基于MRI影像的肝细胞癌恶性程度计算机辅助诊断研究

摘要

肝细胞癌（Hepatocellular Carinoma，HCC）是常见的恶性肿瘤，统计表明罹患HCC的患者死亡率在中国乃至世界范围内排名靠前，分居恶性肿瘤死亡率的第三位和第五位。在实际的磁共振影像（Magnetic Resonance Imaging，MRI）诊断中，有经验的医务人员能够比较容易地观测到肝脏病变区域，然而在无对比、无量化的情况下对其病变程度的准确判断仍存在一定的难度。因此，本文对HCC的MRI影像进行量化分析，并结合其临床医学病理表现，研究了MRI图像特征对HCC恶性程度的诊断价值，构建了一个HCC恶性程度计算机辅助诊断（Computer Aid Diagnosis，CAD）系统，为医生提供辅助参考。 本文的主要工作内容如下： （1）设计了基于MRI影像的HCC恶性程度CAD系统框架，并详细介绍了本CAD系统内各个模块的设计方案及技术原理。在影像预处理模块中，根据HCC在MRI影像中的强化表现，对HCC病灶区域（Regions of Interest，ROI）进行了手动分割；在量化分析模块中，设计了特征提取方案，详述了五类特征的提取原理及计算方法；在分类诊断模块中，简单介绍了常用的四种分类器。HCC恶性程度CAD系统的设计为本文接下来的研究打下了坚实的基础。 （2）研究了MRI图像特征在HCC不同恶性程度等级之间的差异性，发现了ROI图像特征参数灰度均值（Mean）和灰度不一致性值（GLN）对于HCC的恶性程度具有较高的诊断价值。基于单因素方差法和ROC曲线法的统计分析结果表明，大部分图像特征作为单独指标在HCC不同恶性程度之间具有统计学差异，其中，特征参数Mean值和GLN值差异最为显著，其诊断价值也最高。 （3）提出了一种基于分层策略的自适应加权多分类器融合算法，并采用该算法实现了HCC恶性程度的CAD。在该分类算法中，除训练集与测试集外，还加入了验证集以计算各分类器的自适应权值。首先，提取MRI影像ROI区域的五种特征序列；然后，根据这五种特征序列在验证集中的分类性能构建五个单层分类器；再次，采用本文算法计算各单层分类器的自适应动态权值；最后，通过线性加权的方法进行多分类器融合，实现HCC恶性程度自动分级。实验结果表明，本文HCC恶性程度CAD系统可以为医生提供高可信度的辅助诊断。

目录

声明

第1章 绪论

1.1课题来源

1.2 研究背景与意义

1.3 HCC的MRI病理诊断概述

1.4 医学影像CAD技术的国内外研究现状

1.5 本文主要研究内容和结构安排

第2章 HCC恶性程度CAD框架设计及相关技术原理

2.1 HCC恶性程度CAD框架设计

2.2 ROI分割

2.3特征提取

2.4 常用分类器

2.5 性能评估

2.6 本章小结

第3章 MRI图像特征在HCC中的诊断价值分析

3.1 实验数据

3.2 基于图像特征的HCC恶性程度统计分析

3.3 实验结果与分析

3.4 本章小结

第4章 基于多分类器融合算法的HCC恶性程度诊断

4.1 实验数据

4.2 基于分层策略的自适应加权多分类器融合算法

4.3 实验结果与分析

4.4 本章小结

第5章 总结与展望

5.1 工作总结

5.2 前景展望

致谢

参考文献

攻读硕士学位期间发表的学术论文