论文部分内容阅读
目的:将智能信息处理技术中的基于主元分析法(PCA)的图像融合和BP神经网络(BPNNs)算法进行组合,建立PCA-BPNNs原发性肝癌(HCC)超声诊断模型并评价其理论价值与诊断性能,以期提高HCC超声诊断的准确性。资料和方法:1、资料收集:收集肝局灶性病变(FLLs)声像图及其相关临床资料共350例,其中HCC184例,肝血管瘤83例,继发性肝癌42例,结节性肝硬化19例,肝局灶性结节性增生13例,肝脓肿9例。其中随机抽取的125例HCC病例数据为训练集,剩余59例HCC及166例其它易与HCC混淆的5种FLLs共225例为测试集。2、PCA-BPNNs HCC超声诊断模型的建立:运用基于PCA图像融合对声像图进行预处理,提取超声表现及相关临床数据并进行量化。然后,利用PCA对量化后的HCC数据进行特征参数提取。以提取出来的特征参数建立PCA-BPNNs HCC超声诊断模型,并进行训练和仿真。3、将仿真结果与测试集的病理结果作对比。4、模型诊断性能的评估:将PCA-BPNNs HCC超声诊断模型、基于PCA图像融合的HCC超声诊断、BPNNs HCC超声诊断模型以及超声医师HCC超声诊断四种方法的结果作ROC曲线,以ROC曲线下面积的大小来分析其诊断性能。结果:1、基于PCA的图像融合结果表明:预处理后的声像图效果更清晰,病变特征更突出。2、PCA提取的HCC特征参数共13项:病灶形态不规则、边界不清晰、晕环征、镶嵌征、卫星结节征、病灶内部及周边有血流信号、病灶内部及周边为动脉及静脉血流、RI≥0.6、门静脉癌栓、肝门区淋巴结肿大、合并乙型肝炎、合并肝硬化、AFP值≥400μg/L。3、超声医师提取的HCC特征参数共16项,包括肝实质回声不均匀、肝实质回声粗、伪足征以及PCA提取的13项参数。4、PCA-BPNNs HCC超声诊断模型、基于PCA图像融合HCC超声诊断、BPNNs HCC超声诊断模型以及超声医师HCC超声诊断中,PCA-BPNNs HCC超声诊断模型的诊断敏感度、特异度、准确度最高,分别为93.22%、94.58%、94.22%。5、4种诊断方法ROC曲线下面积分别为:PCA-BPNNs HCC超声诊断模型0.939、BPNNs HCC超声诊断模型0.919、基于PCA图像融合的HCC超声诊断0.819、超声医师HCC超声诊断0.814,表明PCA-BPNNs HCC超声诊断模型的诊断性能最好。结论:1、利用PCA图像融合及BPNNs智能信息处理技术,能建立PCA-BPNNs HCC超声诊断模型。2、PCA-BPNNs HCC超声诊断模型有助于提高HCC超声诊断的准确性。3、PCA-BPNNs HCC超声诊断模型的诊断性能优于单一应用BPNNs或PCA图像融合的HCC超声诊断方法。