论文部分内容阅读
目的:1.设计并训练基于人工神经网络及支持向量积的两种分类模型,用于超声图像甲状腺结节的良、恶性自动判断。2.测试训练得到的两种模型在临床诊断上的应用效果。方法:1.从南昌大学第一附属医院PACS系统上选择543个病人甲状腺结节超声图像,所有病灶均经手术或穿刺后获得准确的病理结果,按良、恶性将图像进行分组。2.利用多尺度剪切波算法对获得的超声图像进行降噪处理,采用基于局部高斯分布拟合能量模型对降噪后的超声图像进行结节边界提取。3.根据第2步所提取的结果,计算包括边界紧致度、长轴倾斜角在内的2个形态学特征以及包括一阶统计量,空间灰度共生矩阵,灰度差分统计,Law纹理特征,分形维数纹理特征,傅里叶功率谱、灰度游程矩阵等信息的65个纹理学特征,并利用离差标准化变换对特征值进行处理,将其映射到[-1,1]区间。4.结合第3步所得到的结果,利用matlab软件分别设计基于人工神经网络和支持向量积的两组分类模型,并进行训练。计算敏感度、特异度、阳性预测值、阴性预测值、约登指数以及诊断符合率等参数对各个分类器进行评价。5.利用第4步训练好的模型,结合本院将进行手术的50例甲状腺结节进行良、恶性预测。同时也计算敏感度、特异度、阳性预测值、阴性预测值、约登指数以及诊断符合率等参数进行评价。结果:1.543个病人总共610个甲状腺结节(良性:403,恶性:207)。利用人工神经网络对训练样本进行预测的敏感度、特异度、阳性预测值、阴性预测值、约登指数及符合率分别为98.55%、99.26%、98.55%、99.26%、97.81%及99.02%,利用支持向量机获得的结果均为100%。2.50例结节患者中恶性率为34%(17/50),其中有3位为男性,14位为女性,年龄为38.71±13.02。恶性结节中有16例为甲状腺乳头状瘤,1例为甲状腺髓样癌。33例良性结节中有6例为男性,27例为女性,年龄为53.36±12.15。良性结节中31例为结节性甲状腺肿,2例为甲状腺腺瘤。3.利用基于人工神经网络模型对50例结节的预测敏感度、特异度、阳性预测值、阴性预测值、约登指数以及诊断符合率分别为88.24%,90.91%,83.33%,93.75%,79.14%和90.00%。基于支持向量积模型的预测结果分别为76.47%,93.94%,86.67%,88.57%,70.41%和88.00%。。将两个模型联合应用,得到的结果分别为100.00%,87.88%,80.95%,100.00%,87.88%,92.00%。结论:1.基于人工神经网络及支持向量积而设计的两种诊断模型对超声图像甲状腺结节良恶性的分类有一定的临床应用价值。2.将两种模型联合应用时,能降低恶性结节的漏诊率,为临床诊断提供一个更为客观的诊断参考意见。