基于智能计算机断层扫描图像分割算法在卵巢肿瘤的诊断

文摘

本研究旨在探讨应用程序基于智能的计算机断层扫描(CT)图像分割算法在卵巢肿瘤的分析,以便为卵巢肿瘤的临床诊断提供理论依据。在这项研究中,100例卵巢肿瘤患者选择为研究对象,进行CT成像检查;卷积算法神经网络(CNN)模型构建和应用于CT诊断卵巢肿瘤患者的图像分割,以分析的有效性提出了CT图像分割算法。三次结果,图像分割在CNN算法,和真正的阳性(TP)的数量是50岁,49岁和50岁的分别;假阳性的数量(FP) 1、2、1分别;假阴性的数量(FN) 2、3和2,分别;和真正的数字底片(TN) 47岁,46岁,分别和47。因此,在三个测量值没有太大区别 。CNN算法的准确性为0.97,0.95,和0.97,分别为细分的三倍;精度为0.98、0.96和0.98,分别;召回是0.96、0.94和0.96,分别。因此,准确度、精度和召回的三个测量没有大大不同 。此外,F1的三个测量值分别为0.97、0.94和0.97,分别都接近于1,表明没有统计上大差异 。分割精度、精度和召回的算法研究大大大于SE-Res块u型CNN算法,和密度聚类算法峰值,差异具有统计学意义 。简而言之,CNN算法显示精度高,精度,回忆,和综合评估值CT图像分割,使恶性或良性卵巢肿瘤的诊断提供可靠的理论指导更有效和卵巢肿瘤的临床分析。

1。介绍

卵巢肿瘤是指发生在卵巢肿瘤是一种常见的女性生殖器肿瘤。卵巢肿瘤nonbirth女性发病率高,初潮早、绝经晚(1,女性的发病率随生育的数量的增加而减小。在此基础上,有一个理论,即排卵引起卵巢上皮细胞损伤;反复损伤和修复过程可能促进癌症,大多数情况下是由常染色体显性遗传引起的。根据组织病理学,卵巢肿瘤可分为两种类型:良性卵巢肿瘤和邪恶的卵巢肿瘤(2]。其中,良性卵巢肿瘤约占75%的卵巢肿瘤;它们中的大多数都是囊性,密度均匀,清晰的边界,光滑的表面,囊肿壁和薄分离规则(3),没有壁结节;85% - -90%的卵巢肿瘤有不同的类型和一般固体或囊性,与不均匀密度分布(4]。

乳房肿瘤临床成像方法通常包括磁共振(MRI),超音波,电脑断层扫描(CT) (5]。经阴道超声(电大)使用超声波回波成像图像传输,它可以帮助识别潜在的卵巢增生并确定它们是否坚实的增生或囊肿。它快速、经济、非侵入性和可再生的。然而,形态、内部结构和与周围组织的关系较小的卵巢质量往往不清楚,,很难检测实体肿瘤直径小于1厘米。软组织MRI显示高分辨率、多翼机成像,而且无损伤。它非常有利于观察子宫内膜病变侵犯肌层的深度和宫颈肿瘤之间的边界和膀胱或直肠,但总体成本太高了。腹部CT扫描扫描通过特殊的x射线,允许医生看到腹部和骨盆的各个部分,可以定位和描述盆腔肿瘤,并学习是否肝脏,肺,和腹膜后淋巴结有转移,快速扫描时间和清晰的图像(6]。

在临床医学中,为了满足疾病诊断和治疗的需要,患者扫描(7),知道每个病人的内脏器官的状况。智能分割算法的应用程序之前,这个过程几乎是由医生独立完成。有经验的医生判断准确性更高,但由于医生的培训是昂贵和费时8),培训完成后,他们将受到不可避免的局限性,如能源和情绪波动(9),导致判断的准确性,显示高不稳定(10]。智能分割算法通常用于医学图像分析在这一阶段,协助诊断,减少误诊的概率。医学图像分割主要涉及的各种图像分割在医学领域,如常见的电子计算机断层扫描CT图像。其主要任务是感兴趣的部分地区,从这些医学图像(如肿瘤、11]。不同于常见的分割任务在日常生活中,医学图像低对比度等问题,低信噪比、低光强度由于图像采集设备的影响12];器官有个体差异和运动变形。这些因素很难分割医学图像。深入学习算法描述学习能力(13),它可以根据其层次结构分类的输入信息。该算法分类可分为三类:卷积神经网络(CNN),这是通常用于图像数据的分析和处理;递归神经网络(RNN)的文本分析或自然语言处理;和生成对抗网络(简称GAN)用于数据生成或nonsupervised学习应用程序(14]。CNN模型显示优秀的特征提取能力,避免手动提取功能的局限性。也就是说,CNN具有良好的分类性能,图像识别可以解决一个主要问题,在图像分割具有良好的性能。

总之,使用深度学习的神经网络模型,以提高医学图像的处理是一个热门研究课题。因此,100例卵巢肿瘤患者进行CT检查被选为研究样本,采用和CNN的目标检测算法部分病人的CT图像。分割精度、精度和召回的算法比较,讨论基于深度学习的分割。算法的诊断价值对卵巢肿瘤的CT图像将提供相应的数据参考卵巢癌的临床评价。

2。材料和方法

2.1。研究对象及分组

在这项研究中,100例卵巢肿瘤患者治疗医院从2017年1月到2019年1月。病人都是女性,22-45岁老了。患者纳入研究经历了病理检查和术前CT成像检查。本研究经医院伦理委员会批准。病人和他的家人有一个更详细的了解研究的内容和方法,他们同意签署相关的知情同意。

入选标准确定如下:患者年龄在18岁到45岁;病人被诊断为卵巢肿瘤病理及CT成像检查;没有被治疗的患者与其他药物的研究最近;和病人不接受放疗和化疗。

排除标准定义如下:精神疾病患者或无意识;女性患者不生;不完整的病史患者数据;和病人不配合治疗。

2.2。CT检查

卵巢肿瘤项目注册在CT机根据CT号码,姓名,性别,年龄和主题的CT片,并检查登记内容是否符合应用程序表。曝光的数量和时间应该最小化完成扫描需求,从而减少患者的辐射剂量和省钱,不做无意义的扫描。扫描后,它必须浏览重建CT图像确认没有遗漏扫描和所有图层的图像满足诊断需求,然后执行图像操作。完成上述操作后,病人被要求退出进入扫描房间床上,床的高度较低,下车扫描床上。两名全职肿瘤学医生被邀请进行双盲阅读CT图像并记录结果。如果有任何分歧,第三个经验丰富的医生被要求执行解释。

2.3。基于CNN智能算法的图像分割

在过去,神经网络几乎全层之间的连接,如图1。CNN所使用的方法是部分连接,如图2,它可以降低复杂性和有效调整过度拟合。重量分享能使模型推广,减少学习规则,如图3。

平移不变性的特征是,它能抓住最重要的功能,过滤不相关的参数,便于计算和减少复杂性(如图4);此外,当邻居家的像素略流离失所,输出持平,鲁棒性增强,和有一定的抗干扰效果。CNN算法的三个应用程序如图所示5。

最早的代表LetNet模型神经网络。虽然规模很小,但它完成了包括一个完全连接层,一个回旋的层,和一个池层。输入图像是2828灰度图像,然后卷积混合成为50的两倍44,然后一个隐藏层完全连接网络是用来完成分类。LetNet以来,深度学习领域的迅速发展,卷积网络技术已经变得越来越成熟。图6显示了LetNet模型。

在CNN,反向传播(BP)算法通常用于图像分割等任务,它可以不断更新参数和权值。输入:100图片样本,CNN模型的层数l和所有隐藏层的类型。卷积层,内核将卷积的大小K,卷积核的子矩阵的维数F,被定义为填充大小和进步P和年代,分别。汇聚层,池面积大小k和池标准(MAX或平均)必须被定义。此外,梯度迭代参数的迭代步长α、最大迭代数最大值,停止迭代阈值也有定义。输出:参数矩阵W和偏见b每个隐层和输出层的CNN模型。BP算法是目前最常用的神经网络算法。当神经元j是迭代n,输出信号误差被定义如下:

在上面的方程中,神经元j输出节点。

神经元的误差能量j瞬间被定义为 。相应地,整个的瞬时值误差能量是神经元的瞬时值的总和,错误输出层的能量,这样的计算公式给出如下:

集C包括所有在网络的输出层神经元。N是表示模式包含在训练集的总数。发现的总和对所有n和规范化的大小设置可以得到均方误差能量,表示为如下方程:

方程(3)描述神经元j是由一组功能层的神经元产生的信号,因此诱导当地域吗生成神经元的激活函数的输入j表达如下: 米在上面的方程称为所有输入作用于神经元的数量j。突触的重量等于偏差bj神经元j。然后,该函数的信号出现在神经元的输出j在迭代n下面给出:

以类似的方式对LMS算法,修正的价值是应用于突触体重吗 ,这是编辑的导数成正比吗来 。根据微积分的链式法则,这个梯度可以表示为以下方程:

的偏导数 代表一个敏感因素,确定搜索方向的突触的重量重量的空间。

下面的方程可以通过差异化两岸的方程(2):

方程(8)可以通过差异化两岸的方程(1):

接下来,两岸的方程(5)可以获得以下微分方程:

最后,采取的差异化两岸的方程(4),我们可以得到以下方程:

用方程(7)∼(10)方程(6),我们可以得到以下方程:

应用于 ,修改后的是δ定义的规则如下: 在哪里η在上面的方程称为学习速率参数的BP算法。使用方程(负号的12)意味着重量的梯度下降空间,然后方程(11)代入方程(12),下面的方程可以获得。

当地的梯度在上面的方程被定义如下:

当地的梯度表示所需的突触权值的变化。根据方程(14),当地的梯度输出的神经元j等于相应的误差信号的产品吗神经元和导数相应的激活函数。

2.4。评价指标

在这项研究中,精度是用来代表比例的预测是正确的。具体计算方法是显示在方程(15);精度意味着所有的预测都是正面例子,实际标签的比例是积极的例子,和具体计算方法是方程(所示16)。回忆的比率是积极的样本被发现,这可能与方程计算(17)。

在上面的方程中,一个,P,R分别称为准确度、精度和召回;TP是指真阳性,这意味着预测结果是积极的,和实际结果是积极的;《外交政策》指的是假阳性,这意味着预测结果是积极的,但实际结果是负数;FN指假阴性,这意味着预测结果是消极的,但实际的结果是积极的;和TN是指真正的负面,这意味着预测结果是消极的,和实际结果是负面的。 在哪里α是一个常数,P和R指标有时出现矛盾的,所以他们需要考虑全面。最常见的方法F测量精度和召回(加权调和平均数)。当参数α= 1,这是常见的F1,相结合的结果P和R。当F1是更高、更有效的实验方法。

2.5。统计分析

这个实验的数据处理进行了分析使用SPSS 19.0统计软件的版本。测量数据是表示通过±标准差(±年代),所表达的定量数据的计算百分比(%)和浓度。数据分析表明,差异具有统计学意义 。

3所示。结果

3.1。卵巢肿瘤的CT图像

图7显示了三个随机的卵巢肿瘤患者的CT图像。可以看出,卵巢肿瘤是圆的。数据7(一)- - - - - -7 (c)显示所有恶性肿瘤的图像,这是固体或囊性,密度分布不均匀。

3.2。分析智能分割算法模型

基于解释结果三个临床经验丰富的医生,52岁的100例卵巢肿瘤患者恶性和良性肿瘤48。恶性肿瘤被定义为积极的情况下,和良性肿瘤被定义为负的情况。在此基础上,CNN算法被用来解释数据的三倍。图8显示数据的TP, FP、FN和TN。正如图中所示,没有显著差异三个积极的和消极的情况下 。

图9显示了CNN算法计算的准确性基于积极的和消极的情况下,表明所有的预测是正确的;精确预测恶性肿瘤的比例表示,实际上是贴上恶性肿瘤;回忆是恶性肿瘤的速率被发现。如图9,精度、精度和召回的三个测量没有显著不同 。

3.3。智能分割算法的综合评价模型

单一的综合评价指数不高。F测量被用于数据的综合评价。更大的价值F越高,模型算法的有效性。如图10,F价值衡量CNN算法三次接近100%,表明该算法模型是非常有效的,三个数据之间的差异并不显著 。

3.4。对分割性能比较研究中的算法与传统的算法

SE-Res块u型CNN算法和密度聚类算法被引入峰值比较算法在这个研究。结果如图所示11。分割精度、精度和算法的回忆在这项研究中明显高于SE-Res块的u型CNN算法和密度聚类算法峰值,差异具有统计学意义 。

卵巢癌CT图像的分割和重建结果的三个算法进一步比较,结果见图12。它显示分割和重建算法的研究显示高定义和低噪音,和整体表现SE-Res块的质量比u型CNN算法和密度聚类算法峰值,这是符合上述定量结果。

4所示。讨论

卵巢是一对实质性器官位于女性骨盆,它属于女性的腺体。为了产生卵细胞和排卵,它分泌性激素促进女性性特征的开发和维护15]。人类随着年龄变化的外观。年轻女孩的表面是光滑的和不均匀由于多个排卵后青春期;绝经后卵巢体积最大的减少在性成熟[16]。研究表明,卵巢肿瘤是一种常见的女性生殖器肿瘤(17),其恶性肿瘤是妇科恶性肿瘤中死亡率最高的肿瘤。根据研究报告,5年生存率没有明显改善近年来,但已经取得了很大的进步在基础研究和临床卵巢恶性肿瘤的诊断和治疗。卵巢肿瘤的恶性和良性影响治疗方案的选择和预后的评估。良性卵巢肿瘤被称为卵巢囊肿(18]。如果是不到三厘米,手术通常不是必需的,它可以采取Jingangteng胶囊抑制肌瘤的生长;如果超过5厘米,应该考虑腹腔镜手术移除囊肿(19]。卵巢恶性肿瘤的治疗主要是手术和辅助化疗和放疗。患者的生育需求,全面分期手术为卵巢癌可以执行保存生育能力。卵巢恶性肿瘤患者无生育要求或晚期(20.]。完成分段或cytoreductive卵巢癌手术直接执行,和需要删除附录为特殊类型的恶性肿瘤。手术后,需要4 - 6疗程的化疗,病人的身体状况手术前应该考虑全面。

在这项研究中,100例卵巢肿瘤患者选择为研究对象。CT成像后,患者接受人工评价和CNN智能算法分割。CNN精度、精度和召回被检测的分割方法,以探索超声图像分割技术的应用基于CNN智能算法在卵巢肿瘤的诊断。结果显示,TP的数量是50,49岁和50;FP的数字1、2、1;FN的数字是2、3、2;和TN的数量是47岁,46岁,分别和47。几乎没有区别的正面和负面的情况下测量了三次 ,表明该算法模型稳定效率高。CNN算法的准确性为0.97,0.95,和0.97,分别为三个测量,表明恶性肿瘤、良性肿瘤的预测是正确的;精度为0.98、0.96和0.98,分别,这称为预测恶性肿瘤占的比例实际上恶性肿瘤;召回是0.96、0.94和0.96,分别称为恶性肿瘤发现的比率。精度、精度和召回的三个测试都不重要 ,表明CNN算法稳定,显示长期可行性高。单一的综合评价指数不高,F测量采用对数据进行综合评价。更大的价值F越高,模型算法的有效性。获得的参数被设置为1F1,三个F1值分别为0.97、0.94和0.97,分别。的F值由CNN算法三次都接近100%,这表明该算法模型是非常有效的,和三个数据之间的差异不显著 ,表明该算法模型显示稳定性高,可以适应长期临床应用。这样的结果类似于当前的研究现状。结果表明,精度、精度和召回CNN情报CT图像分割算法高。综合评价越高,效率越高,图像分割效果越好,效果更好的诊断良性和恶性卵巢肿瘤的分化。SE-Res块u型CNN算法和密度聚类算法被引入峰值比较算法在这个研究。发现分割精度,算法的精度和召回率在这项研究中明显高于SE-Res块的u型CNN算法和密度聚类算法峰值 。这样的结果是类似的研究结果Al-Katib et al。21),这表明CNN分割算法用于这项研究显示CT图像分割性能优于传统算法和具有临床应用价值。

5。结论

在这项研究中,构建了CNN智能算法模型,并应用于卵巢肿瘤CT图像分割图像,以探索的应用算法在卵巢肿瘤的临床分析。结果透露,精度,精度,还记得,CNN情报和综合评估值算法对CT图像分割都高;运行的多个数据结果之间的差异并不明显,所以系统的稳定性高,显示效果更好的诊断良性和恶性卵巢肿瘤的分化。然而,本研究选择的案例样本的数量是小的,这可能对实验结果影响不大。此外,缺乏与其他智能算法的分割效果比较,所以代表性很低。因此,在后续的实验研究,样本容量会增加,和其他算法将用于进一步分析基于CT图像分割的应用智能算法在卵巢肿瘤的诊断。简而言之,这项研究提供了理论指导和临床证据的临床诊断卵巢肿瘤和其他疾病。

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。

引用

1. 任,k .他、r . Girshick和j .太阳”R-CNN:对实时检测与地区建议网络,”IEEE模式分析与机器智能,39卷,不。6,1137 - 1149年,2017页。视图:出版商的网站|谷歌学术搜索
2. z Wan, y, z, h . Lv和z Lv,“Semi-supervised支持向量机基于数字双胞胎大脑图像融合,“神经科学前沿ID 705323条,卷。15日,2021年。视图:出版商的网站|谷歌学术搜索
3. a的海岸边,j . m . Peralta-Hernandez“遗传算法和人工神经网络预测模型的变色染料的electro-oxidation过程在按压式反应堆,”水科学与技术:水污染研究国际协会杂志》上,卷78,不。3 - 4、925 - 935年,2018页。视图:出版商的网站|谷歌学术搜索
4. c .郭j . Lu z, w•郭和a . Darvishan”PEM燃料电池的关键参数的优化使用TLBO-DE基于Elman神经网络,”能量转换和管理卷,183年,第158 - 149页,2019年。视图:出版商的网站|谷歌学术搜索
5. t . k .智利诉Meenakshisundaram黄永发。挂,d·s·西蒙斯“Neural-network-biased为材料设计:遗传算法进化算法学习,”ACS组合科学,19卷,不。2、96 - 107年,2017页。视图:出版商的网站|谷歌学术搜索
6. z . k . c . Chen黄,d . Li赵,和j .香港“Multi-segmentation并行CNN模型估算装配扭矩使用表面肌电图信号,”传感器,20卷,不。15,4213年,页2020。视图:出版商的网站|谷歌学术搜索
7. j .江l .周他江x, y和傅y”,利用多层神经网络来提高auto-segmentation坟墓的准确性的放射治疗眼病的目标卷,”盛吴仪薛薛锣程,37卷,不。4、670 - 675年,2020页。视图:出版商的网站|谷歌学术搜索
8. y张x高,l .他w . Lu和r .他“客观视频质量评估结合转移学习与CNN,“IEEE神经网络和学习系统没有,卷。31日。8,2716 - 2730年,2020页。视图:出版商的网站|谷歌学术搜索
9. h·张,p .呗,z郭et al .,“三维plumonary实质分割的算法通过整合surfacelet变换脉冲耦合神经网络”盛吴仪薛薛锣程,37卷,不。4、630 - 640年,2020页。视图:出版商的网站|谷歌学术搜索
10. 谢,z . Yu, z Lv,“Multi-disease预测基于深度学习:一项调查,“计算机模拟在工程和科学,卷127,不。3,猴,2021页。视图:出版商的网站|谷歌学术搜索
11. Z.-Q。k .田和d .周指数时间差分脉冲耦合算法Hodgkin-Huxley神经网络,”计算神经科学前沿,14卷,p。2020。视图:出版商的网站|谷歌学术搜索
12. t·h . Wang赵,l·c·李et al。”一个混合CNN特性模型肺结节恶性肿瘤风险分化,“x光科学与技术杂志》上,26卷,不。2、171 - 187年,2018页。视图:出版商的网站|谷歌学术搜索
13. h .歌曲,w·w·杨,w·杨戴,l . Du和y太阳,“使用双通道CNN对高光谱影像进行分类基于空间谱信息,“数学生物科学与工程,17卷,不。4、3450 - 3477年,2020页。视图:出版商的网站|谷歌学术搜索
14. s . Nougaret y Lakhman:莫伦纳et al .,“卵巢肿瘤的CT特征:定义关键的浆液性肿瘤边缘之间的差异和低级的浆液性癌,”美国放射学杂志》,卷210,不。4、918 - 926年,2018页。视图:出版商的网站|谷歌学术搜索
15. b . d . OʼLeary, t·崔西t .纪勤t·a·沃尔什w·d·博伊德和d·j·布伦南,“胸偶然发现在卵巢上皮癌常规计算机断层扫描,”国际妇科癌症杂志》上,28卷,不。6,1073 - 1076年,2018页。视图:出版商的网站|谷歌学术搜索
16. a . Gadducci e . Simonetti g . Manca et al .,“正电子发射断层扫描/计算机断层扫描在platinum-sensitive复发性卵巢癌:单中心意大利的一项研究中,“抗癌的研究,40卷,不。4、2191 - 2197年,2020页。视图:出版商的网站|谷歌学术搜索
17. l . Baandrup m·t·费伯g . l . Aalborg和s·k·卡亚尔:“边缘型卵巢肿瘤在丹麦1997 - 2018:时间由组织学发病率趋势,年龄和教育水平,”Acta Obstetricia et Gynecologica Scandinavica,卷100,不。3、436 - 443年,2021页。视图:出版商的网站|谷歌学术搜索
18. r . s . Suidan p·t·拉米雷斯d . m . Sarasohn et al .,“多中心的评估术前ct扫描和ca - 125的能力来预测残留病变主要减积高级上皮卵巢癌,”妇科肿瘤,卷145,不。1,第27 - 31页,2017。视图:出版商的网站|谷歌学术搜索
19. h . Lu m .艾尔沙德A . Thornton et al。”的数学描述tumor-mesoscopic-structure计算机断层扫描图像注释上皮卵巢癌预后,molecular-phenotypes,”自然通讯,10卷,不。1,p。764年,2019。视图:出版商的网站|谷歌学术搜索
20. c .是l . Ceppi l . Guerra et al .,“角色18 f-fluoro-2-deoxyglucose正电子发射断层扫描/计算机断层扫描(18 f-fdg PET / CT)在恶性卵巢生殖细胞肿瘤:单中心经验和长期随访,”国际妇科癌症杂志》上卷,29号8,1298 - 1303年,2019页。视图:出版商的网站|谷歌学术搜索
21. s . Al-Katib g·古普塔,A . Brudvik里斯,j·克劳斯和m .法拉,”一个实用指南的管理CT发现乳腺癌,”临床成像,60卷,不。2、274 - 282年,2020页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021凌朱镕基等。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。