论文部分内容阅读
目的：计算机辅助诊断（Computer Aided Diagnosis，CAD）技术的实现包括图像处理分析，特征提取量化和分类等关键步骤，本课题在CAD系统研发的过程中提出了新的自动增强、分割和分类算法，并进行了系统的评价，一方面探讨联合应用增强和分割算法的图像处理分析方法在辅助医生观察病变信息、减少漏误诊和降低观察者间差异方面的价值；研究计算机辅助分析算法的有效应用形式，评价增强和分割算法的有效性。另一方面将分类的结果作为参考意见，为医生诊断提供客观量化信息，验证特征提取和分类算法的有效性，评价计算机辅助分类方法在乳腺肿块良恶性判定中的准确性和临床应用价值。
方法：本研究进行了三次诊断实验分别侧重于评价CAD算法的不同特性，三次实验总体的研究方法相通用，但具体研究方案存在差异，研究方法可总述为：从现有的乳腺超声图片库中随机抽取病例图像，由经验不同的超声医师对病例进行良、恶性判定并给出乳腺超声图像的BI-RADS分级，应用所提出的增强加分割或分类算法对图像进行处理和分析，将计算机输出的结果提供给医生，医生参考CAD输出结果后再一次对病变进行评价和分级，以手术病理或临床观察随访结果作为金标准，采用受试者操作特征(ROE)曲线法分析医师应用CAD输出结果辅助前后诊断结果的差异，比较ROC曲线下面积(Az)、敏感性(Se)和特异性(Sp)等统计学参数的变化，对比医生应用原图像和增强加分割处理后图像对病变特征描述的差异，前后两次特征描述差异的比较采用秩和检验。Kappa分析方法评价不同年资医生应用CAD辅助前后观察者之间诊断结果一致性的变化。
结果：①增强联合分割算法对医师诊断效能影响的研究显示，增强和分割算法通过提高对比度，增强病变纹理和检测肿瘤边界，突出了腺体和病灶的部位，使肿块的边缘特征更加清晰，更好的显示了肿瘤内部微小钙化灶，为医师诊断提供了更多的信息；参考了增强加分割处理的图像后，医师诊断的准确率均提高了，两次实验结果中，医师诊断的平均Az分别由0.81和0.84提高到了0.87和0.88，差异均有统计学意义（P<0.0l），Se和Sp等统计学参数也优于单独应用原超声图像的诊断结果。②观察者间差异的研究显示，应用增强加分割图像辅助后，低年资医生诊断提高得较高年资医生明显，同时医师间分级诊断的一致性提高了，其中高年资和低年资医师间的一致性提高的最大，kappa值平均提高了0.20。③分类算法诊断实验的研究显示，本研究中的分类算法对肿块良恶性的判定效果良好，当CAD分类结果的界值为0.464时，诊断的Az、Se和Sp分别为0.876、0.892和0.766，参考CAD分类诊断意见后，医师诊断的效能得到了提高，平均Az由0.85提高到了0.89，差异有极显著统计学意义（P<0.01），Se和Sp也由原来的0.83和0.70提高到了0.87和0.78。
结论：本课题中的超声图像增强和分割算法，能够有效改善图像质量和检测病灶，为医生诊断提供有价值的信息，在一定程度上减少了漏诊和误诊，该辅助方法对于低年资医生更加有效，有助于降低观察间的诊断差异。自动分类算法为医师诊断提供了量化参考，能够辅助超声医师提高乳腺良、恶性肿瘤的鉴别诊断率，具有较高的临床应用价值。