慢性肝病是一个主要的全球卫生问题。肝硬化是一种慢性肝脏疾病,通常可以集成到早、中、晚期。适当的治疗肝硬化强烈依赖于估计阶段。由于晚期肝硬化常与肝细胞癌的发病率,在放射学实践中,早期检测是必不可少的调查原因和减缓肝硬化的影响( 1]。慢性肝脏疾病的诊断和分期是一个重要的问题。目前的临床检测方法和分段肝硬化是组织学结果显示肝活检的结果或手动分析磁共振(先生)成像形态标准。然而,肝活检科目病人严重并发症的风险( 2]。手动分析过程结果的主观诊断和没有经验的放射科医生是一个困难的任务。因此,研究人员致力于开发计算机辅助诊断(CAD)系统协助肝硬化诊断。肝组织纤维化是肝硬化的一种独特的特征。可以区分病变组织有不同的纹理在医学成像。到目前为止,所有CAD结构图肝硬化诊断完全基于纹理分析的肝脏。王等人。 3)使用同现矩阵的纹理分析方法来分析超声波图正常或病变的肝脏;尽管他们证明了纹理分析有助于肝硬化诊断,诊断精度还不满意。岐阜大学的研究小组( 4- - - - - - 6)和Kayaalti et al。 7使用纹理特征作为输入;他们分类正常/肝硬化肝脏人工神经网络(ANN)和支持向量机(SVM),分别。他们两人获得高精度的分类结果。

然而,基于纹理分析的方法有一个主要的限制,每个肝硬化阶段的结构区别很难检测与当前医学成像技术。作为一个结果,它几乎是不可能通过纹理分析评估肝硬化的进展阶段。除了组织纤维化、肝硬化有另一个显著的特点:肝脏形态学改变发生在慢性肝脏疾病的临床过程 8]。典型的CT卷图所示 1。正常肝左所示,肝硬化肝脏右所示。可以看到,肝硬化肝脏会造成左叶肥大和右叶的萎缩。虽然肝脏的形态变化可以发现在计算机断层扫描(CT),描绘的是主观的和有限的视觉评估变化最小。

肝脏形状可以表示为一个统计形状模型(SSM) ( 9, 10]。相比与传统数学模型如球面谐波模型形状(SPHAM),导弹从人口统计学上靠对象或器官,它是一个对象(或器官)指定的形状模型。形状特征子空间的限制。到目前为止还没有做过任何研究的统计形状模型的构造解剖器官,如大脑( 11,心 12),肝脏( 13),和脾 14]。有关SSM也被应用于医学图像的自动分割 15- - - - - - 17]。在我们之前的作品中,我们构建了一个(SSM)的统计形状模型的肝脏和表明,模型的系数可用于肝硬化肝脏(和正常的分类 18, 19]。分类精度约为60% - -80%,根据训练样本的数量。在本文中,我们改进我们的以前的工作从以下三个方面。(1)为了提高诊断肝硬化肝脏的准确性,我们新建多个地对地导弹(脾脏肝脏导弹、导弹、和联合SSM的肝脏和脾脏)形态分析,基于众所周知的事实,即慢性肝脏疾病或肝硬化也会造成严重的形态变化对脾( 20.]。(2)的有效模式诊断肝硬化肝脏选择基于其累积贡献率及其与医生的相关意见(标签)。在我们以前的工作,我们只选择模式基于其累积贡献率。(3)在我们以前的工作,我们对待诊断肝硬化肝脏的两舱(正常和异常)分类问题。不可能估计的诉讼阶段肝硬化肝脏。在本文中,我们使用支持向量回归(SVR) [ 21)学习之间的映射函数选择模式(模式系数)和舞台上的标签。映射函数是用来估计阶段的慢性肝脏疾病。

本文组织如下。节 2,我们描述多个统计形状模型的建设(肝脏导弹、脾脏导弹、和联合SSM)。节 3我们描述一个模式选择方法有效的模式选择。节 4映射函数,我们简要介绍SVR。实验结果发表在部分 5。结论部分给出 6。

也是一个重要的问题来选择有效的模式,控制特定方面的形状变化相关的形态学变化引起的肝硬化。除了传统的累积方差贡献率(AVCR)为基础的模式选择,我们最近提出了一个基于关联的模式选择方法,并将其组合在一起,选择有效的模式( 24]。

基于相关的模式选择,我们会选择模式有很强的相关性与医生的意见(标记为分数)。每个样本数据由医生标记。正常的数据标记为0,异常数据标记为1。因为我们有44组数据训练集(25组正常数据,19套异常数据),因此,我们有一个标签向量 r 的尺寸44×1。我们还为每个模式创建一个系数向量。的系数向量模式 我 是由 b 我 的尺寸也是44×1。之间的关联模式 我 和标签显示为 (4) 相关 = | r T * b 我 | r T * r * b 我 T * b 我 。 在本文中,我们选择前4模式从订单大的相关值。

最后,我们需要一套产品基于贡献率选择模式和相关的选择模式。图 5显示了该模式选择方法的示意图。

假设我们有训练数据 { ( b 1 , r 1 ) , ( b 2 , r 2 ) , … , ( b N , r N ) } , b 我 是有关SSM系数向量的吗 我 训练样本, r 我 舞台上的标签吗 我 th训练样本, N 是训练样本的数量。我们使用支持向量回归( 21)来估计阶段的肝硬化肝脏。我们尝试计算一个函数( 5),可以约映射系数 ( b ) 选择模式的地面实况肝硬化阶段 ( r ) : (5) r = f ( b ) = 〈 w , b 〉 + 一个 , 在哪里 〈 · , · 〉 表示点积, w 和 一个 函数参数估计。这个映射函数将允许我们估计一个新的数据的进行阶段。图 6说明了该策略如何估计阶段的新数据。

与其他回归策略相比,支持向量回归(SVR)的优点是可用在不同核函数和高度准确映射基于参数选择( 21]。因此,可以给出凸优化问题 (6) 最小化 1 2 ∥ w ∥ 2 + C ∑ 我 = 1 N ( ξ 我 + ξ 我 * ) , 主题 来 { r 我 - - - - - - 〈 w , b 我 〉 - - - - - - 一个 ≤ ε + ξ 我 〈 w , b 我 〉 + 一个 - - - - - - r 我 ≤ ε + ξ 我 * ξ 我 , ξ 我 * ≥ 0 , 在哪里 C 是一个积极的常数和 ξ 我 和 ξ 我 * 是松弛变量。

方程( 6)可以重新制定成一个决斗的问题: (7) 最大化 { - - - - - - 1 2 ∑ 我 , j = 1 N ( α 我 - - - - - - α 我 * ) ( α j - - - - - - α j * ) k ( b 我 , b j ) , - - - - - - ε ∑ 我 = 1 N ( α 我 + α 我 * ) + ∑ 我 = 1 N r 我 ( α 我 - - - - - - α 我 * ) , 主题 来 ∑ 我 = 1 ℓ ( α 我 + α 我 * ) = 0 , α 我 , α 我 * ∈ ( 0 , C ] , 在哪里 α 和 α * 拉格朗日乘数法, k ( b 我 , b ) 是内核函数。本文中使用的高斯核函数的非线性映射。获得的映射函数可以写成 (8) f ( b ) = ∑ 我 = 1 l ( α 我 - - - - - - α 我 * ) k ( b 我 , b ) + 一个 。

由( 8),我们能够估计的诉讼阶段系数向量的一个新的数据 b 。

我们使用44临床CT数据集(25正常数据和19肝硬化肝脏数据)研究。19个肝硬化中数据,10肝硬化数据标记阶段。数量和标签为每个阶段如表所示 1。我们做了两个两级(正常和异常)分类实验和基于SVR的阶段评估实验。我们使用的所有44数据分类实验和标记35数据如表所示 1基于SVR阶段评估实验。我们进行了分析实验来验证我们的方法的有效性。两舱(正常和异常)分类实验和基于SVR的阶段评估实验做完了。我们实验的流图所示 7。

在训练阶段,我们构建了三个一类:肝脏导弹、脾脏导弹、和肝脏和脾脏的联合导弹训练数据集。基于我们提出的模式选择前一节中描述的方法,分别从每个导弹、我们选择一个模式。完全,选择三种模式。的形状变化如图选择模式 8。的系数选择的模式和阶段标签用于SVR训练。

在测试阶段,测试数据预计将选择模式。他们的系数作为特征。在两级分类实验中,我们使用简单的最近邻(NN)算法对所有44套数据进行分类。在估计阶段的实验中,我们使用了SVR模型中描述的映射函数的部分 4。为了做个比较,我们进行了分类和估计的三种方法实验阶段。第一种方法是一样的我们之前的方法( 18, 19]。只使用肝脏SSM,模式选择是基于传统AVCR(特性)。第二种方法是比较法。只有肝脏SSM模型就像我们之前的方法(第一方法),但是该模式选择方法中描述的部分 3使用。第三种方法是我们的方法。多个地对地导弹用于形态分析与我们提出的模式选择方法。

比较三种方法的分类精度(我们的方法、比较法和以前方法)如图 9。可以看出,分类精度的正常肝脏(肝硬化肝脏)和异常显著提高了我们建议的多个ssm方法和模式选择方法。分类精度是正常和不正常肝脏的88%和90%,分别。

我们也将我们的方法与基于纹理的方法。强度直方图的均值和方差作为纹理的特征。基于纹理的方法的分类精度只有66%和60%为正常和异常肝脏,分别,这也显示在图 9。

我们也分析交叉验证申请阶段估计使用标记35数据表所示 1。初步结果如图 10。水平轴代表的地面实况阶段测试数据。纵轴代表了估计分数用SVR。

如图 10有一个早期的数据,并被错误地归类为正常。早期分类错误的情况下,它有非常相似的形状功能正常数据。无法处理这样的极端情况下是我们完整的形状分析方法的局限性。我们也可以注意到一个小重叠正常和早期数据的估计结果。除了这两个叛变,我们的方法建立了相当有前途的结果区分正常和肝硬化数据。

由于数据的限制,我们只有两套中、后期数据测试。一个中产阶段数据可以从早期的很容易被认出来。其他情况下的得分低于两个早期病例的分数。然而,平均评分和方差的估计结果如图 11,我们可以清楚地观察到一个增量从正常到早期和早期中期阶段。这个结果验证的潜在形态分析和基于机器学习的方法评估本阶段的慢性肝脏疾病。

我们开发了一个基于multiorgan形态学分析方法结合机器学习回归方法协助肝硬化诊断和量化。我们的方法不仅可以实现准确的正常/异常分类,也可以估计的诉讼阶段肝硬化病例。我们构建三个地对地导弹(肝脏导弹、脾脏导弹、和联合SSM的肝脏和脾脏)肝硬化肝脏的形态分析。使用传统的单一肝导弹相比,分类精度提高了使用多个地对地导弹对正常和肝硬化肝脏。我们还提出了一个模式选择方法,该方法是基于其累积方差贡献率与医生的标签(AVCR)及其相关的分数。与传统的基于AVCR方法相比,我们的方法可以提高分类精度对正常和肝硬化肝脏。正常和肝硬化肝脏的分类精度为88%和90%,分别。我们估计之间的映射函数选择的模式和阶段利用SVR标签。本阶段的肝硬化肝脏可以映射函数估计的。初步结果验证了我们的方法的潜力。 However, there are still several issues we want to address in the future. The first issue is to increase the number of the training samples, especially the number of middle and late stage data. The second issue is we mixed normal and abnormal data for computing the PCA. When we have more data, we will try to treat the positive and negative data separately to derive more discriminative modes. The third issue is that although we obtained considerably satisfying results, from a pathological point of view, it is highly recommended to combine both shape and texture analysis [ 25)协助诊断。开发一种自动的方法对肝脏和脾脏细分是必要的未来自动CAD系统和开发正在进行中 26]。此外,我们multiorgan-based统计形状分析方法可以应用于帮助其他疾病的诊断与形状变形有关。