基于B超图像的脂肪肝严重程度识别

摘要

随着人们生活水平的提高，对自身健康的要求也越来越高。脂肪肝虽然在临床上表现为一种良性病变，但其作为人体“亚健康”状态的一项重要指标已越来越受到人们的关注。并且该疾病若不及早诊断、治疗，则可发展为肝硬化、肝癌甚至死亡。超声成像技术是脂肪肝诊断最常用的方法之一，但是超声诊断更多的是依赖于医师的临床经验进行定性判断，带有一定的主观性。随着纹理分析技术的发展，利用计算机辅助诊断技术结合超声成像技术诊断脂肪肝已成为可能。国内外已有采用超声图像纹理特征量进行正常肝脏与脂肪肝识别的研究报道，但到目前为止，还没有见到基于超声图像对脂肪肝严重程度的计算机辅助识别的报道，而相关研究对于临床疾病的诊断具有非常重要的意义。因此，本文旨在基于超声纹理分析和图像识别实现正常肝脏和不同程度脂肪肝的计算机辅助诊断，为临床早期诊断脂肪肝以及脂肪肝严重程度的判断提供一种客观的辅助诊断手段。 本研究采用图像纹理分析方法和模式识别技术对肝脏超声图像进行研究，以临床诊断脂肪肝的标准和不同程度脂肪肝B超图像纹理的变化为出发点，分别在已采集的肝脏图像上选择感兴趣区域，计算每一幅图像的多个特征量，包括近远场灰度比、奇异标度差、多重谱面积和基于小波变换的角二阶矩。由多个特征量组成特征矢量作为模式样本集，每个特征矢量代表一幅图像，进行图像分类识别。识别的方法有两种：无监督识别-C-均值聚类，利用误差平方和极小准则，根据各样本特征矢量与聚类中心的距离，将总体样本依据脂肪化变性程度分成四类；有监督识别一基于反向传播神经网络(BP人工神经网络)的图像识别，首先将图像分为训练样本集和测试样本集，用训练样本集中的图像输入神经网络进行训练，再用训练好的分类器对测试样本集中的图像进行识别。临床上共采集了224例肝脏B超图像，其中正常肝脏图像、轻度脂肪肝图像、中度脂肪肝图像和重度脂肪肝图像各56幅。由近远场灰度比、奇异标度差、多重谱面积和基于小波变化的角二阶矩四个特征量组合进行图像识别。利用C-均值聚类算法对四个特征量的不同组合方式进行分类，得到分类效果最好的最佳特征矢量(近远场灰度比，奇异标度差，多重谱面积)；再利用BP人工神经网络分类器，对最佳特征矢量进行分类识别。其中训练样本集包括正常肝脏图像和不同程度脂肪肝图像各31幅，余下100幅图像作为测试样本集验证系统识别准确性。最终得到识别结果：正常肝脏识别率96％，轻度脂肪肝识别率80％，中度脂肪肝识别率88％，重度脂肪肝识别率92％。 实验结果表明，近远场灰度比、奇异标度差与多重谱面积这三个特征量对肝脏图像有较好的描述能力，由这三种特征量组成的特征矢量利用BP人工神经网络在解决不同程度脂肪肝B超图像识别问题上也有着较好的性能。本文的研究成果可以作为临床诊断脂肪肝程度的客观手段之一，结合医师的经验，提高临床诊断正确率。

目录

文摘

英文文摘

声明

1文献综述及研究设想

1.1 研究背景

1.1.1脂肪肝的临床诊断

1.1.2基于B超图像的脂肪肝严重程度识别的目的和意义

1.1.3超声成像技术

1.2 脂肪肝计算机辅助诊断的研究现状

1.2.1图像纹理分析方法

1.2.2近年来一些新的脂肪肝计算机辅助诊断方法

1.3 研究设想：基于B超图像计算机辅助诊断脂肪肝严重程度

2特征提取和选择

2.1 图像采集

2.1.1图像来源

2.1.2图像采集方式

2.2 感兴趣区域选择

2.2.1灰度特征ROI的选取

2.2.2纹理特征ROI的选取

2.3 基于空域分析方法的特征提取

2.3.1近远场灰度比特征

2.3.2纹理分形特征

2.4 基于频域分析方法的特征提取

2.4.1小波简介

2.4.2连续小波变换

2.4.3离散小波变换

2.4.4多分辨分析

2.4.5灰度共生矩阵

2.4.6特征参数提取

2.5 基于假设检验的特征量分析

2.5.1方法原理

2.5.2假设检验结果分析

2.6 本章小节

3脂肪肝严重程度识别

3.1 实验方案

3.2 分类处理方式

3.3 无监督识别

3.3.1 C-均值聚类法算法描述

3.3.2最佳特征矢量

3.3.3分类结果

3.3.4结果讨论

3.4 有监督识别

3.4.1人工神经网络简述

3.4.2返向传播神经网络

3.4.3BP网络的改进

3.4.4BP网络分类器

3.4.5分类结果

3.4.6结果讨论

3.5 无监督识别与有监督识别的结果讨论

3.6 本章小节

4全文总结

4.1 论文工作总结

4.2 论文中创新点

4.3 研究展望

参考文献

攻读硕士学位期间发表、录用的论文，参加研究的课题及获奖情况列表

致谢