论文部分内容阅读
肝纤维化与肝硬化是临床中两种常见的慢性肝病。肝纤维化指由各种缘由引起的慢性肝损伤,通常会引起肝内结缔组织呈现异样增生。肝纤维化长期发展会形成肝硬化,肝硬化是一种弥漫性肝损伤,多由各种长期反复的作用导致的肝脏病变。两种疾病若不及时治疗将会发展为肝癌甚至威胁生命。目前医学影像检查已成为肝脏疾病检查的重要方式,其中核磁共振成像(Magnetic Resonance Imaging,MRI)因无电离辐射和具有多参数、多方位、多序列成像的特点,以及分辨率高等优势成为常规肝脏检查手段。由于不同阶段的肝硬化和肝纤维化在MRI中表现为不同的纹理,因此本论文在计算机辅助诊断(Computerized Aided Diagnosis,CAD)的框架下基于纹理特征分析的肝脏MRI肝纤维化和肝硬化分期判别系统。论文的主要研究内容如下:(1)基于The Maximum Response 8(MR8)纹理特征聚类进行病人肝硬化分期。正常肝脏的MRI图像光滑细腻无颗粒状纹理,而肝硬化的MRI则会呈现裂纹、宽度增加、有弥散性的结节同时周围存在条形高信号的纹理,所以希望通过提取肝脏纹理特征来描述肝脏的病变。MR8滤波器能够充分提取上述纹理特征,且具有旋转不变和维度小的优点,因此本文提出了基于MR8纹理特征聚类分析的肝硬化分期方法。该方法结合了肝脏MRI的5个序列进行分期。在感兴趣区域(Region of Interest,ROI)的分期结果中,T2序列和平衡期的分期准确率为100%,T1序列、动脉期和门静脉期的分期准确率都达到95%以上。在病例分期层面,应用投票机制得到分期准确率为100%。该方法不仅充分利用了MRI纹理特征,同时还具有易理解、操作简单、复杂度小和分期准确率高等优点,可以辅助医师进行临床诊断。(2)基于MRI的T1序列进行大鼠肝纤维化分期。针对大鼠肝纤维化分期问题,经典传统方法即基于灰度共生矩阵(Gray-level Co-occurrence Matrix,GLCM)结合前向型神经网络(Back Propagation Neural Network,BPNN),识别率并不高。本文提出基于密度聚类(Clusterdp)的大鼠MRI的T1序列纹理特征分期肝纤维化,并与传统算法对比。实验表明,基于Clusterdp的方法分期效果好,其中S0、S2和S4三期分期达到100%,目前对于S1和S3期的分期稍低,分别为0.8966%和83%。将每只大鼠的多幅ROI融合得到该大鼠的整体分期发现,仅S3期错分一个病例,其余各期准确率达到了100%。针对相同数据,基于GLCM的BPNN分期效果远不如本文所提算法。整体来说,基于Clusterdp的纹理特征分析对肝纤维化分期具有一定临床意义。