文摘

本研究旨在探讨超声诊断的准确性基于人工智能算法在妊娠的诊断复杂的脑部肿瘤。在这项研究中,18岁怀孕复杂患者脑部肿瘤病理证实了被选为研究对象。超声对比基于人工蜂群算法进行,由经验丰富的临床医师诊断。超声图像将重建人工蜂群算法,以改善其图像显示能力。病理诊断将移交给医院的生理病理学实验室诊断。医生的超声诊断结果与病人的病理诊断阶段结果相比,和分析的结果统计分析,评价其诊断价值。比较结果表明,良性肿瘤的数量和分类是相同的,而在恶性肿瘤,诊断是一样的,但是有一个病人在分类诊断错误。一例混合胶质神经元肿瘤诊断为神经胶质神经元肿瘤,和诊断准确率为94.44%K值为0.988。诊断结果的两个优秀的协议。结果表明,超声图像诊断的脑瘤患者在怀孕期间基于人工智能算法,其中大部分是良性的,有明显的症状。超声波具有良好的诊断准确性和可推广于临床诊断。研究结果可以为临床应用提供实验数据的基于人工智能的超声图像特征分析的诊断怀孕复杂的脑部肿瘤。

1。介绍

脑部肿瘤,即颅内肿瘤,直接生长在大脑中是新生物,包括但不限于新生物起源于大脑,脑膜,神经,血管,脑附件或由其他器官和组织转移到大脑。脑部肿瘤中可以看到所有年龄在30 - 50岁,是最常见的(1]。临床、头痛、呕吐、视力障碍、心理障碍、单侧肢体感觉异常,幻觉,偏瘫或操作失误,耳鸣耳聋是由于颅内压增加,局部病变(2]。它的一些症状类似于孕妇,如呕吐、头痛、和单侧肢体感觉异常,造成许多不便在孕妇治疗脑部肿瘤3,4]。根据相关研究,怀孕是否大脑原发性或转移性肿瘤是罕见的,这可能是由于生育年龄不是多个脑部肿瘤的年龄5]。怀孕本身并不增加脑瘤的风险,但一些脑瘤患者在怀孕期间可能会加速增长或更明显症状,其中一些可能与性激素的作用,尤其是脑膜瘤和星形细胞瘤。根据相关研究,孕激素受体可以在脑膜瘤中发现,和人类的星形细胞瘤培养体外可以接受孕激素加速增长6,7]。

目前,国际学者关注与脑瘤治疗怀孕复杂。林奇et al。8]随访6脑瘤患者在怀孕期间,最后得出结论:脑膜瘤是最常见的疾病类型的脑肿瘤患者在怀孕期间和怀孕会加剧颅内肿瘤的临床过程。Zwinkels et al。9]接下来怀孕的妇女与神经胶质瘤治疗期间和得出结论,低级的神经胶质瘤是更常见的脑肿瘤患者在怀孕期间,而高档神经胶质瘤是更可能是一个新现象。埃文斯et al。10)发现,在19岁怀孕的未分化间胶质瘤患者在治疗期间,医生停止使用temozolomide并开始跟踪和观察到病人,病人终于顺利生下了。医生得出的结论是,脑部肿瘤患者化疗期间应加强孕期避免防止怀孕促进脑部肿瘤。

脑部肿瘤,由于缺乏理解他们中的大多数,他们缺乏足够的了解他们的早期症状,被认为是其他疾病的症状,从而延缓早期诊断和治疗。目前,脑部肿瘤的诊断主要基于成像检查,和常见的影像学表现包括x射线胶片、超声诊断、计算机断层扫描(CT)、磁共振成像(MRI),病理检查(11- - - - - -16]。

近年来,计算机辅助诊断(CAD)已广泛应用于医学领域。医学的影响进行了分析和改善图像由计算机计算的准确性,从而大大提高了诊断效率和准确性。人工智能的进展使得这项技术有一个新的发展方向,特别是人工蜂群算法的组合和超声图像特征分析。人工蜂群算法通常用于部件类似的图像重建和分析功能,可以大大提高病变的超声图像的勘探和病理判断,但目前没有这方面的研究。因此,人工蜂群算法的组合和超声图像有很好的应用前景在怀孕的早期诊断领域的复杂与脑瘤(17,18]。

由于怀孕的存在,诊断和治疗的患者还需要考虑胎儿的状态。目前,没有统一的理论来处理怀孕复杂的脑部肿瘤。它们中的大多数都是个性化的,multidepartment全面考虑,并协同治疗。的颅骨切开术序列儿童脑瘤和生产操作应综合考虑基于胎儿发育和大脑肿瘤的地位。脑瘤患者在怀孕早期,建议停止怀孕。良性脑瘤患者,颅骨切开术后可以执行足月生产根据情况。中、晚期患者和大脑瘤,立即颅骨切开术建议降低颅内压(19,20.]。

因为脑部肿瘤的发病率不高在怀孕,很少有相关研究。在这个研究中,人工蜂群算法创新结合超声图像来研究这种方法的作用在脑部肿瘤的诊断怀孕,希望提供一个更有效的临床诊断具有较高的诊断效率和准确性。本研究将18例妊娠诊断出患有脑瘤医院为研究对象,利用人工智能算法分析超声图像特征。通过比较与病理诊断结果,我们可以判断其临床价值在怀孕的早期诊断复杂的脑部肿瘤。

2。研究对象和方法

2.1。研究对象

在这项研究中,收集18怀孕的脑部肿瘤住院患者为研究对象,其中包括23名∼33岁,平均年龄为27.73±4.59岁。每周平均妊娠期为28.15±11.65周。2有16初产妇和经产妇的女性。怀孕初期有4例和14例中、晚期妊娠。这项研究已经被医院医学伦理委员会批准。的病人和他们的家属理解学习和签署了知情同意书。入选标准:(1)患者在怀孕期间被诊断脑肿瘤;(2)没有其他肿瘤转移和组织和器官疾病;(3)胎儿发育正常排除标准:(1)其他严重患者心脏,肾脏,肝脏,和其他器官疾病;(2)严重精神疾病患者,无法正常沟通;(3)家庭成员和病人不愿意参与

2.2。诊断方案

所有情况下满足入学要求是基于人工智能算法分析了超声图像。二维超声机使用的仪器,和探针模型LOGIQ E9 12 l。超声造影剂是白手起家的“脂氟化发展,”粒子大小是1∼5μ米,主要范围是1∼2μm,微泡浓度5∼7×10⁹毫升。病人卧床不起,和探针被无菌包装内镜与少量生理盐水注射包。用生理盐水作为颅骨瓣形成口头联系代理,和硬脑膜或大脑表面沿日冕检查操作员,矢状,水平和表面。检查图像结果分析基于人工智能算法的特点和由两个医生不知道病理检查结果。考试结果,分别。统一结果相互矛盾的结果,讨论了由两个医生。

2.3。超声成像是基于人工智能算法

基于人工智能算法,本研究将使用图像重建基于人工蜂群(ABC)算法中常用的医学图像分析结果形象的特点。基于人工蜂群图像重建可以重建图像。与传统的图像分割相比,人工蜂群优化可以把肿瘤特征值作为分类的样本和降低特征维度。在减少支持向量机(SVM),它极大地提高了图像的精度的关键部件和小组织部分的化身。它广泛用于医学成像。

首先,肿瘤需要提取的纹理特征。根据提出的纹理特征值Chen等人。21)作为正规化的自相关函数,它假定自定义像素 和像素 在一个图像的大小 正规化是 。

为了消除图像亮度的影响因素,平均亮度值被添加到

因此,脑瘤被定义为的纹理特征值

肿瘤轮廓的几何特征被定义为6种类型在这项研究中,即形状系数一个,圆度B,长宽比C凸表面D,体积E,范围F,如方程所示4)- (9)。

在这里,米区域,Z周边,J是直径,T是多边形的周长周围的肿瘤,N是最小的多边形区域周围的肿瘤,K是区域的最小矩形周围的肿瘤,然后呢n是自然数。原理图的几何参数如图1。

支持向量机是一种常见的方法来解决数据分类分析。它使用数据分类和流程的最优超平面二维线性不可分的样本在高维核函数的映射,从而获得全局最优的解决方案。

人工蜂群算法的图像重建在这项研究主要包括四个要素:食物来源(要解决的问题),聘请了蜜蜂,侦察蜂,蜂后,和两种行为模式:搜索食物源和放弃食物来源。首先,人工蜂群算法随机生成N解决方案(食物)。 是一个向量的要解决的问题或数据分类的尺寸吗D。所有的解决方案都搜查了蜜蜂的殖民地直到最大搜索时间(K)。雇佣蜂记录相应的食物来源和寻找新的食物源附近的食物来源,这样可以找到更好的食物源来代替原来的食物来源。每次搜索完成后,聘请了蜜蜂回到巢和传送的位置,距离,和数量的追随者蜜蜂的食物来源。追随者蜜蜂选择食物来源根据获得的信息。食物来源的质量越高,越有可能被选中。选择的概率Z可以根据解决吗 在哪里代表的适当值问解决方案。雇佣蜂的搜索范围和跟随者蜜蜂 这是一个随机参数,但两个参数不相等。是一个随机变量之间 ,和是一个变量控制的范围搜索食物源。

人工蜂群算法的具体流程如图2。

大脑肿瘤特征值和SVM参数根据人工蜂群算法的筛选。每个蜜蜂包含过滤特征值和支持向量机参数。SVM用于计算的准确性后过滤,然后送到ABC算法。ABC算法执行操作,直到达到操作时间的上限。

2.4。仿真实验

评价图像重建的影响,常用的指标是用来计算均方误差(MSE)和峰值信噪比(PSNR)的重建图像和测试图像。均方误差的计算公式如下:

C₁代表了重建图像,C₂是测试图像,l是图像的长度,W图像的宽度。均方误差越小,更好的重建图像。

PSNR值是最常用的评价指标在图像处理领域,及其方程如下: 在哪里b表示每个像素的比特数。PSNR值越大,图像重建的质量就越高。

数据样本选择和划分为图像块8×8,其中10000被选为训练样本构造人工蜜蜂殖民地学习模型的训练数据和重建后的图像特征分析。K-singular值分解(K-SVD)算法和堆autoencoder (SAE)选择数据分析和图像重建并与人工蜂群算法的重建图像(22,23]。K-SVD是一种经典的字典训练算法,但与一般的字典训练相比,它每次只更新一列的数据,所以它通常用于图像压缩传感。SAE是一种无监督算法,它主要用于恢复原始图像的感知。这两个算法是用作比较算法比较人工蜂群算法的图像重建的能力选择。

实验环境是win10系统,CPU:英特尔赛扬(R)(右)(电子邮件保护)GHz, MATLAB平台。

2.5。统计研究

在这项研究中,分析统计软件Medcalc版本是用于数据处理,Kappa一致性测试是用于相关性和测试水平∝= 0.05。参考的评价K(κ)值如下:K≤0.40,可怜的诊断一致性;0.40 <K≤0.75,良好的诊断一致性;0.75 <K≤1,诊断一致性很好。

3所示。结果

3.1。算法仿真结果

图3显示输入测试样本。

测试图分为图像的8×8块。三种算法的重建结果模型如图4。

图4(一)是一个SAE重建图像。图4 (b)是一个重建K-SVD的形象。图4 (c)通过人工蜂群算法是图像重建。对比相应的PSNR和MSE如图5。

通过比较SAE重建图像的PSNR和MSE, K-SVD重建图像,和人工蜂群算法重建图像,它表明人工蜂群算法下的图像重建效果模型明显优于SAE重建和KAVD重建。实验表明,人工蜂群算法具有良好的性能在肿瘤图像重建。

3.2。怀孕的诊断结果的比较复杂的脑部肿瘤

18例的临床诊断后,11显示头痛、恶心和呕吐,占61.11%。头痛主要是本地或整个头部疼痛,间歇性或持续,5例(45.45%)显示进步的恶化。三个病人显示听力损失、耳鸣、视力损害,占16.67%。两名患者有单侧肢体缺点,占18.18%。两个病人显示单侧肢体痉挛,占18.18%。具体的比例如图6。

病理诊断表明,有5恶性肿瘤18例,其中包括1胶质母细胞瘤,2混合glioneuronal肿瘤,1星形细胞瘤,1间胶质瘤。有13个良性肿瘤,包括6个良性脑膜瘤,4纤维瘤,3声神经鞘瘤。

根据超声图像特征的人工蜂群算法,恶性肿瘤5例,13例确诊患有良性肿瘤18例,符合病理诊断。然而,仍然有错误的诊断特定的肿瘤类型。5例恶性肿瘤诊断,包括胶质母细胞瘤1例,混合胶质母细胞瘤1例,1例报告,星形细胞瘤1例,少突神经胶质瘤1例。有13例良性肿瘤,包括良性脑膜瘤6例,4例神经纤维瘤,听觉神经鞘瘤3例。

根据比较分析超声图像特征的人工蜂群算法和图的病理诊断7良性肿瘤的诊断结果是一致的,而在恶性肿瘤,有一个病人错误的诊断,这可能是由于这样的事实,超声图像的混合胶质神经元肿瘤和神经胶质神经元肿瘤非常相似,和超声图像不清晰地显示出来,但是结果仍然是非常相似的,准确率为94.44%。计算后,K= 0.988,这两种方法的诊断结果是优秀的协议。

3.3。超声图像特征分析

图8显示了神经胶质瘤的特点分析图像的对比度增强超声。

4所示。讨论

怀孕期间由于其独特的生理因素,其诊断和治疗,受到更多因素的影响。根据相关研究,大多数的怀孕相关的肿瘤是良性的,恶性肿瘤是罕见的,他们在老的孕妇更常见。特别是三个政策的开放,孕妇的怀孕年龄继续上升,这可能进一步提高肿瘤在怀孕期间的概率。为了保证孕妇和儿童的生命安全,早期诊断,早期发现,早期治疗是最好的方法来有效地减少肿瘤的危害。

首先,基于人工智能算法的超声图像是由实验验证。在这项研究中,人工蜂群算法重建超声图像来改善图像的准确性。它可以清晰地图像小组织,主要反映。通过验证实验,证实了人工蜂群算法有更好的改善图像的精度比其他图像重建方法。

在这项研究中,18例在医院被选为研究对象,基于人工智能和超声图像算法进行,和专业医生诊断被邀请。根据对比超声图像的诊断结果基于人工蜂群算法和脑瘤患者病理诊断结果怀孕了,只有1例误诊,和其他例与病理诊断结果一致,这可能与这一事实有关的超声波图像混合胶质神经元肿瘤和神经胶质神经元肿瘤非常相似和超声图像不清楚。

在这项研究中,它是基于人工智能算法确定超声波图像发挥积极作用在怀孕的分析复杂的脑部肿瘤,特别是在更加突出和明确的显示血管、组织病变,和其他组织部分,发挥积极的辅助作用的诊断怀孕脑部肿瘤。此外,由于其明显的病变组织,它还可以用作成像制导方案的比较操作和预后恢复和二期手术和术前和预后中扮演着重要的角色。

胡锦涛et al。(24)通过使用一个算法基于模糊系统的大脑肿瘤医学图像处理和比较结果和各种人工智能算法,发现,使用该算法可以更快和更稳定的获得高质量医学成像,和图像的精度远高于其他算法处理结果。Latifoğlu [25)提出了一个人工蜂群算法来优化超声图像的数字图像去噪和测试多个超声图像在同一时间。结果表明,该方法能有效地消除噪声的测试图像。吴et al。26)设计了一个人工蜂群算法处理多普勒超声图像,可以极大地提高超声图像的质量,降低图像噪声,大大提高临床诊断疾病的能力。

5。结论

在这项研究中,18岁怀孕复杂患者脑瘤被选为研究对象。基于人工智能的超声图像特征进行了分析并与病理检查的结果。结果表明,之间没有显著性差异的结果超声成像诊断怀孕的复杂与脑瘤基于人工智能和病理检查。证明这种检测方法可用于怀孕复杂的大脑肿瘤的临床诊断,这是值得推广的。因为很少有与脑瘤患者怀孕复杂,很难选择一个更大的数量的研究,这可能会产生一些错误的结果。预计有关组织或团队可以选择更多的病人在未来的研究。目前,很少有研究怀孕复杂的脑部肿瘤。本文研究证明人工智能算法的临床价值特性分析与脑肿瘤的诊断怀孕,怀孕为临床诊断提供了一定的临床资料与脑瘤,为未来的研究提供了一定的研究方向的其他组织或团队。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

林吴魏和全贡献同样这项工作。