论文部分内容阅读
目的:探讨计算机辅助诊断方法和技术在食管癌X射线医学图像分型中的应用,设计食管癌计算机辅助诊断系统,为临床医师提供决策上的参考,提高食管癌诊断的可信度、准确率和智能化,为其早期发现、确诊、治疗提供依据。方法:对正常食管、早期和中晚期食管癌X射线图像感兴趣区域采取两种不同的预处理方法,即基于灰度尺寸归一、中值滤波去噪、直方图均衡化增强的传统预处理方法和基于中值滤波、锐化滤波、高斯低通滤波、高斯高通滤波、同态滤波、腐蚀、膨胀、开启、闭合、列均值替换的特征子图像提取并融合方法;对两种预处理后的图像提取灰度直方图、GLCM、GGCM、Haar小波、DB2小波、Sym4小波、Tamura、Hu不变矩、LBP、Gabor滤波器和HOG特征;由于HOG特征维数太高造成分类器性能降低和速度减慢,采用PCA法对HOG特征进行特征降维;特征数据输入SVM、BP神经网络和RF分类模型中,对图像进行分类处理,采用灵敏度和特异度指标评价分类实验的性能。结果:(1)正常食管和早期食管癌分型:(1)两种预处理后的每幅图像共提取11种1135维特征,对HOG特征降维,传统预处理方法后提取的HOG特征得到93个主成分,特征图像融合后提取的HOG特征得到88个主成分,累计贡献率分别为95.002%、95.19%;(2)比较预处理方法:传统预处理方法后提取的GLCM、Tamura、Hu、LBP、Gabor、HOG特征在三种分类器下得到的最高分类准确率均高于特征图像融合方法。特征图像融合方法后提取的GH、GGCM、Haar小波特征最高分类准确率高于传统预处理方法。DB2和Sym4小波特征的最高分类准确率在两种预处理方法下相同;(3)比较特征提取方法:传统预处理方法下最高分类准确率超过了95%的特征有LBP、Gabor、HOG、GLCM、Sym4、Haar小波特征,分别为99.375%、99.375%、98.75%、98.125%、97.5%、95.625%。特征图像融合方法下GH、Sym4、Gabor、GLCM、HOG、GGCM、Haar、LBP特征的最高分类准确率为97.5%、97.5%、97.5%、96.875%、96.875%、96.25%、96.25%、95.625%,均超过了95%;(4)比较分类器:传统预处理方法下SVM适合Haar、Sym4、LBP、Gabor、HOG特征的分类,BP神经网络适合GLCM、DB2、Sym4、LBP特征的分类,RF适合GH、GLCM、GGCM、Tamura、Hu、Haar、DB2特征的分类。特征图像融合方法下BP神经网络适合GH、GLCM、GGCM、LBP特征的分类,RF适合Tamura、Hu、Haar、DB2、Sym4、Gabor特征的分类,三种分类器都适合HOG特征分类;(2)中晚期食管癌分类:(1)两种预处理后的每幅图像共提取11种1135维特征,对HOG特征降维,传统预处理方法下得到298个主成分,特征图像融合方法下得到286个主成分,累计贡献率分别为95.023%、95.004%;(2)比较预处理方法:传统预处理方法后提取的GH、GLCM、Tamura、Hu、Haar、Gabor特征分类准确率高于特征图像融合方法,特征图像融合方法后提取的GGCM、DB2、Sym4、LBP、HOG特征分类准确率高于传统预处理方法;(3)比较特征提取方法:传统预处理方法下GLCM、Haar、Hu、Gabor、GH特征的最高分类准确率较好,分别为99.833%、98.417%、98.333%、98.167%、97.833%,均超过了95%。特征图像融合方法下最高分类准确率超过了95%的特征有Gabor、HOG、Haar、Sym4,分别为96.417%、96.25%、96.167%、95.083%;(4)比较分类器:不论是传统预处理方法还是特征图像融合方法下,RF分类器对所有特征的分类能力均比SVM和BP神经网络好。结论:本研究比较了两种预处理方法、11种特征提取算法和三种分类模型,得到最适合于食管癌X射线图像分类识别的计算机辅助诊断方法:(1)正常食管和早期食管癌分类:对传统预处理方法后的图像提取LBP或Gabor滤波器特征通过SVM分类器分类,得到99.375%的分类准确率;(2)溃疡型、缩窄型和蕈伞型食管癌分类:对传统预处理方法后的图像提取GLCM特征通过RF分类器分类,得到99.833%的分类准确率。最后,利用上述方法开发了计算机辅助诊断系统,实现了食管癌X射线医学图像的辅助诊断。该系统经过改善和推广将为放射科医生提供有价值的参考意见,提高食管癌诊断的准确率和效率,实现其早发现早治疗的目的。