脑淋巴瘤和恶性胶质瘤分类亮度分布分析

文摘

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。

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(和),最小ADC值和最低亮度范围的恶性胶质瘤和)。有两种情况需要考虑。(1) 或 (图2(一个))。如果ADC值小于或亮度范围窄,肿瘤被认为是一个典型的淋巴瘤。另一方面,如果ADC值大于或亮度范围更广泛的比,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。(2) 和(图2 (b))。如果ADC值小于或亮度范围窄,肿瘤被认为是一个典型的淋巴瘤。另一方面,如果ADC值大于或亮度范围更广泛的比,肿瘤被认为是一个典型的胶质母细胞瘤。之间的和和之间的和被视为历史进程(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。

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)和淋巴瘤()。所有肿瘤病理证实。结构核磁共振成像的分辨率和ADC地图和,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。

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。

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%毫米²/ s,略优于水平(50%)的机会。

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。

3.3。我们算法的分类性能

在本节实验,- - - - - -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(TH_ADC)和亮度范围的阈值(TH_范围)设置如下: 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%。除此之外,我们提出的方法优于其他两种方法等于或大于5。

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。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%。

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。

依赖亮度范围阈值显示在图10。观察到最佳的分类性能。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%或,显示了该方法的鲁棒性。

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。

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。

引用

1. c . (m·卡斯蒂略M.-C。黄et al .,“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》卷,29号3、471 - 475年,2008页。视图:出版商的网站|谷歌学术搜索
2. a . Doskaliyev f .山崎裕m . Ohtaki et al .,“淋巴瘤和恶性胶质瘤:不同的表观扩散系数b值高的评估diffusion-weighted 3 t磁共振成像,”欧洲放射学杂志,卷81,不。2、339 - 344年,2012页。视图:出版商的网站|谷歌学术搜索
3. t . k .牧野,平井一夫,中村h . et al .,”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,25卷,不。6,432 - 438年,2011页。视图:出版商的网站|谷歌学术搜索
4. m·哈特曼海兰德,即德国哈丁et al .,“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,卷338,不。2、119 - 122年,2003页。视图:出版商的网站|谷歌学术搜索
5. c .愈伤组织o . Kitis n . Yunten t . Yurtseven s Islekel和t . Akalin”灌注和扩散成像增强恶性脑肿瘤,先生”欧洲放射学杂志,卷。58岁的没有。3、394 - 403年,2006页。视图:出版商的网站|谷歌学术搜索
6. j·h·马N.-J h . s . Kim。Rim,工程学系。金,K.-G。曹”,多形性成胶质细胞瘤中分化、孤独的转移性肿瘤和淋巴瘤反应使用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》没有,卷。31日。9日,第1706 - 1699页,2010年。视图:出版商的网站|谷歌学术搜索
7. y . Liu m . Muftah t . Das l .白k .罗布森和d·奥尔”分类的肿瘤图像基于小波分析伽柏先生,”医学和生物工程杂志》上,32卷,不。1、22 - 2012页。视图:出版商的网站|谷歌学术搜索
8. Yoshiura k .山下式t、h . Arimura et al .,“绩效评估的放射科医生鉴别诊断的人工神经网络intra-axial大脑肿瘤图像,先生”美国神经放射学杂志》卷,29号6,1153 - 1158年,2008页。视图:出版商的网站|谷歌学术搜索
9. 山崎裕t, t, t .平井一夫,r .村上春树“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,。视图:谷歌学术搜索
10. 山崎裕t, t . Chen m .八木t·平井伯昌和r .村上”GrowCut-based快速肿瘤三维磁共振图像分割,”医学成像2012:图像处理卷,8314诉讼相比,纸# 8314342012年2月,圣地亚哥,加利福尼亚州,美国。视图:谷歌学术搜索
11. 山崎裕t, t, t .平井一夫,r .村上”区分脑淋巴瘤和本研究以亮度分布分析,”2013年医学成像:计算机辅助诊断卷,8670诉讼相比,纸8670 - 35布埃纳维斯塔湖,佛罗里达州,美国,2013年2月。视图:谷歌学术搜索
12. r .粉丝,k . Chang谢长廷,x,和c·林,“LIBLINEAR:图书馆大型线性分类”机器学习研究杂志》上9卷,第1874 - 1871页,2008年。视图:谷歌学术搜索

版权

版权©2013山崎裕行长等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。