论文部分内容阅读
随着人们生活水平的提高,目前脂肪肝的发病率越来越高,该疾病如果不及时控制可能会引发肝纤维化、肝硬化,从而给肝脏带来永久性的损害。随着超声医学的蓬勃发展,临床上常采用B超成象技术诊断脂肪肝,但这在很大程度上是凭医生肉眼进行判断,这种经验的、感性的认识常导致脂肪肝的误诊。一些初步研究表明,超声图象的一些特征,如灰度共生矩阵、灰度游程矩阵等,可以用于区分正常肝与脂肪肝,但到目前为止,没有任何机构提出可用于脂肪肝图象识别的模式识别方法。这就迫切地需要建立一种客观的方法,为医生诊断脂肪肝提供必要的辅助手段。本文旨在基于超声纹理分析和图象识别的脂肪肝辅助诊断技术的研究与开发,并为超声诊断脂肪肝提供一种计算机辅助诊断的客观手段。目前国内外还未见相关研究报道。本文采用超声图象分析方法与模式识别技术进行了脂肪肝B超图象识别的研究。首先以脂肪肝B超图象纹理的变化为出发点,分别采集人体肝脏的B超图象,并选择图象中的感兴趣区域,计算出每一幅图象的近远场灰度比特征、灰度共生矩阵和灰度游程矩阵的二次统计量特征。经过基于假设检验和SOFM神经网络技术的特征选择后建立了最佳特征矢量。接着把特征矢量集作为样本集,先后采用了无监督的识别方法,包括C-均值聚类算法和自组织特征映射人工神经网络,以及有监督的图象识别方法——反向传播人工神经网络算法,对人体正常肝和脂肪肝的超声图象进行识别。本文总共使用了33个正常肝病例和11个脂肪肝病例,分别采集了每个病<WP=4>人的B超图象并提取了多个图象特征,在经过特征选择后,建立了由近远场平均灰度比、灰度共生矩阵的角二阶矩、熵和反差分矩四个特征组成的最佳特征矢量。在对样本集的识别过程中,C-均值聚类算法对正常肝的识别率达到100%,对脂肪肝的识别率为63.6%;自组织特征映射人工神经网络对正常肝的识别率为93.94%,对脂肪肝的识别率为100%;反向传播人工神经网络对正常肝的识别率为100%,对脂肪肝的识别率也为100%。本文研究表明,由近远场平均灰度比、灰度共生矩阵的角二阶矩、熵和反差分矩四个特征组成的特征矢量对脂肪肝图象具有很好的描述能力;反向传播人工神经网络对脂肪肝B超图象的识别能力要优于C-均值算法和自组织特征映射人工神经网络。本文的研究成果可以作为临床诊断脂肪肝的客观手段之一,也为循证医学的发展提供了一个新的依据。