论文部分内容阅读
肝纤维化是众多慢性肝脏疾病的常见表现,对肝纤维化的早期确诊一方面可以尽早实现对轻度肝纤维化治疗以及对重度肝纤维化的控制,另一方面针对肝癌病人的治疗方案的确定以及预后也起到至关重要的作用。目前医学影像在肝纤维化分类中扮演着越来越重要的角色。然而,利用医学影像进行肝纤维化程度的预判仍存在以下难点:①目前传统的统计分析及机器学习分析方法主要是基于对医学图像特征提取实现的,目前的特征提取方法耗时耗力同时还会出现覆盖信息不全面的情况;②医学影像数据获取困难,数据量相对较少,无法实现深度学习训练。针对以上问题,本文利用了可以反映肝脏实质的对比增强磁共振(Magnetic ResonanceImaging,MRI)图像,结合迁移学习的思想提出了一种新的基于信息相似度(Information-BasedSimilarity,IBS)方法的交叉对比神经网络,用于肝纤维化分类。本文的主要研究内容有以下几个部分:首先,介绍了肝纤维化疾病的相关背景和对肝纤维化分类研究的意义,接着介绍了磁共振成像和普美显磁共振的基本原理,简述了选用普美显肝胆期MR图像进行研究的原因。其次,提出了基于IBS方法的交叉对比神经网络,结合迁移学习的思想,在医学影像的小样本数据上利用卷积神经网络结构提取深度特征,利用IBS方法对特征进行度量,通过度量进行肝纤维化的分类。最后,对实验设计进行了介绍,采用传统的统计分析方法和机器学习方法,在提取图像纹理特征的基础上,设计实验研究了传统分析方法和机器学习方法在肝纤维化的分类中的表现。同时利用交叉对比神经网络进行了肝纤维化分类的实验,对轻重度肝纤维化分类的准确率达到了 93.3%。通过将交叉对比神经网络的分类结果与传统统计分析及机器学习分类结果的比较,从而说明了交叉对比神经网络在肝纤维化分类中的先进性和适用性。