论文部分内容阅读
肾脏占位性病变(Renal Space-Occupying Lesions,RSOL)是常见的肾脏疾病,其发病率正逐年增加。随着体检的普及以及人们健康意识的提高,早期RSOL的诊断率以及良性肿瘤的发现率有所提升。然而,目前仅通过临床医生依据影像学图像对病人进行人工鉴别诊断仍存在一定的困难,其诊断的精准度存在一定误差,存在一定的误差、误诊和漏诊现象。因此,如何更加准确有效的在术前做出诊断,减少因误诊所导致的不必要的肾切除,就显得尤为重要。近年来,影像组学在肾占位性病变中的应用逐渐增多。影像组学作为一种融合影像、临床表型和基因等信息的研究方法,利用先进的计算机技术进行图像分析。它可以从医学图像(例如CT和MRI)中提取和分析图像特征,并基于这些图像特征构建模型,对疾病进行分析或预测。这对辅助临床做出精准的治疗决策十分有意义[1]。本文基于影像组学方法,对常见且易造成误诊的肾脏占位性病变进行研究,以辅助临床诊断。本文的具体内容包括以下几个方面:1.实验数据预处理。使用从广东省南方医院提供的确诊患者的CT图像作为样本集,通过临床医生手动勾画出的感兴趣区域,并进行三维容积重组得到感兴趣容积。并基于感兴趣容积,利用MATLAB工具包提取了包括几何特征,统计特征以及纹理特征在内的362个特征,用于后续的特征选择以及构建分类模型。2.影像组学在伴结石肾积水是否伴发肾细胞癌中的临床应用研究。本文提出一种SVM-InfFS的特征选择模型,去除特征中的无关特征、冗余特征以及噪声干扰,同时使用支持向量机(Support Vector Machine,SVM)进行分类模型的构建;另外,还研究和比较了不同特征集和特征选择方法对图像分类的影响;并且结合临床医生的诊断情况分析所构建的分类器作为临床辅助诊断应用的可行性。实验结果表明,基于SVM-InfFS特征选择方法所训练出的SVM分类模型可以有效鉴别伴结石肾积水是否伴发肾细胞癌,其准确率高达82.5%。3.影像组学在鉴别肾脏囊性病变中的临床应用研究。首先利用基于ReliefF的前向选择算法(SVM-ReliefF)对特征进行筛选,然后训练极限学习机(Extreme Learning Machine,ELM)以构建分类模型,同时使用敏感性、特异性、准确率、假阳性、假阴性及AUC作为评估指标对分类模型进行评估,并比较分析不同分类器进行分类的准确性。实验结果表明,基于SVM-ReliefF特征选择方法所训练出的ELM分类模型可以更为准确有效的对肾囊肿及肾肿瘤患者进行鉴别,其准确率高达83.1%。