間質(zhì)瘤良惡性鑒別診斷中的應(yīng)用目的：探討計算機輔助診斷技術(shù)在上消化道間質(zhì)瘤良惡性鑒別診斷中的應(yīng)用價值方法：納入經(jīng)病理危險度分級的并行EUS檢查的GISTs。將四種不同危險度的GISTs分為兩類：良性(極低危和低危)和惡性(中危和高危),CAD技術(shù)對兩類。然后,對四種不同危險度的GISTs進行分類。紋理特征提取方法和模型建立方法如第一部分所述。結(jié)果：本研究納入了21例極低危GISTs,61例低危GISTs,29例中危GISTs和13例GISTs共124例GISTs EUS圖像。經(jīng)ReliefF權(quán)重法和SFS法選取最佳紋理特征組合,包含2大類2維特征,此時分類準確率達最大(75.9%)。利用最佳紋理特征組合建立分類模型,采用十折交叉驗證法劃分124例樣本集,訓(xùn)練并測試模型,最終分類準確率、敏感度、特異度、陽性預(yù)測值和陰性預(yù)測值分別為：77.56%、94.03%、45.5%、77.27%、80%。結(jié)論：計算機輔助診斷技術(shù)可用胃腸道間質(zhì)瘤的良惡性鑒別診斷,進一步尋找用于GISTs EUS圖像分類的紋理特征可提高分類性能。依據(jù)上述研究結(jié)果本課題可以得出下列結(jié)論：1.計算機輔助診斷技術(shù)可用于胃腸道粘膜下病變的診斷和良惡性的判定,為臨床內(nèi)鏡醫(yī)師鑒別診斷平滑肌瘤和胃腸道間質(zhì)瘤提供了新的診斷手段。2.尋找用于胃腸道粘膜下病變和間質(zhì)瘤EUS圖像分類的紋理特征是下一步研究方向。
【關(guān)鍵詞】：超聲內(nèi)鏡圖像(EUS) 胃腸道粘膜下病變(SMLs) 平滑肌瘤 胃腸道間質(zhì)瘤(GISTs) 圖像分析 計算機輔助診斷(CAD)
【學(xué)位授予單位】：第二軍醫(yī)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：R735;R57
【目錄】：

• 摘要6-9
• Abstract9-12
• 縮略詞表12-13
• 前言13-16
• 第一部分：CAD技術(shù)在平滑肌瘤和胃腸道間質(zhì)瘤EUS圖像的分類診斷中的應(yīng)用價值16-28
• 一、引言16-17
• 二、病例選擇和方法17-20
• 三、結(jié)果20-24
• 四、討論24-27
• 五、結(jié)論27-28
• 第二部分：計算機輔助圖像分析技術(shù)在上消化道間質(zhì)瘤良惡性鑒別診斷中的應(yīng)用28-40
• 一、引言28-29
• 二、資料與方法29-33
• 三、結(jié)果33-37
• 四、討論37-39
• 五、結(jié)論39-40
• 全文小結(jié)40-42
• 一、主要研究成果40
• 二、創(chuàng)新點40
• 三、優(yōu)點40-41
• 四、不足之處與改進措施41
• 五、展望41-42
• 綜述42-50
• 參考文獻50-58
• 在讀期間發(fā)表的論文情況58-59
• 致謝59

【共引文獻】

中國期刊全文數(shù)據(jù)庫 前6條

1 高智峰;葉含笑;陳祖華;;計算機輔助診斷在診斷GardenⅠ、Ⅱ型股骨頸骨折中應(yīng)用價值[J];浙江中醫(yī)藥大學(xué)學(xué)報;2014年05期

2 張欣;王兵;楊穎;王苗;吳辰;張進興;;胸部CT圖像肺區(qū)域邊界凹陷自動修補[J];計算機工程與應(yīng)用;2013年24期

3 劉慧;張彩明;鄧凱;蘇志遠;;改進局部自適應(yīng)的快速FCM肺結(jié)節(jié)分割方法[J];計算機輔助設(shè)計與圖形學(xué)學(xué)報;2014年10期

4 盧yN;龔彪;;超聲在胰腺癌診斷中的應(yīng)用進展[J];臨床超聲醫(yī)學(xué)雜志;2015年02期

5 馮潔;黃曉俊;王祥;王偉;馮彥虎;;上消化道粘膜下腫瘤的內(nèi)鏡下診斷及治療進展[J];現(xiàn)代生物醫(yī)學(xué)進展;2014年07期

6 劉建華;王建偉;;基于圖像處理的CT圖像肝癌診斷技術(shù)研究[J];清華大學(xué)學(xué)報(自然科學(xué)版);2014年07期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前9條

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

2 郝世杰;物體形狀的表示與分析關(guān)鍵問題研究[D];合肥工業(yè)大學(xué);2012年

3 史永軍;內(nèi)鏡下經(jīng)隧道治療食管相關(guān)性疾病的臨床研究[D];山東大學(xué);2014年

4 張品;CT圖像的腎臟組織分割及其病變檢測方法的研究[D];南開大學(xué);2014年

5 范瑾;超聲及超聲造影診斷腎上腺腫瘤的臨床價值研究[D];南開大學(xué);2014年

6 郭薇;面向多種醫(yī)學(xué)圖像的肺癌計算機輔助診斷關(guān)鍵技術(shù)研究[D];東北大學(xué);2011年

7 韓芳芳;基于CT圖像多維特征的肺結(jié)節(jié)檢測和診斷方法研究[D];東北大學(xué);2015年

8 裴曉敏;基于CT影像的孤立性肺結(jié)節(jié)檢測關(guān)鍵技術(shù)研究[D];東北大學(xué);2011年

9 王勝軍;基于心臟CTA體數(shù)據(jù)的冠脈計算機輔助診斷系統(tǒng)核心技術(shù)研究與實現(xiàn)[D];東北大學(xué);2011年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前9條

1 李瑩光;參數(shù)自動尋優(yōu)的基于圖論的乳腺腫瘤超聲圖像分割方法研究[D];華南理工大學(xué);2013年

2 曾宇凡;基于醫(yī)學(xué)圖像的肝纖維化計算機輔助診斷研究[D];廣西大學(xué);2013年

3 鄭冰;面向肺部CT影像表征的多層語義檢索[D];哈爾濱工程大學(xué);2013年

4 張遠志;超聲圖像甲狀腺腫瘤自動檢測方法研究[D];西南交通大學(xué);2014年

5 劉瑩;內(nèi)鏡經(jīng)黏膜下隧道腫瘤切除術(shù)治療上消化道黏膜下腫瘤的探討[D];山東大學(xué);2014年

6 李夢雄;基于視覺計算和混合尺度局部特征的圖像分類方法[D];西安電子科技大學(xué);2014年

7 王茜;CT圖像肺結(jié)節(jié)計算機輔助檢測和三維可視化技術(shù)的研究[D];河北大學(xué);2014年

8 楊飛彬;基于目標識別的乳腺腫瘤超聲圖像的自動分割方法研究[D];華南理工大學(xué);2014年

9 常華麗;基于圖論的三維乳腺腫瘤超聲圖像的分割方法研究[D];華南理工大學(xué);2015年

，

本文編號：845503