论文部分内容阅读
进入人工智能(Artificial Intelligence,AI)与大数据时代后,医疗领域的发展更加快速。癌症是目前医学领域所面临的最具有挑战性的疾病之一,其中肝癌在全球范围内是发病率与死亡率极高的癌症疾病,因此,对肝癌疾病的诊断、治疗以及预防等方面的技术有极大的需求,研究和开发更加高效且精确的肝癌治疗技术具有非常重要的意义。在本课题中,基于多期肝脏动态增强CT(Dynamic Contrast-Enhanced CT,DCE-CT)图像,提出一种肝癌的定量分析方法,为肝癌的医疗大数据分析提供技术保障。本论文基于多期肝脏DCE-CT图像,对肝脏区域进行分割和配准,设计了一种基于多期DCE-CT图像的肝癌定量分析方法。具体研究内容如下:针对不同时期的DCE-CT图像中同一区域不同亮度的图像特征,将U-net模型应用到了多期DCE-CT图像肝脏区域同时分割的场景中,对多期图像同时进行了肝脏区域的分割,提高了分割精准度和效率。利用来自16名肝癌患者的6617张DCE-CT图像对U-net分割模型进行训练;对6名患者的1754张来自不同时期DCE-CT图像的肝脏区域进行自动分割测试,Dice值达0.91±0.02。结果表明该模型可以同时将不同时期的DCE-CT图像中肝脏区域进行有效且精准的分割。针对多期DCE-CT图像中肝脏区域可能存在空间位置上偏移的问题,提出一种基于肝脏分割的多期DCE-CT图像肝脏配准方案。利用肝脏分割结果图像,分别对不同时期肝脏区域采用叠加的方式进行三维重建,计算各时期三维肝脏模型的质心,将二维图像配准的问题转化为三维物体质心的配准,经过实验论证,该配准方案可以将多期图像中的肝脏区域进行配准,可以为多期肝脏DCE-CT的配准以及信息融合提供有力的技术支撑。针对肝癌的定量分析,提出了一种基于多期肝脏DCE-CT图像的肝癌分类方法。对配准后的多期肝脏DCE-CT图像,提取肝脏区域中各像素点的信息并进行信息融合,对LightGBM算法进行充分训练,用交叉验证的方式对模型进行评价,构建SVM、随机森林算法、K近邻算法与LightGBM算法对比。经实验,LightGBM算法的准确率可达91.14%,性能明显优于其他算法模型。对比了多种分类器对不同被试DCE-CT图像中活性肝癌区域的分类结果,同时计算了与其标签之间的三维Dice系数,结果表明LightGBM分类模型对活性肝癌区域分类正确率高于其他分类器,可以将肝脏区域的病灶区域正确划分出来,为肝癌定量分析提供可靠依据。