论文部分内容阅读
目的:通过分析骨盆X线平片上股骨颈Ward三角区骨小梁的纹理特征,探讨基于纹理特征的BP神经网络分类器在骨质疏松分级诊断中的应用价值。方法:选取在大连医科大学附属第二医院拍摄骨盆X线平片的患者44例,所有44例患者于半年内采用双能X线(dual-energy X-ray absorptiometry,DXA)检测骨密度,依据骨密度测定结果将44例患者分为三组:S0(骨量正常组)15例,S1(骨量减低组)15例,S2(骨质疏松组)14例。首先,在骨盆X线平片股骨颈Ward三角区(骨小梁薄弱区)手动提取感兴趣区(region of interest,ROI),ROI大小为20×20像素,每个患者双侧对称提取,单侧股骨颈提取2-4个ROI,共获328个ROI,其中S0组ROI 116个,S1组ROI 108个,S2组ROI 104个。然后,采用Matlab设计构建基于纹理特征的计算机辅助诊断系统:用灰度共生矩阵法提取每个ROI在4个方向(0°、45°、90°、135°)的20个纹理特征参数(自相关系数、对比度、相关性、突出聚类、阴暗聚类、非相似聚类、能量、熵、同质度、最大概率、方差、和平均、和方差、和熵、差方差、差熵、相关信息度1、相关信息度2、归一化逆差、和归一化逆差距),每个ROI共计获得80个纹理特征量;依据提取的纹理特征绘制箱线图进行特征筛选。然后,采用经典的三层BP神经网络分类器对S0~S2 3组ROI图像进行两两分类识别,其中50%的ROI作为训练样本,余50%的ROI作为测试样本,得出分类结果。最后,采用Matlab计算敏感度与特异度,并绘制ROC曲线。结果:1.基于80个纹理特征量的BP神经网络二分类器进行两两分类结果如下:S0-S1的总识别准确率为76.79%;分类器在S0-S1识别过程中的灵敏度为79.16%,特异度为75.00%。S0-S2的总识别准确率为76.36%;分类器在S0-S2识别过程中的灵敏度为74.07%,特异度为78.57%。S1-S2的总识别准确率为60.85%。分类器在S1-S2识别过程中的灵敏度为60.19%,特异度为61.47%。2.根据80个纹理特征量对应二分类结果的箱线图,剔除分类识别能力较差的纹理特征量,保留能够提高分类准确率的纹理特征量,共挑选出0°、45°、90°、135°四个方向上的11个纹理特征参数,分别为自相关系数、对比度、非相似性、同质度、方差、和平均、和熵、和方差、差方差、差熵及归一化逆差,共计获得44个纹理特征量。3.基于48个纹理特征量的BP神经网络二分类器进行两两分类如下:S0-S1的总识别准确率为78.57%;分类器在S0-S1识别过程中的灵敏度为78.84%,特异度为73.31%。S0-S2的总识别准确率为78.64%;分类器在S0-S2识别过程中的灵敏度为79.44%,特异度为80.53%。S1-S2的总识别准确率为62.74%。分类器在S1-S2识别过程中的灵敏度为61.47%,特异度为64.08%。结论:1.基于平片的股骨颈Ward三角区纹理特征的计算机辅助诊断系统,可较好地分类识别S0-S1、S0-S2。2.基于纹理特征分析的计算机辅助诊断系统为骨质疏松分级诊断研究提供了一种新的思路。