CMMM 计算和数学方法在医学 1748 - 6718 1748 - 670 x Hindawi出版公司 619658年 10.1155 / 2013/619658 619658年 研究文章 脑淋巴瘤和恶性胶质瘤分类亮度分布分析 山崎裕 行长 1、2 陈 Tsuhan 1 平井伯昌 Toshinori 3 村上 Ryuji 4 周 Yi-Hong 1 电气和计算机工程学院 康奈尔大学 菲利普斯大厅 纽约伊萨卡岛14853 - 5401 美国 cornell.edu 2 信息与通信工程系 东京大学 7-3-1 Hongo村 Bunkyo-ku 东京113 - 8656 日本 u-tokyo.ac.jp 3 部门诊断放射学 熊本大学 1-1-1 Honjo 熊本城 熊本860 - 8556 日本 kumamoto-u.ac.jp 4 医学影像学系 熊本大学 4-24-1 Kuhonji 熊本城 熊本862 - 0976 日本 kumamoto-u.ac.jp 2013年 6 6 2013年 2013年 17 01 2013年 20. 05年 2013年 2013年 版权©2013山崎裕行长et al。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

区分淋巴瘤和恶性胶质瘤适当的治疗计划是很重要的。许多作品被提出,但仍存在一些问题。例如,许多作品依赖阈值一个特征值,容易受到噪声。在其他情况下,有经验的观察者需要提取特征值,或者提供一些与系统的交互。即使专家参与,interobserver方差变成了另一个问题。另外,大多数的作品只使用一个或几个片(s)因为3 d肿瘤分割是耗费时间。在本文中,我们提出一个肿瘤分类系统,分析整个肿瘤区域的亮度分布。典型案例进行分类的亮度范围的阈值和表观扩散系数(ADC)的阈值。历史案例是由支持向量机(SVM)分类。大部分的半自动处理元素。 Therefore, even novice users can use the system easily and get the same results as experts. The experiments were conducted using 40 MRI datasets. The classification accuracy of the proposed method was 91.1% without the ADC thresholding and 95.4% with the ADC thresholding. On the other hand, the baseline method, the conventional ADC thresholding, yielded only 67.5% accuracy.

 1。介绍

本研究的目的是提供客观、准确的肿瘤分类系统,认为整个3 d肿瘤区域的亮度分布。区分淋巴瘤和非侵入性胶质母细胞瘤的方法是一个重要的问题,因为他们需要不同的化疗方案。例如,如果高度怀疑淋巴瘤肿瘤,立体定向活检通常是建议确诊。如果高度怀疑是胶质母细胞瘤的肿瘤,颅骨切开术将被选中。两个肿瘤,化疗方案是不同的。

因此,提出了许多作品。例如,Toh et al。 1)提出了ADC的阈值和ADC比率阈值。ADC值的分布也讨论了( 2]。牧野et al。 3)建议标准吸收值(SUV)阈值。在[ 4),提出了一种局部脑血容量相对比。愈伤组织et al。 5),另一方面,使用灌注和扩散成像和先生介绍四个参数来区分肿瘤。在[ 6),归一化的直方图分析脑血容量提出了增强和perienhancing病变。请注意,( 1- - - - - - 6不包括任何图像处理。某些特征值提取专家手工输入核磁共振成像( 1- - - - - - 5)或地区感兴趣的是由专家指定生成柱状图( 6]。肿瘤只是分类阈值使用预定义的静态阈值在[ 1- - - - - - 6]。一个image-processing-based系统可以在找到 7]。在[ 7使用伽柏),纹理分析小波系数阈值,提出了但这技术还依赖于简单的阈值。阈值特性值对噪声十分敏感。很容易发现异常情况等简单的阈值。此外,提取参数由观察者主观诱发interobserver方差问题。例如,ADC值提取专家不同观察者观察人士。从这个角度来看,即使是上优于方法采用很多主观等参数( 8)将不会成为解决上述thresholding-based方法。此外,所做的分析是使用只有一个或几片的核磁共振成像在大多数情况下,因为整个肿瘤区域分段需要劳动密集型的用户交互,需要很多的时间。更健壮的和准确的肿瘤分类、分析整个肿瘤的区域将是理想的。为此,我们提出了一个系统,采用学习使用整个肿瘤地区[亮度分布 9]。在系统中,分类精度达到87%。

这项工作的方法是(1)客观,因为来自用户的输入是尽可能小,(2)结合准确的亮度分布的分析整个肿瘤区域和两个阈值的方法,和(3)半自动促进新手用户容易使用这个系统。3 d肿瘤分割及其亮度分布分析合理处理时间内已经成为可能,我们之前的快速分割算法( 10]。因此,即使是新手用户可以分类肿瘤准确。

系统没有interobserver的ADC的阈值是免费的差异,达到91.1%的准确率。包括主观ADC值测量时,分类精度可以提高95.4%。我们算法的主要概念已经提出了( 11]。在这篇文章中,进行更详细的分析和比较,表明该方法的有效性。

本文的其余部分组织如下。节 2,详细描述了该算法。实验结果中演示了一节 3在部分,其次是结束语 4。

 2。算法

经常报道,肿瘤的形态外观不允许直接判断。然而,也经常发现淋巴瘤倾向于奉承和较低的亮度比件边缘和恶性胶质瘤是光明和黑暗的中心 6]。因此,这项成果有较宽的动态范围的亮度值。我们使用这些不同的特征在两个方面:一个用于使用亮度阈值动态范围,另一个用于亮度分布使用SVM学习。

该算法的流程图如图 1。首先,肿瘤区域分割通过使用我们的快速三维分割算法( 10]。所需的交互只是肿瘤/ nontumor种子设置,不需要任何专业知识。处理时间约为几十秒。尽管快速3 d肿瘤分割不是本文的范围,我们想强调的系统是合理的,因为快速的分割。在这个阶段,适度的准确分割是足够的,因为分割结果仅用于生成亮度直方图,不治疗的设计。

该算法的流程图。

然后,肿瘤的亮度归一化直方图的自动生成使用整个肿瘤区域。本文的体素值范围是量子化的12位(4096年)8位(256年)直方图更稀疏。通过使用生成的亮度直方图,亮度范围的归一化频率大于一个预定义的阈值检测到在我们的研究中(0.002)。

同时,如果有可用的专家,平均ADC值测量。感兴趣的区域(ROI),其面积大约50毫米2,是由专家决定。这个ADC值测量是可选的。

根据( 1),淋巴瘤的ADC值往往是小和大恶性胶质瘤。以同样的方式,我们在我们的调查中发现,亮度范围窄淋巴瘤和恶性胶质瘤广泛。尽管有许多例外情况如图所示在我们的实验中,ADC值很低的肿瘤可以被视为淋巴瘤和很高的ADC值可以被视为恶性胶质瘤。因此,我们单独的典型案例和历史情况下利用ADC值和亮度范围。也就是说,我们从训练数据中提取四个阈值:最大ADC值和最大亮度范围的淋巴瘤( TH ADC _ lym _ 马克斯 和 TH 范围 _ lym _ 马克斯 ),最小ADC值和最低亮度范围的恶性胶质瘤 TH ADC _ gli _ 最小值 和 TH 范围 _ gli _ 最小值 )。有两种情况需要考虑。

TH ADC _ gli _ 最小值 ≤ TH ADC _ lym _ 马克斯 或 TH 范围 _ gli _ 最小值 ≤ TH 范围 _ lym _ 马克斯 (图 2(一个))。

如果ADC值小于 TH ADC _ gli _ 最小值 或亮度范围窄 TH 范围 _ gli _ 最小值 ,肿瘤被认为是一个典型的淋巴瘤。另一方面,如果ADC值大于 TH ADC _ lym _ 马克斯 或亮度范围更广泛的比 TH 范围 _ lym _ 马克斯 ,肿瘤被认为是一个典型的胶质母细胞瘤。否则,肿瘤被认为是一种历史进程情况和支持向量机的分类,这是训练有素的训练数据集的亮度直方图。

TH ADC _ gli _ 最小值 > TH ADC _ lym _ 马克斯 和 TH 范围 _ gli _ 最小值 > TH 范围 _ lym _ 马克斯 (图 2 (b))。

 如果ADC值小于 TH ADC _ lym _ 马克斯 或亮度范围窄 TH 范围 _ lym _ 马克斯 ,肿瘤被认为是一个典型的淋巴瘤。另一方面,如果ADC值大于 TH ADC _ gli _ 最小值 或亮度范围更广泛的比 TH 范围 _ gli _ 最小值 ,肿瘤被认为是一个典型的胶质母细胞瘤。之间的 TH ADC _ gli _ 最小值 和 TH ADC _ lym _ 马克斯 和之间的 TH 范围 _ gli _ 最小值 和 TH 范围 _ lym _ 马克斯 被视为历史进程(未知的)情况下,支持向量机分类。这种情况很少发生在训练数据的数量是足够大的。

ADC和亮度范围阈值的概念。

注意,使用阈值提取典型案例。因此,thresholding-based方法部分中指出的问题 1在这种情况下不出现。此外,四个阈值决定自动从训练数据集。初步实验不需要设定合理的阈值。

提出系统的优点是,ADC测量可以省略,如果经验丰富的观察家并不可用。在这种情况下,需要来自用户的交互只是种子的分割。直方图的一代,阈值范围,并使用支持向量机分类可以自动完成。因此,任何人都可以复制相同的结果。尽管提出了一种基于直方图的方法( 6),生成的直方图是只从roi指定的观察者,而不是从整个肿瘤区域。和基于阈值的分类仍从直方图中提取的一个参数。

 3所示。实验结果 3.1。实验装置

我们回顾了40个病人的图像先生在组织学证实恶性胶质瘤 n = 20. )和淋巴瘤( n = 20. )。所有肿瘤病理证实。结构核磁共振成像的分辨率和ADC地图 256年 × 256年 × 160年 和 128年 × 128年 × 22 ,分别。有22个男性和18个女性患者,他们的年龄介于12到91年,指的是65年和69年的中位数。典型的历史情况下都包含在数据集。典型/历史病例的数量是不列在这里,因为很难定义典型性/ nontypicalness。一些示例图像如图 3。如图,淋巴瘤和恶性胶质瘤看起来很相似,很难区分仅仅通过观察核磁共振成像。ADC值是衡量一个neuroradiologist (t .平井伯昌)19年的工作经验。一个线性内核( 12)如果没有提及。

样品核磁共振成像的淋巴瘤和恶性胶质瘤。

在图 4,典型的历史进程例淋巴瘤和胶质母细胞瘤显示亮度直方图。作为讨论的部分 3淋巴瘤通常较窄的亮度直方图和恶性胶质瘤的亮度范围往往有更大的亮度范围。

样本图像和亮度直方图中提取典型的历史进程淋巴瘤/件。

 3.2。分类性能,传统的单一值的阈值

图 5演示了淋巴瘤和恶性胶质瘤的ADC值的分布(图 5(一个))和分化性能阈值的函数(图 5 (b))。它是观察到的ADC值淋巴瘤和恶性胶质瘤的互相重叠,因此ADC的阈值( 1)没有很好的工作。最好的精度只有当阈值是0.8 - 67.5% 1.0 × 10 - - - - - - 3 毫米2/ s,略优于水平(50%)的机会。

(一)分布的ADC值。ADC时(b)分类性能阈值( 1使用)。灵敏度/ specifity计算,恶性胶质瘤淋巴瘤被认为是“积极的”,被认为是“消极”。

亮度范围值的分布和分类精度通过简单的阈值在图所示 6。显示,亮度范围的阈值可以分类淋巴瘤和恶性胶质瘤比ADC阈值( 1]。最好的分类精度为82.5%。然而,这两个参数的微调的结果:范围的阈值提取和分类阈值(亮度阈值范围)。这些阈值的分类性能敏感,因此这种方法是不切实际的。

(一)分布的亮度范围值。(b)分类性能阈值范围。灵敏度/ specifity计算,恶性胶质瘤淋巴瘤被认为是“积极的”,被认为是“消极”。

 3.3。我们算法的分类性能

在本节实验, k ( k = 1 - - - - - - 19 ) 每个类样本是随机选择的训练和其他用于测试。典型的肿瘤的直方图也包含在训练。这个过程重复了1000次,平均性能。这random-sampling-based评价采用,因为阈值依赖于训练样本。

我们建议的方法的分类性能图所示 7,相比之下,那些天真的ADC的阈值和亮度阈值范围。当亮度分布使用不使用支持向量机学习,历史进程(或未知)情况下不能处理。因此,ADC的阈值阈值(THADC)和亮度范围的阈值(TH范围)设置如下: (1) TH ADC = TH ADC _ gli _ 最小值 + TH ADC _ lym _ 马克斯 2 , TH 范围 = TH 范围 _ gli _ 最小值 + TH 范围 _ lym _ 马克斯 2 。 可以看出ADC的分类精度的阈值是66%,亮度范围的阈值是72% - -76%。另一方面,该方法达到95.4% k = 1 9 。除此之外,我们提出的方法优于其他两种方法 k 等于或大于5。

该方法的分类性能和两个thresholding-based方法:(a)精度,灵敏度(b)和(c) specifity。

图 8时显示了分类性能的子集,使用该方法。有趣的是,即使SVM-only方法(即。,only the SVM trained with the luminance histograms was used) can achieve 83.3% accuracy when k = 19 。这是明显优于ADC的阈值( 1]。亮度范围阈值+ SVM方法收益率91.1%的准确率。因为这种方法不需要任何经验或知识的肿瘤,不存在interobserver方差甚至新手用户可以得到相同的性能。它也观察到,亮度范围阈值优于其他方法,当训练样本少。实现最佳性能(95.4%)时使用的所有特性。即典型病例分类利用ADC的阈值和亮度范围的阈值和历史病例分类的支持向量机使用亮度直方图。ADC的性能阈值+支持向量机( 9)为87.1%。

分类系统的子集之间的性能比较:(a)精度,灵敏度(b)和(c) specifity。

示例图像分类错误如图 9。neuroradiologist不能正确分类仅仅通过观察图像和ADC值。因此,这些错误是合理和显示我们的方法的局限性。

分类错误的情况下的例子。

依赖亮度范围阈值显示在图 10。观察到最佳的分类性能 th = 0.002 。作为其最优值的阈值变化,分类性能逐渐退化。然而,即使分类精度超过90% th = 0.001 或 th = 0.003 ,显示了该方法的鲁棒性。

分类性能作为亮度范围阈值的函数:(a)精度,灵敏度(b)和(c) specifity。

众所周知,svm使用卡方内核或直方图相交时内核工作比高斯或线性内核是基于直方图特征向量。因此,四个内核比较图 11。在我们的框架中,线性内核是最好的。还应该指出的是,线性内核是跑得最快的在训练。

四个内核之间的性能比较:(a)精度,灵敏度(b)和(c) specifity。

 4所示。结论

使用整个肿瘤区域亮度分布分析了区分淋巴瘤和恶性胶质瘤。典型的肿瘤分类的亮度阈值范围。和历史案例学习和分类的支持向量机使用亮度直方图。自主观测量的参数是不需要,系统易于使用即使对于新手用户和没有interobserver方差。亮度范围的结合阈值和基于svm分类准确率达到91.1%。除此之外,当ADC值衡量专家添加阈值,提高了准确性高达95.4%。

 承认

作者要感谢教授Masakazu八木的大阪大学富有成果的讨论。

 (音) C。 卡斯蒂略 M。 黄 答:M.-C。 魏 K.-C。 黄 H.-F。 Ng 工程学系。 王ydF4y2Ba 杨绍明。关铭 原发性脑淋巴瘤和多形性成胶质细胞瘤:扩散特征的差异与弥散张量成像评估 美国神经放射学杂志》 2008年 29日 3 471年 475年 2 - s2.0 - 41149135532 10.3174 / ajnr.A0872 Doskaliyev 一个。 山崎裕 F。 Ohtaki M。 Kajiwara Y。 竹岛 Y。 渡边 Y。 Takayasu指出 T。 Amatya 诉J。 秋山 Y。 Sugiyama K。 Kurisu K。 淋巴瘤和恶性胶质瘤:不同的表观扩散系数值高的b值diffusion-weighted 3 t磁共振成像 欧洲放射学杂志 2012年 81年 2 339年 344年 2 - s2.0 - 84855584942 10.1016 / j.ejrad.2010.11.005 牧野 K。 平井伯昌 T。 中村 H。 村上 R。 Kitajima M。 Shigematsu Y。 中岛美嘉 R。 受伤 年代。 Uetani H。 Iwashita K。 一种蛋白激酶 M。 山下式 Y。 Kuratsu J。 并添加正MRI提高原发性脑淋巴瘤和恶性胶质瘤之间的分化?观察者性能研究 《核医学 2011年 25 6 432年 438年 2 - s2.0 - 80052332289 10.1007 / s12149 - 011 - 0483 - 1 哈特曼 M。 海兰德 年代。 德国哈丁 我。 Tronnier 诉M。 大梁 C。 路德维希 R。 裁缝 K。 区分原发性脑淋巴瘤和高级神经胶质瘤perfusion-weighted磁共振成像 神经学字母 2003年 338年 2 119年 122年 2 - s2.0 - 0037468305 10.1016 / s0304 - 3940 (02) 01367 - 8 愈伤组织 C。 Kitis O。 Yunten N。 Yurtseven T。 Islekel 年代。 Akalin T。 灌注脑恶性肿瘤和扩散成像先生在加强 欧洲放射学杂志 2006年 58 3 394年 403年 2 - s2.0 - 33646563483 10.1016 / j.ejrad.2005.12.032 马 j . H。 金 h·S。 Rim N.-J。 金 工程学系。 赵 K.-G。 多形性成胶质细胞瘤之间的分化,孤独的转移瘤,淋巴瘤使用反应直方图分析规范化脑血容量的提高和perienhancing病变 美国神经放射学杂志》 2010年 31日 9 1699年 1706年 2 - s2.0 - 77958616962 10.3174 / ajnr.A2161 刘 Y。 Muftah M。 达斯 T。 白 l 罗布森 K。 奥氏小体 D。 基于伽柏先生的分类肿瘤图像小波分析 医学和生物工程杂志》上 2012年 32 1 22 28 2 - s2.0 - 84859308100 10.5405 / jmbe.813 山下式 K。 Yoshiura T。 Arimura H。 历经甲级 F。 野口勇 T。 Hiwatashi 一个。 Togao O。 山下式 Y。 Shono T。 Kumazawa 年代。 Higashida Y。 本田 H。 绩效评估的放射科医生与人工神经网络图像先生intra-axial大脑肿瘤的鉴别诊断 美国神经放射学杂志》 2008年 29日 6 1153年 1158年 2 - s2.0 - 46749125077 10.3174 / ajnr.A1037 山崎裕 T。 陈 T。 平井伯昌 T。 村上 R。 脑淋巴瘤分类和胶质母细胞瘤的结合ADC的阈值和亮度分布的学习 学报》国际医疗研讨会模式识别分析(IWPRHA 12) 2012年7月 WEB程序,# 1 山崎裕 T。 陈 T。 八木天线 M。 平井伯昌 T。 村上 R。 GrowCut-based快速肿瘤三维磁共振图像的分割 8314年 医学成像2012:图像处理 2012年2月 圣地亚哥,加州,美国 诉讼相比,纸# 831434 山崎裕 T。 陈 T。 平井伯昌 T。 村上 R。 区分脑淋巴瘤和本研究以亮度分布分析 8670年 2013年医学成像:计算机辅助诊断 2013年2月 布埃纳维斯塔湖,佛罗里达州,美国 诉讼相比,纸8670 - 35 风扇 R。 常 K。 谢长廷 C。 王 X。 林 C。 对于大型线性分类LIBLINEAR:图书馆 机器学习研究杂志》上 2008年 9 1871年 1874年 2 - s2.0 - 50949133669