论文部分内容阅读
目的:通过分析腰椎CT图像上松质骨骨小梁的纹理特征,进一步采用BP神经网络分类器、回归树分类器及SVM分类器分级识别骨质疏松,探讨基于腰椎CT的计算机辅助诊断方法在骨质疏松分级诊断中的应用价值。方法:(1)图像获取及分组:回顾性纳入于大连医科大学附属第二医院行腰椎CT检查且三个月内接受过双能X线骨密度仪(dual-energy X-ray absorptiometry,DXA)检测患者139例,依据DXA诊断结果的T值将病人分为三组:S0组(骨量正常)44例、S1组(骨量减低)47例、S2组(骨质疏松)48例。(2)计算机辅助诊断分析:(1)感兴趣区(region of interest,ROI)提取:手动提取腰3椎体轴位CT图像(层厚1mm)松质骨区域的ROI,ROI大小为40×40像素,连续提取5个CT层面,每个层面提取1个ROI,总计获取695个ROI,其中S0组220个,S1组235个,S2组240个;(2)纹理分析:针对ROI,采用灰度共生矩阵法提取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),每个特征参数包括4个方向(0°、45°、90°、135°),每一个ROI获得80个纹理特征参数;(3)特征选择:采用绘制盒式图对提取的特征参数进行选择,保留有效的纹理特征参数;(4)分类识别:针对3组ROI,分别采用BP神经网络分类器、回归树分类器及SVM分类器进行两两分类识别;(5)统计学分析:采用Matlab绘制ROC曲线,获得灵敏度、特异度及ROC曲线下面积(AUC)。结果1.特征选择结果根据每组80个特征参数相对应的盒式图,剔除区分度不好的特征参数,保留区分度较好的特征参数,共挑选出0°、45°、90°、135°四个方向上的8个特征参数,分别是自相关系数、对比度、相关性、非相似性、能量、熵、同质度、方差,共计32个纹理特征量。2.BP神经网络分类器分类识别结果特征选择前(80个特征参数):S0-S1的识别准确率为82.61%,AUC为0.8885;S0-S2的识别准确率为91.55%,AUC为0.9655;S1-S2的识别准确率为84.20%,AUC为0.8905。特征选择后(32个特征参数):S0-S1的识别准确率为91.07%,AUC为0.9108;S0-S2的识别准确率为95.82%,AUC为0.9823;S1-S2的识别准确率为87.62%,AUC为0.9185。3.回归树分类器分类识别分类结果特征选择前(80个特征参数):S0-S1的识别准确率为81.16%,AUC为0.8555;S0-S2的识别准确率为91.25%,AUC为0.9280;S1-S2的识别准确率为86.50%,AUC为0.8920。特征选择后(32个特征参数):S0-S1的识别准确率为88.98%,AUC为0.8897;S0-S2的识别准确率为94.71%,AUC为0.9659;S1-S2识别准确率为87.62%,AUC为0.9235。4.SVM分类器分类识别结果特征选择前(80个特征参数):S0-S1的识别准确率为89.28%,AUC为0.9370;S0-S2的识别准确率为92.03%,AUC为0.9550;S1-S2的识别准确率为89.08%,AUC为0.9575。特征选择后(32个特征参数):S0-S1的识别准确率为94.01%,AUC为0.9400;S0-S2的识别准确率为97.21%,AUC为0.9820;S1-S2的识别准确率为89.15%,AUC为0.9446。结论1.基于腰椎CT的计算机辅助诊断方法可较好地分级识别骨量正常、骨量减低和骨质疏松,为骨质疏松的分级诊断提供了一种方法。2.基于纹理特征分析的SVM分类器对骨质疏松分级识别率稍优于BP神经网络和回归树分类器。