论文部分内容阅读
慢性肝损伤通常共同的转归是肝纤维化,而早期肝纤维化是可逆的,一旦发展到末期成为肝硬化甚至肝癌则是不可逆的。因此,早期肝纤维化的检测及其分期的动态监测和识别具有重要意义。本文以在体大鼠肝为实验对象,利用常规超声探头采集多帧超声背散射信号,以形成的超声RF时间序列为数据源,提出了对超声RF时间序列进行ARMA建模,并以该模型参量作为特征,利用随机森林分类器评估早期肝纤维化程度。首先,对超声RF时间序列进行检测及预处理,使其满足建立ARMA模型的数据条件。接着,对RF时间序列进行ARMA建模,分别采用三种不同的参数估计算法估计ARMA模型的参量,利用随机森林分类器对早期肝纤维化程度进行二分类、三分类和五分类的识别。最后,分析了不同参数估计算法、模型阶数以及ROI大小对早期肝纤维化程度分类精度的影响。当ROI大小取10×60像素时,利用两段最小二乘(RLS_LS)算法估计ARMA(4,3)模型的参量,以此作为特征,利用随机森林分类器,区分肝纤维化程度正常肝与其他分期(S≥1)、正常肝和轻度肝纤维化与其他分期(S≥2)、中度和重度肝纤维化与其他分期(S≥3)、肝硬化(S≥4),平均分类精度和标准差分别为93.79%±2.68、83.48%±5.42、90.00%±5.91、94.09%±3.61;区分正常肝(S0)、轻度和中度纤维化肝(S1、S2、S3)和重度肝纤维化(S4)的平均分类精度和标准差为90.61%±4.38;区分五级肝纤维化S0~S4的平均分类精度和标准差为75.85%±4.41。实验结果表明,通过对超声RF时间序列建立ARMA模型,利用该模型的参量作为特征,基于随机森林分类器可以识别早期肝纤维化组织的分期,平均识别精度优于以往的研究成果,同时发现ROI大小对早期肝纤维化程度二分类、三分类和五分类的影响都不大。最后,本文作者基于VS2010开发环境的MFC平台,开发了一套基于ARMA模型的早期肝纤维化检测识别系统,实现了一种无创的、可重复的、低成本的、有效的可用于早期肝纤维化检测及多类别分类的应用系统,为进一步在体人肝的早期纤维化检测和动态监测提供了新的思路。