本文關鍵詞：計算機輔助診斷技術在胃腸道粘膜下病變診斷中的應用

  更多相關文章： 超聲內鏡圖像(EUS) 胃腸道粘膜下病變(SMLs) 平滑肌瘤 胃腸道間質瘤(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,腫塊與組織的關系及腫塊的回聲性、內部回聲等信息,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瘤(gastrointestinal stromal tumors, GISTs)過程中。GISTs具有惡性生物學行為特征,早期可出現(xiàn)肝臟和腹腔轉移。手術或內鏡完全移除病變能夠明顯的改善GISTs的預后。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。超聲內鏡引導下的細針穿刺術(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)技術是指運用計算機技術對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技術可應用于多種器官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,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,我們將這一技術應用于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技術在SMLs診斷和GISTs良惡性鑒別中的應用價值。由于目前CAD技術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在鑒別診斷平滑肌瘤和胃腸道間質瘤中的應用目的：探究計算機輔助診斷技術在胃腸道間質瘤及平滑肌瘤超聲內鏡圖像分類診斷中的應用價值。方法：回顧性收集2000年1月到2013年12月間內鏡中心圖文管理系統(tǒng)中行EUS檢查并經(jīng)組織病理學確診的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,提取11大類157維紋理特征,利用ReliefF權重法聯(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、陽性預測值和陰性預測值。結果：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,訓練并測試模型,最終分類準確率、敏感度、特異度、陽性預測值和陰性預測值分別為：75.28%、77.26%、73.61%、74.83%、76.63%。結論：計算機輔助診斷技術可用于間質瘤和平滑肌瘤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在上消化道間質瘤良惡性鑒別診斷中的應用目的：探討計算機輔助診斷技術在上消化道間質瘤良惡性鑒別診斷中的應用價值方法：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,訓練并測試模型,最終分類準確率、敏感度、特異度、陽性預測值和陰性預測值分別為：77.56%、94.03%、45.5%、77.27%、80%。結論：計算機輔助診斷技術可用胃腸道間質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)上述研究結果本課題可以得出下列結論：1.計算機輔助診斷技術可用于胃腸道粘膜下病變的診斷和良惡性的判定,為臨床內鏡醫(yī)師鑒別診斷平滑肌瘤和胃腸道間質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瘤EUS圖像分類的紋理特征是下一步研究方向。
【關鍵詞】：超聲內鏡圖像(EUS) 胃腸道粘膜下病變(SMLs) 平滑肌瘤 胃腸道間質瘤(GISTs) 圖像分析 計算機輔助診斷(CAD)
【學位授予單位】：第二軍醫(yī)大學
【學位級別】：碩士
【學位授予年份】：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技術在平滑肌瘤和胃腸道間質瘤EUS圖像的分類診斷中的應用價值16-28
• 一、引言16-17
• 二、病例選擇和方法17-20
• 三、結果20-24
• 四、討論24-27
• 五、結論27-28
• 第二部分：計算機輔助圖像分析技術在上消化道間質瘤良惡性鑒別診斷中的應用28-40
• 一、引言28-29
• 二、資料與方法29-33
• 三、結果33-37
• 四、討論37-39
• 五、結論39-40
• 全文小結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型股骨頸骨折中應用價值[J];浙江中醫(yī)藥大學學報;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];計算機工程與應用;2013年24期

3 劉慧;張彩明;鄧凱;蘇志遠;;改進局部自適應的快速FCM肺結節(jié)分割方法[J];計算機輔助設計與圖形學學報;2014年10期

4 盧yN;龔彪;;超聲在胰腺癌診斷中的應用進展[J];臨床超聲醫(yī)學雜志;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鏡下診斷及治療進展[J];現(xiàn)代生物醫(yī)學進展;2014年07期

6 劉建華;王建偉;;基于圖像處理的CT圖像肝癌診斷技術研究[J];清華大學學報(自然科學版);2014年07期

中國博士學位論文全文數(shù)據(jù)庫 前9條

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

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

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

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

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

8 裴曉敏;基于CT影像的孤立性肺結節(jié)檢測關鍵技術研究[D];東北大學;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)核心技術研究與實現(xiàn)[D];東北大學;2011年

中國碩士學位論文全文數(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;2013年

2 曾宇凡;基于醫(yī)學圖像的肝纖維化計算機輔助診斷研究[D];廣西大學;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;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;2014年

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

7 王茜;CT圖像肺結節(jié)計算機輔助檢測和三維可視化技術的研究[D];河北大學;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;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;2015年

，

本文編號：845503