匡沛峰[1]2007年在《结肠镜图像分割技术研究》文中进行了进一步梳理医学图像分割技术在医学诊断、规划、治疗中具有十分重要的应用价值。而结肠镜图像由于其变化多样，一直是图像分割中的难点。目前，对结肠病灶进行诊断的计算机辅助分析技术尚未应用于临床。为此，本课题的研究目的是为结肠镜辅助诊断系统提供较好的图像分割技术，使之应用于结肠境图像的自动分析，进而进行癌症和其它病症的识别和筛选。论文比较详细地介绍了两种比较常见的结肠病灶的临床表现—结肠息肉肿块和结肠糜烂出血，并回顾了医学图像分割的发展过程和几种常用的图像分割方法。对于结肠息肉肿块的图像，本论文采用了随机游动(Random Walks)的分割方法分割息肉和肿块图像，先使用人工干预的方法选取标记点，再算出各点到标记点的概率从而得到分割结果；对于结肠糜烂和出血的图像，论文采用了K-均值聚类的方法，在L~*a~*b~*颜色空间上进行聚类来得到分割结果。论文采用临床结肠镜的图片进行了实验，并对分割结果进行了定性和定量分析。将息肉和肿块图像的分割结果和改进的几何可变模型的医学图像分割算法还有C-模糊连接度的分割算法进行了比较。结果表明，相对于临床医学手工勾绘的金标准，论文所提出的分割算法不仅能得到比较准确的结果，而且具有较快的运行速度。K-均值聚类的方法对结肠糜烂出血图像也可以得到很好的分割的结果。论文所研究的分割方法可望为结肠镜图像分析系统提供良好的支持。
朱丹琦[2]2003年在《计算机辅助结肠镜图像诊断技术研究》文中研究说明癌症在亚洲的高发率已引发了对用于癌症早期检测有效自动筛选方法的研发的需要。目前，对结肠可疑恶性肿瘤进行诊断的计算机辅助分析技术还没有应用于临床，为此，本课题的研究目的是提出一个基于多种信息融合的结肠镜图像处理新技术，用于结肠镜图像的自动分析，进而进行癌症筛选。 针对彩色结肠镜图像，论文提出了一种融合颜色、亮度、空间距离和纹理信息，采用随机聚类的彩色图像分割新算法。该算法采用分形维作为图像纹理特征的度量，用一种基于元素间的相似性的随机聚类方法对特征空间进行聚类。该聚类算法是基于对图中的切割进行采样的新的图论算法，可以自动获得最佳的类别数目，该方法复杂度较低，而且其随机特性使得它具有抗噪声的鲁棒性。 在将结肠镜图像分类为正常和异常图像时，选用了误差反传训练的多层感知器，结果显示这种网络神经元适合结肠镜图像分类。 将本论文提出的方法应用到多幅结肠镜图像中。初步结果显示了论文所提出的方法在结直肠图像的异常筛选上的可行性，有望为结直肠癌症的早期诊断提供一种新的分析方法。
杨丹军[3]2010年在《计算机辅助消化道内窥镜图像诊断技术研究》文中进行了进一步梳理计算机辅助诊断是最近十几年发展起来的生物医学工程的一个重要分支。随着数字图像技术的发展,计算机辅助消化道内窥镜图像诊断成为可能。其充分利用合适的数字图像处理技术来分析处理医学图像信息,对组织结构信息进行定性和定量研究,从而辅助医生进行诊断治疗。本课题的研究目的是提出了一种新的计算机辅助消化道内窥镜图像诊断方法,用于消化道内窥镜图像的自动分析。本文使用了一种基于多级同质的彩色消化道内窥镜图像分割方法。该方法首先计算出关于强度和同质的二维直方图,然后在二维直方图上利用峰值寻找算法将图像分割成若干个区域,接着利用色调域直方图分析法将前面所得的每个区域进行再分割,最后合并具有相同CIE(Lab)颜色度量的区域。本文对彩色消化道内窥镜图像提取了基于直方图的颜色信息和基于纹理谱的纹理信息。综合颜色和纹理的图像特征将具有更强的鲁棒性。Bayesian分类方法是一种常用的统计模式识别方法。本文将其首次应用于消化道内窥镜图像的诊断,并获得了较好的实验结果。针对息肉的检测,本文提出了一种新的基于椭圆匹配的息肉检测算法。该算法首先对消化道内窥镜图像进行彩色边缘检测并最终处理成二值边界。接着用一种基于最小二乘法的随机化椭圆检测方法在二值边界图像中进行椭圆检测。实验取得了很好的效果,并弥补了Bayesian分类方法不能识别息肉的缺点。实验结果初步显示了论文所提出的方法在消化道内窥镜图像诊断上的可行性,有望为消化道疾病的自动诊断提供一种新的分析方法。
张国鹏[4]2013年在《叁维纹理分析在虚拟结肠镜计算机辅助检测/诊断中的应用研究》文中指出最新的医学统计结果显示结肠癌症是目前全球男女发病率均为第叁名的癌症，危害着人类的健康。在美国，由于卫生机构建议高危人群（50岁及以上）进行定期结直肠筛查，过去二十年以来，美国结直肠癌的发病率一直是下降趋势。但是相对于整体人群的发病率下降，50岁以下人群的发病率却从1998年以来以每年1.1%的速度在增长。美国癌症协会的研究已经证实了常规的结直肠筛查可以检测到有可能发展为恶性病变的息肉，从而使得医生可以在病变的早期采取措施而降低结直肠癌的发病率。近些年来低年龄人群发病率增长的一个重要原因是这部分人群（50岁以下）虽然是结直肠癌高发病率人群，但是由于光学结肠检查手段的复杂准备过程和病人耐受性问题等，这部分人群大多都没有做定期结直肠体检筛查习惯，从而使部分患者丧失了早期发现病变并进行治疗的黄金时期。我国卫生部（国家卫生和计划生育委员会）统计的数字也表明2004-2005年我国的结直肠癌的死亡率位列所有癌症的第5名，死亡率和1990-1992年相比增长36.8%，同1973-1975年相比更是增长了57.6%，可见结直肠癌对人类健康危害巨大。对我国来说，其死亡率呈上升的趋势，更值得密切关注。我国的结直肠癌死亡率上升可能有两个方面的原因：一方面是随着人们生活水平的提高，饮食习惯的改变使得结直肠疾病的患病率有所提升；另一方面相较经济的快速发展，社会医疗条件的改善和人们的健康意识的提升速度相对落后。研究结果表明，结肠病变从良性到恶性的转变需要5至15年的时间。而结肠病变的一个重要特点是在患病的早期没有明显的症状。实践证明每5年进行一次结肠例行筛查可以大大降低结直肠癌的发病率。但是传统的光学结肠镜为侵入性检测，其检查过程对检查准备和患者耐受力要求都比较高，很难作为常规体检项目进行。因此传统的诊断方式导致的现状是患者很容易失去早期诊断和治疗的黄金时期。有临床资料证明，若在癌变扩散发生前早期诊断并处理，其5年生存率可以达到90%。因此结肠疾病的早期发现和诊断对于治疗意义非常重大。虚拟结肠镜提供了另外一种结直肠检查手段。其特点是最小的侵入性、检查时间短且患者耐受性比光学结肠镜要高。由于其和光学结肠镜相比有众多优势，因此很可能将发展成一种新的大规模人群结直肠筛查的工具。虽然虚拟结肠镜技术的研究已经取得了很大的进步，但是其仍存在一些问题。由于薄层扫描的CT数据量巨大，传统的虚拟结肠镜中依靠医生来进行浏览并识别病灶，这样往往由于长时间浏览使得医生疲劳，检查效率低下甚至出现漏检。近些年由于计算机辅助检测技术（CADe）的不断发展，研究者们开始使用CADe技术来辅助医生进行病灶检测。但是由于CT扫描没有颜色信息，CADe系统依靠异常形态学改变来识别病灶，这样会使得疑似病灶中混入大量的由于粪便、结肠褶皱等假阳性病灶。这些假阳性病灶依然会导致医师阅片效率较低。同时由于CT获得的数据只有CT值强度信息，因此医生无法像光学结肠镜那样，根据病灶表面的颜色和纹理进行进一步判断。这些问题影响了虚拟结肠镜技术计算机辅助检测的应用和诊断技术的发展。为了解决结肠CAD系统现在存在的问题，在本项目中我们开展了结肠CAD关键技术的研究。考虑到和光学镜相比CT设备的优势除了检查过程无创、容易实施外，其获得的数据是一个立体的叁维数据，包含了大量的病灶内部信息，因此我们基于疑似病灶部位的体数据创建一种叁维纹理模型，并将其应用到计算机辅助检测中来探索利用这种叁维纹理来实现降低假阳性率的可行性；同时由于叁维纹理特征反映的是病灶内部的CT值排列模式，其行为类似临床的病理检查（对病灶部位进行切片放大后人工识别其纹理而确定病灶性质），因此本研究也探索了该纹理模型在计算机辅助诊断方面的应用。研究所用评估数据为威斯康辛大学Perry Pickhardt教授课题组采集的67个临床结肠患者数据，每个受试者都进行了俯卧位和仰卧位两个扫描，因此共有134套扫描数据。在所有的患者中共发现95个经过光学结肠镜和虚拟结肠镜共同确认的息肉，尺寸为4mm到30mm。为了增加样本量，在本研究中，我们把同一个息肉的两次不同体位的扫描看成是两个不同的样本，这样我们就有190个“扫描病灶”样本。为了改善虚拟结肠镜的检查体验，检验虚拟结肠镜中的电子清洗技术，本套数据在CT扫描前未做灌肠处理，仅在检查前一天随流质饮食服用对照剂。基于此数据，本研究主要完成的工作如下：1建立叁维纹理分析模型叁维纹理分析模型主要目的是对感兴趣体区域的数据内部排列模式进行建模而形成新的特征，然后用这些新的特征来分析所对应的体区域的性质。不同于传统的形态学特征，叁维纹理分析模型的特点是充分利用体素信息，对病灶边界的确定依赖较弱，可以从一种全新的角度给传统的虚拟结肠镜计算机辅助检测和诊断技术提供新的特征。叁维纹理特征模型的建立分为两个步骤。首先是计算灰度共生矩阵和灰度梯度共生矩阵，然后依据所获取的矩阵提取一些统计学信息。灰度共生矩阵反映的是叁维感兴趣区域内部体素之间的灰度共生关系；灰度梯度共生矩阵反映的感兴趣体区域和其叁维梯度图像之间对应坐标位置的灰度和梯度共生关系。最后从这些矩阵提取统计学特征来区分不同类型的感兴趣体区域。和均值方差等全局性统计学指标相比，这些共生矩阵反映的是体数据CT值的相互排列关系模式。具体的叁维纹理模型为：从每一个体数据区域按照均匀分布在球面上的26个方向计算出26个灰度共生矩阵；从原图像和梯度映射图像计算出1个灰度梯度共生矩阵，然后从每个共生矩阵中提取13个Haralick特征。为了获取各向同性的属性，对于来自灰度共生矩阵的同一种Haralick特征，我们在26个方向上取平均值和极差，13个平均值和13个极差构成26个灰度共生矩阵特征。从灰度梯度共生矩阵中直接提取13个Haralick特征值。合计39个叁维纹理特征值。2评估叁维纹理模型在虚拟结肠镜计算机辅助检测中的应用为了检验提出叁维纹理分析模型是否能应用于结肠息肉计算机辅助检测并评估其性能，我们尝试用叁维纹理模型来分析手工勾勒好叁维息肉数据和叁维正常肠壁数据并计算其敏感性和特异性；同时在已有的结肠CADe pipeline中进行应用，从而实现叁维纹理模型在CADe中应用的可能性及性能的评估。手工勾勒的病灶部位和正常组织部位分别称为VOI（Volume of interest）和VON（Volume of normal）。对190例息肉样本进行勾勒形成190例VOI。为了便于研究和对照，我们又在有经验的放射科医生指导下，在每个VOI的附近勾勒出一个正常组织的叁维数据，即VON。然后利用建立的叁维纹理模型从VOI和VON提取出26个灰度共生矩阵纹理特征（简称C26），13个灰度梯度共生矩阵纹理特征（简称G13）；除此之外，我们又提取了均值、方差、形状指数的均值和方差、曲度的均值和方差共6个传统的特征（简称T6）进行对比。在自动检测病灶的方案中，我们利用先前开发的结肠CAD pipeline自动提取疑似病灶3211个，其中检测出真实息肉94个，只有一例4mm的息肉漏检。另外有19个息肉受对照剂的部分容积效应影响，只在两个体位扫描数据中的一个体位中被检出，因此按扫描检测出病灶个数为169个。自动检测的按息肉敏感度为98.94%，按扫描敏感度为88.95%。我们用经典的支持向量机（核函数选择径向基）对手工数据和自动检测用相同的分类方案分别进行分类。对6种特征组合形成的特征向量的分类能力进行了测试。分别为：1）6个传统的特征（T6）；2）26个GLCM特征（CT6）；3）13个GLGCM特征（G13）；4）6个传统特征加26个GLCM特征（T6+C26）；5）6个传统特征加13个GLGCM特征（T6+G3）；6）6个传统特征和所有的纹理特征（T6+C26+G13）。对于含有GLCM特征的，我们又对参数d=1,2,3分别进行了对比。由于SVM需要分成训练组和测试组，我们的分组方案为：对于前面提到的任何一个特征向量，随机取疑似病症中的TP和FP各一半，混合在一起形成训练组，剩下的一半TP和FP形成测试组。采用两折交叉验证策略（two-fold cross-validationstrategy），每次分类形成一个接收者操作特征（receiver operating characteristic， ROC）曲线，用ROC曲线的线下面积（Area under curve，AUC）来衡量分类效果。两折交叉验证策略重复100次的平均做为最终的结果。结果显示分别在手动提取方案下，单独使用T6特征向量、 G13特征向量和C26特征向量（参数d=1）时的AUC分别为(98.17±0.97)%，(95.53±1.12)%和(97.63±0.79)%。当使用G13和CT6作为T6的补充特征形成新的向量后，即T6+G13和T6+C25两个特征向量的AUC分别为(98.49±0.78)%和(98.89±0.59)%。可以看出传统特征和我们提出的叁维纹理特征在手工勾勒数据上均有良好的鉴别能力，把纹理特征和传统特征组合起来后分类能力稍有提升。在结肠CAD pipeline自动获取的疑似病灶数据中，T6、G13、CT6（参数d=1）、T6+G13和T6+C26（参数d=1）特征组合的AUC分别为：(83.69±5.93)%、(70.22±3.58)%、(73.84±3.18)%、(89.46±2.45)%和(90.34±2.11)%。当G13和C16纹理特征分别作为传统特征的补充后，AUC分别提高了5.77%和6.18%。当使用T6+G13+C26特征向量时，AUC没有明显提升，手工数据和自动病灶数据分类结果AUC分别为(98.74±0.66)%和(90.06±2.36)%。3虚拟结肠镜计算机辅助诊断技术的探索针对手工勾勒感兴趣体数据区域VOI，依据病理检查的结果将其分为临床常见的5组样本：正常组织190例，增生性息肉56例、管状腺瘤94例、管状绒毛腺瘤34例和腺癌6例。提取叁维特征向量后用再用主分量分析法处理后选取前6个主要分量。用Hotelling T-square进行显着性检验显示，当设定显着性概率为P <0.05时，除了增生性息肉组和管状腺瘤组之间没有显着性差异，其它各组之间两两之间都有显着性差异。为了进一步验证叁维纹理模型在虚拟结肠镜计算机辅助诊断方面的效果，我们用课题组早期开发的虚拟结肠镜系统CAD pipeline对原始数据进行处理，然后用叁维纹理模型对阳性结果进行进一步分析获得纹理特征向量。依据病理检查的结果将所有的阳性病灶分为增生性息肉、管状腺瘤、管状绒毛腺瘤和腺癌4大类后，再按照3种方案进行良性恶性进行分组。然后分别用两种分类器SVM和随机森林（Random forest, RF）绘制ROC曲线进行两分类评估。计算机辅助检测步骤输出结果为169个尺寸大于5mm的阳性病灶（按扫描）。对照病理活检的结果得知其中增生性息肉50例、管状腺瘤82例、管状绒毛腺瘤31例和腺癌6例。为了能研究更多的特征，结合文献提到的传统特征和我们以前提出的各种特征，我们从VOI中提取10个形态学特征和64个纹理特征进行良恶性分类。在把增生性息肉、管状腺瘤分为良性组，而管状绒毛腺瘤和腺癌分为恶性组时，SVM获得了89.78%的AUC输出。 RF获得了85.20%的AUC输出。当把增生性息肉、管状腺瘤和管状绒毛腺瘤分为良性组，腺癌分为恶性组时，SVM和RF的AUC输出分别是86.16%和83.62%。初步的实验结果提示叁维纹理特征对于病灶良恶性的分类具有比较明显的效果。小结：本研究把传统二维Haralick纹理模型拓展到叁维并进行了优化，提出了无参数的叁维纹理模型。叁维纹理模型可以反映所分析体区域内部灰度的分布模式，具有各向同性、充分利用CT扫描获得大量体数据蕴含信息且受分割影响较小等特点。在虚拟结肠镜的计算机辅助检测中对提出的叁维纹理模型进行评估和测试显示：当单独使用叁维纹理分析模型提取的特征向量时，分类效果不是很明显。但是如果将其作为传统的基于形态学的特征的补充，则能明显提升CADe系统对息肉和正常组织的鉴别能力，有望增进虚拟结肠镜的计算机辅助检测性能。由于纹理特征反映的是病灶的体素值内部排列模式，因此我们还探索了其在计算机辅助诊断方面的应用。统计学检验显示不同的病理类型病灶的叁维纹理特征有显着性差异。基于临床数据的分类器评估结果显示此叁维纹理分析模型用于计算机辅助诊断可以获得大于85%的AUC。当把增生性息肉、管状腺瘤分为良性组，而管状绒毛腺瘤和腺癌分为恶性组时，SVM获得了89.78%的AUC输出。这些初步的实验结果提示叁维纹理分析技术在结肠病灶的计算机辅助诊断方面将会有很高的研究前景和价值。本研究的创新点主要有：对叁维纹理模型进行改良；系统评估了叁维纹理模型在虚拟结肠镜计算机辅助检测中的应用；首次利用该模型探索虚拟结肠镜的计算机辅助诊断技术的可行性，为计算机电子活检提供关键技术支持。
张震[5]2006年在《医疗内窥镜视觉导航技术研究》文中认为智能化医疗设备和医疗机器人技术研究，是一个多学科交叉的具有重要意义的研究领域。其研究和应用的一个重要方面是无创微创外科手术(MIS)，即利用人体的天生管腔或手术小孔来导入医疗器械或医疗机器人以实现对人体进行诊断、治疗、检测和手术等，从而减少手术期间对人体其他完好组织的伤害，缩短康复时间，并减轻患者的生理痛苦和医疗人员的手术操作时的心理压力。内窥镜诊疗术是微创外科的重要手段，其典型器材是内窥镜。肠道内窥镜是诊疗结肠癌等疾病的重要手段，但目前手工操作存在诸如穿孔等问题。因此，利用机器人和计算机技术对内窥镜诊疗设备进行智能化改造具有重要的研究意义和应用前景。 本论文以克服内窥镜检查穿孔、实现内窥镜智能化为目的，主要研究了智能内窥镜视觉导航技术，研究内容如下： (1)本文针对内窥镜诊疗环境的特殊性和复杂性，通过调研，分析医生在内窥镜检查中的动作和决策方式，在此基础上提出了采用计算机视觉方法引导肠道内窥镜的介入的主要步骤：采集肠道内窥镜头部CCD观测的肠道实时图像并传输到计算机，计算机自动处理分析图像，自动控制和调节肠道内窥镜头部的姿态或给医生适当的建议使内窥镜顺利的进入肠道。 (2)图像底层处理算法是进行计算机视觉导航研究的基础，针对智能内窥镜视觉导航方案，本文从图像信息的采集开始，到图像信息的预处理、图像特征的提取等基本导航技术进行了概述和研究。 (3)在暗区提取方法方面：分析了暗区提取法的内窥镜导航原理，研究了简单阈值算法、基于最大类间方差法的自适应阈值分割算法和基于小波变换的阈值分割算法等叁种暗区提取算法，并通过试验对叁种算法进行了比较和分析。 (4)在纹理分析方法方面：分析了内窥镜图像暗区的形成过程以及利用暗区进行寻径的不稳定因素，根据肠道内存在闭合肌肉线的情况，研究了采用纹理分析法进行引导内窥镜头部的方法，并且给出了两种纹理分析算法——组织连接算法和边缘能量算法。通过试验，对两种算法进行对比分析。 (5)基于Dempster-Shafer证据推理法的传感器信息融合的导航策略：对暗区提取法和纹理分析法两种方法进行了具体的对比分析，并在此基础上提出了一种基于D-S证据推理法的能对两种导航方法进行信息融合的导航策略。经过试验证明，该导航策略能较好的对两种视觉导航方法进行信息融合。 (6)设计了一种新的智能内窥镜导航系统，该系统采用基于计算机视觉技术的主动避障、有力觉传感器的肠道内窥镜主动介入。
郑光远, 刘峡壁, 韩光辉[6]2018年在《医学影像计算机辅助检测与诊断系统综述》文中提出计算机辅助检测/诊断(computer-aided detection/diagnosis,简称CAD)能够提高诊断的准确性,减少假阳性的产生,为医生提供有效的诊断决策支持.旨在分析计算机辅助诊断工具的最新发展.以CAD研究较多的四大致命性癌症的发病医学部位为主线,按照不同的成像技术和病类,对目前CAD在不同医学图像领域的应用进行了较为详尽的综述,从图像数据集、算法和评估方法等方面做多维度梳理.最后分析了医学图像CAD系统研究领域目前存在的问题,并对此领域的研究趋势和发展方向进行展望.
宋欣, 孙菁[7]2018年在《人工智能在消化系统疾病诊治中的应用和展望》文中提出随着人工智能技术的不断发展,以大数据为支撑兼具强大计算能力和学习能力的人工智能技术已用于解决复杂的医学问题。在消化内科领域,计算机辅助检查和计算机辅助诊断技术将有望改变传统的内镜检查模式。此外,人工智能技术还能用于分析影像学、血清学和组织学检查结果,辅助医师对肝病、胰腺疾病等作出诊断和预后判断,为临床决策提供参考。本文就人工智能技术在消化系统疾病诊治中的应用和展望作一综述。
孟江[8]2018年在《基于虚拟结肠镜的结直肠息肉纹理分析与检测研究》文中进行了进一步梳理结直肠癌(colorectal cancer,CRC)是最常见的恶性肿瘤之一,2018年美国权威机构统计数据显示美国结直肠癌发病率和死亡率在所有癌症中位列前叁,结直肠息肉是结直肠癌早期的癌前病变,通过筛查早期发现息肉并及时治疗是降低结直肠癌发病率及死亡率的有效途径。相对于光学结肠镜等传统的检查手段,虚拟结肠镜(virtual colonoscopy,VC)具有侵入性小,检查时间短,患者耐受性好等优点,特别适合用于大规模人群的早期筛查。基于虚拟结肠镜的结直肠息肉计算机辅助检测研究能够辅助医生自动检测发现病灶,能够达到减少工作量,提高检测准确率的目的。但传统的结直肠息肉计算机辅助检测技术主要在准确分割肠道内壁的基础上,通过计算形状指数、曲度等息肉的形状变化来进行检测,其缺陷在于仅依靠肠道表面的形状变化而忽略了息肉本身的组织差异,导致在检测中容易遗漏形状变化不显着的息肉如扁平息肉和部分体积较小的广基息肉,而这些息肉的风险程度可能更高。事实上肿瘤组织异型性会导致息肉组织密度发生变化而使其X射线衰减系数随之变化,因而能够在CT图像上有所体现,但这些差异很微小,且位于息肉组织内部,难以通过肉眼直接觉察到。但是叁维纹理特征可以通过灰度分布和排列规律量化的体现这些差异。同时由于在虚拟结肠镜检查过程中广泛使用了肠道造影剂,造影剂往往在病灶处附着,也会导致病灶的纹理特征发生特异性的改变。为了探究叁维纹理特征用于区别结直肠息肉与正常肠壁组织的性能,并将其运用于结直肠息肉的自动检测,本文开展了基于虚拟结肠镜的结直肠息肉纹理分析与检测研究,主要包括以下两个方面的工作。(1)基于虚拟结肠镜的结直肠息肉纹理分析。手动勾勒结直肠息肉和肠壁组织作为感兴趣区域(volume of interest,VOI),并对每个VOI进行叁维的梯度和曲度变换,之后,从每个VOI的CT图像、梯度图像与曲度图像中共计提取198个特征。通过特征选择,获得了一组具有48个特征的最优特征子集,将最优特征子集与4种不同的分类器结合,对息肉和肠壁组织区域进行区分,其平均敏感度均在0.99以上,平均特异度在0.98以上,平均准确度0.97以上,平均AUC达到0.99,表明最优特征子集能充分体现结直肠息肉和正常组织的差异性,能够作为表征结肠壁发生异变的良好标记,为下一步基于纹理分析的结直肠息肉检测奠定基础。同时在这部分工作中,也开展了不同形状息肉与结肠壁鉴别以及结直肠息肉的良恶性鉴别,其中不同形状的息肉与正常肠壁组织分类的平均敏感度均在0.99以上,平均特异度在0.98以上,平均准确度在0.98以上,平均AUC达到0.99;而利用纹理特征区分腺瘤性息肉和增生性息肉的平均敏感度均为0.76,平均特异度为0.81,平均的准确度为0.79,平均AUC达到了0.89。实验证实发现所提取的纹理特征不仅对于正常肠壁组织和结直肠息肉鉴别具有极高的分类性能,而且对结直肠息肉良恶性也能够进行有效判别。(2)基于纹理特征的结直肠息肉检测。利用分割获得包含完整内外壁信息的结肠壁模型,并根据分割结果计算出能够代表结肠拓扑结构的单体素轮廓,分别以结肠轮廓上的每一点为中心,取其固定大小的邻域与结肠壁模型空间上相互交迭的区域作为VOI,这样每个轮廓点代表了以其为中心的固定的大小的肠壁组织(息肉),提取纹理特征,然后利用最优特征子集进行异常检测,获得疑似结直肠息肉区域。上述过程虽然获得了疑似息肉区域的筛选,但是假阳性非常高,进而采取了偏移区域切割、区域融合等措施,进一步降低假阳性,最后通过随机森林对息肉进行判断。基于含有36个息肉的20套CT结肠数据进行验证,其中扁平息肉16个,广基息肉18个,有蒂息肉2个,检测实验结果表明,提出的检测流程能够达到80%检测敏感度,平均每套数据的假阳性数量为9.98个。论文提出的方法能够突破传统结直肠息肉计算机辅助检测方法仅依靠息肉形状,对扁平息肉和体积较小的广基息肉检测能力差的瓶颈,实现了扁平息肉和体积较小的广基息肉检测,通过与传统方法相互补充,进一步降低假阳性数,可望有效提高计算机辅助检测的性能,推动虚拟结肠镜在临床结直肠癌筛查上的应用。
李金成[9]2009年在《计算机辅助检测联合CT结肠成像对结肠病变的诊断价值》文中研究说明本文旨在通过对计算机辅助检测(computer aided detection,CAD)系统联合CT结肠成像(computed tomographic colonography, CTC)检查与单纯CTC检查及纤维结肠镜检查结果的对比分析,探讨不同经验读片者应用CAD联合CTC在结肠疾病诊断中的应用价值。我们采用GE公司Lightspeed 16层CT或Lightspeed 64层CT对97例临床怀疑为结肠疾病患者进行CT结肠成像检查,其中86例患者行纤维结肠镜检查,11例有手术病理结果。有经验医师组及无经验医师组分别在单纯CTC诊断及CAD联CTC诊断情况下对所有患者进行诊断。以纤维结肠镜或手术病理结果为金标准,对比分析以上两组诊断方法对结肠炎性疾病、结肠息肉、结肠肿瘤诊断的优缺点,评价CAD联合CTC诊断结肠病变的优势与不足。本研究97例患者检查前日嘱患者行饮食控制,食用流质或半流质饮食,61例患者检查前6-8小时口服1袋复方聚乙二醇电解质散(合爽)与1800-2000ml水的混合液,每隔约1小时服一次共分3次服下。23例患者口服250ml甘露醇加250ml水一次性服下,13例患者因无法口服药物清洁肠道行灌肠来完成肠道准备。扫描前10分钟对无青光眼、高血压和前列腺肥大的患者肌肉注射低张药物山莨菪碱(654-2)10-20 mg,以降低肠管张力,减少肠管蠕动。所有患者先经左侧卧位经肛门注入空气约900-1000ml,后右侧卧位注入空气约800-1100ml,以腹部有胀气感为标准,CT扫描范围上至膈顶,下至盆腔下缘,先行仰卧位后做俯卧位扫描,必要时行侧卧位扫描,部分病例作CT增强扫描。扫描范围包括全部结肠充气范围。通过CTC扫描的定位像进行评判大肠充气情况,并根据情况适量补充气体,以各段结肠均充气,结肠袋显示清晰、结肠各段连续未见中断为标准。尽量避免过多的气体进入小肠以免影响诊断。诊断结果显示:无经验医师组应用CAD联合CTC诊断出37例57个结肠息肉中的49个,比单纯应用CTC诊断时多诊断出11个,对直径≤5mm的息肉敏感度为91.67 %,结果比未使用CAD前结果略有增高。CAD联合CTC共检出直径在6～9mm之间的息肉20个,检出率较CTC明显提高,达到86.96%。对于直径≥10mm息肉,CAD诊断敏感度达到81.82%;诊断出22例结肠肿瘤中的19例,比单纯应用CTC诊断时多诊断出2例;诊断出21例结肠炎性病变中的18例,比单纯应用CTC诊断时多出3例;诊断出正常17例中的15例。比单纯应用CTC诊断时多出2例。有经验医师组应用CAD联合CTC诊断出57个结肠息肉中的51个,比单纯应用CTC诊断时多诊断出3个,对息肉直径≤5mm的息肉敏感度为83.33%,结果与未使用CAD前结果相同。CAD联合CTC对息肉直径在6～9mm之间的检出率较CTC明显提高,达到91.30%。对直径≥10mm息肉的检出无/有CAD时结果相同,敏感度都达到90.91%;诊断出22例结肠肿瘤中的21例,检查结果与单纯应用CTC时相同;诊断出21例结肠炎性病变中的20例,比单纯应用CTC诊断时多出3例;正常17例全部被CTC联合CAD全部诊断出来。通过对无经验组医师使用CAD前后的结果分析比较发现,无经验组医师用CAD联合CTC与应用CTC两者有相关性,相关系数为0.337,P<0.05。CAD联合CTC与纤维结肠镜或手术病理有较高相关性,相关系数为0.703,P<0.01。有经验组医师应用CAD联合CTC与应用CTC两者有较高相关性,相关系数为0.743,P<0.01。CAD联合CTC与纤维结肠镜或手术病理高度相关,相关系数为0.912,P<0.001。结论:CAD联合CTC是诊断结肠病变的一种较为理想的诊断方法,可以提高对结肠病变检出的敏感性,无论有无经验的诊断医师应用CAD联合CTC对结肠病变的检出与纤维结肠镜或病理相比都具有较高的相关性,其中有经验组相关性最高,无经验组提高幅度比有经验组医师高。只要肠道准备良好,肠腔充气充足均匀,在一定程度上可以取代纤维结肠镜,起到指导外科手术治疗的应用价值的认识水平。
莫伟荣[10]2005年在《基于压缩/非压缩域的医学图像检索算法研究》文中研究说明随着医学图像数据量迅速膨胀,基于内容的图像检索(CBIR,Content-based Image Retrieval)技术在医学辅助诊断中越来越得到重视。论文针对压缩和非压缩域两类医学图像,着重研究和探索了基于低层视觉特征的医学图像内容分析和检索技术。 论文首先论述了CBIR的基本概念、研究内容、系统构成等关键技术,进而针对颜色特征,研究了一种基于HSV空间的量化算法;为弥补颜色量化带来的空间信息损失,并充分利用医学图像的彩色纹理,继而提出了基于颜色纹理共生矩阵模型;为综合运用颜色、纹理、形状等视觉特征,并提高系统的自学习能力,提出了一种基于特征融合与用户反馈的结肠镜图像检索算法。 为提高临床上大量存在的JPEG压缩域医学图像的检索效率和速度,论文在简述JPEG压缩技术的基础上,结合JPEG压缩域的DICOM放射图像,探索了基于DCT系数直方图统计特征的非完全解码图像检索方法。 论文在大量算法研究的基础上,研发了一套基于压缩/非压缩域的原型实验系统,进而对上述算法进行了实验研究,表明了文中算法的有效性和可行性,取得了满意的实验结果。 论文研究结果可望进一步推广到PACS、HIS、RIS等临床医学图像管理系统中。
参考文献：
[1]. 结肠镜图像分割技术研究[D]. 匡沛峰. 浙江大学. 2007
[2]. 计算机辅助结肠镜图像诊断技术研究[D]. 朱丹琦. 浙江大学. 2003
[3]. 计算机辅助消化道内窥镜图像诊断技术研究[D]. 杨丹军. 西安电子科技大学. 2010
[4]. 叁维纹理分析在虚拟结肠镜计算机辅助检测/诊断中的应用研究[D]. 张国鹏. 第四军医大学. 2013
[5]. 医疗内窥镜视觉导航技术研究[D]. 张震. 上海大学. 2006
[6]. 医学影像计算机辅助检测与诊断系统综述[J]. 郑光远, 刘峡壁, 韩光辉. 软件学报. 2018
[7]. 人工智能在消化系统疾病诊治中的应用和展望[J]. 宋欣, 孙菁. 胃肠病学. 2018
[8]. 基于虚拟结肠镜的结直肠息肉纹理分析与检测研究[D]. 孟江. 中国人民解放军空军军医大学. 2018
[9]. 计算机辅助检测联合CT结肠成像对结肠病变的诊断价值[D]. 李金成. 吉林大学. 2009
[10]. 基于压缩/非压缩域的医学图像检索算法研究[D]. 莫伟荣. 浙江大学. 2005
标签：生物医学工程论文; 肠镜论文; 图像分割论文; 腺瘤性息肉论文; 直肠息肉症状论文; 结肠镜检查论文; 特征提取论文; 直肠肿瘤论文; 图像融合论文; 肠息肉论文; 内窥镜论文; cad论文;