简介:摘要目的结合图像自动分割技术和机器学习方法对乳腺钼靶X线图像进行准确分类识别。方法以数字钼靶X线图像数据库(DDSM)中的BI-RADS4类的簇状分布多形性钙化钼靶图像为研究对象,自动切分图像的感兴趣区域(ROI)。对小波变换、Gabor滤波和灰度共生矩阵法所提取的特征参数进行融合,并基于灵敏度分析对融合后的特征参数进行筛选。使用基于集成学习的方法,对多项式核支持向量机(SVM)、随机森林和逻辑(logistic)回归分类器进行投票集成,构成用于乳腺钼靶X线图像自动分类的分类器。投票集成方法为软投票。结果提出的集成分类器可高效地识别与分类乳腺钼靶X线图像,其分类的灵敏度、特异度和准确率分别为99.1%、99.6%和99.3%。结论所提出的乳腺钼靶X线图像处理与分类识别方法能为医生的临床判断提供辅助检测的依据,并为细分BI-RADS4类图像提供技术基础。
简介:针对单一图像源下目标跟踪精度不高的问题,利用跟踪状态下的目标存在于可见光与红外图像中的特征对连续自适应均值移动跟踪算法做出改进。首先选取可见光图像的“颜色梯度背投影”作为改进的目标模型,选取红外图像的“灰度梯度背投影”作为改进的目标模型;然后根据可见光序列图像和红外序列图像各自进行连续自适应均值移动跟踪算法得到的对应的口‘系数判定两种图像跟踪的效果,对两种图像的权重进行自适应调整,得到这两种图像的特征级融合图像和跟踪结果。实验结果表明,对于320像素×240像素的可见光和红外图像,基于可见光与红外图像特征融合的目标跟踪算法在复杂背景下能够较准确的跟踪目标,目标跟踪精度为0.5像素,跟踪速度为30~32ms/帧。
简介:摘要:目的:本研究旨在通过颈椎CT图像特征分析,探究颈椎疾病的诊断标准和治疗前景,以提高颈椎疾病的诊断准确性和治疗效果。方法:采用回顾性研究设计,选取2019年至2023年间接受颈椎CT扫描的患者作为研究对象。通过高级图像处理和机器学习技术,对颈椎CT图像进行特征提取和分析,包括颈椎间盘突出、颈椎管狭窄和颈椎骨折等常见疾病的图像特征。利用统计分析方法评估这些特征与临床诊断的相关性。结果:共分析了1000例患者的颈椎CT图像。研究发现,通过特定的图像特征组合可以高度预测颈椎疾病的类型和严重程度,其预测准确率达到92%。此外,图像特征与颈椎疾病的临床表现和治疗响应之间存在显著相关性,为颈椎疾病的个体化治疗提供了依据。结论:颈椎CT图像特征分析能够有效辅助颈椎疾病的诊断和治疗决策,提高诊断准确率和治疗效果。未来,通过进一步研究和技术优化,颈椎CT图像特征分析有望成为颈椎疾病管理的重要工具。
简介:【摘要】目的:分析PET-CT融合图像肺纹理特征在肺癌鉴别诊断中的应用价值。方法:随机选取2018年6月~2020年12月期间在我院进行PET-CT检查的52例患者做为研究对象,分别由医师经验知识和融合图像纹理特征参数判断患者肺部病灶情况。并且对患者进行手术病理检查或治疗,通过影像学随访确诊其肺部良恶性病变。比较几种方法应用在肺癌诊断时的灵敏度和特异性。结果:52例患者最终被诊断为肺癌的有45例,医师经验知识诊断的灵敏度为90.91%,特异性为57.14%。纹理特征参数诊断的灵敏度为91.30%,特异性为66.67%。二者联合诊断的灵敏度为93.62%,特异性为50%。三者对比差异不明显,P>0.05,无统计学意义。结论:PET-CT融合图像肺纹理特征应用于肺癌诊断时能够起到较为积极的作用。
简介:【摘要】目的:分析PET-CT融合图像肺纹理特征在肺癌鉴别诊断中的应用价值。方法:随机选取2018年6月~2020年12月期间在我院进行PET-CT检查的52例患者做为研究对象,分别由医师经验知识和融合图像纹理特征参数判断患者肺部病灶情况。并且对患者进行手术病理检查或治疗,通过影像学随访确诊其肺部良恶性病变。比较几种方法应用在肺癌诊断时的灵敏度和特异性。结果:52例患者最终被诊断为肺癌的有45例,医师经验知识诊断的灵敏度为90.91%,特异性为57.14%。纹理特征参数诊断的灵敏度为91.30%,特异性为66.67%。二者联合诊断的灵敏度为93.62%,特异性为50%。三者对比差异不明显,P>0.05,无统计学意义。结论:PET-CT融合图像肺纹理特征应用于肺癌诊断时能够起到较为积极的作用。
简介:摘要目的采取有效的配准方式,证实合理的配准方式对于CT、MR扫描的图像融合对胶质瘤靶区勾画的重要性、可行性及对放疗的应用的价值。方法抽取两组各10例临床上术后病理确诊为胶质瘤的患者,所有患者在进行治疗前均行CT增强扫描和MR增强扫描。第一组在体表不做标记点,并且MRI扫描时不采用和CT扫描时的头枕。第二组按研究的目的在体表做好标记并做到CT扫描和MR扫描的患者体位尽量保持一致(MRI扫描时选择和CT扫描时采用类似的头枕)。将扫描完的图像传输到放疗室中的TPS中,然后分别采用Manual和PointMatch法进行图像标配。配准完成后进行图像融合,直到到达满意的融合效果。然后由放疗科两位副主任职称的放疗医师及我院放射科一名副主任以上的医师对融合图像进行评估和勾画,分别在CT、MRI及融合好的图像上勾画临床靶区(ClinicaltargetVolume)CTV及周围正常危及器官(眼球、晶体、视神经、脑干、脊髓等)。在融合好的图像上勾画CTV并设为CTV-CT/MR,以此类推,定义为设为CTV-CT,CTV-MR。然后对比两组的CTV重合度(CTV-T)来评价CT和MRI图像融合的精度,即V-CTV-T的体积占CT图像上V-CTV-CT的百分比V-CTV-T=CTV-CT/MR/V-CTV-CT*100%(理想状态下为1)。并且计算二组在配准状态下的三维方向上的误差大小。结果1.第一组和第二组CTV重合度(融合的图像与CT对比)为0.8士0.26,0.91士0.11,二者差异具有统计学意义。第一组和第二组CTV重合(融合的图像与MRI对比)为0.92士0.15,1.02士0.08,两者差异也具有统计学意义。但与单纯CT对比,MRI更接近与1,差异性小。2.利用PointMarch计算第一组X,Y,Z轴方向的平均误差为(0.65士0.17)mm,(1.2士0.11)mm;(2.2士0.20)mm,三维空间总的平均误差为(2.24士1.15)mm;第二组X,Y,Z轴方向的平均误差为(0.25士0.11)mm,(0.6士0.11)mm;(1.2士0.20)mm,三维空间总的平均误差为(1.26士0.35)mm。不加标记点的误差明显大于加标记点的,并且不加标记点的误差超过了误差范围。结论1.体位一致的CT和MRI扫描是两者图像融合的关键,体位一致的图像融合技术误差在可接受的范围内。2.MRI扫描的图像勾画靶区比CT勾画靶区的精度高。
简介:摘要目的构建基于超声图像特征和临床特征的腮腺肿物恶性风险预测模型并评估其诊断效能。方法回顾性分析2018年6月至2020年8月佛山市第一人民医院214例腮腺肿物患者的超声图像及临床特征,以手术病理为金标准,通过回归分析得出有鉴别意义的特征性指标,建立综合预测模型。结果腮腺恶性肿瘤超声图像常表现为边界不清,形态欠规则,伴或不伴颈面部异常淋巴结的低回声实性肿块。多因素分析结果显示面神经功能、颈面部淋巴结异常及肿物的最大径线、形态、边界是腮腺肿物恶性风险的独立预测因素。利用以上5个指标建立Nomogram预测模型,结果显示Nomogram的一致性指数为0.896(95%CI=0.834~0.958)。标准曲线显示Nomogram预测效果与腮腺肿物良恶性的实际情况一致性较好,内部验证一致性指数为0.878。结论超声检查对诊断腮腺肿物有重要价值,利用超声图像特征及临床特征建立的Nomogram模型能评估腮腺肿物的生物学特征,该模型对腮腺肿物恶性风险的预测准确性较高。