智能信息處理技術(shù)在原發(fā)性肝癌超聲診斷中的應(yīng)用研究.pdf

1、目的：將智能信息處理技術(shù)中的基于主元分析法(PCA)的圖像融合和BP神經(jīng)網(wǎng)絡(luò)(BPNNs)算法進(jìn)行組合，建立PCA-BPNNs原發(fā)性肝癌(HCC)超聲診斷模型并評價其理論價值與診斷性能，以期提高HCC超聲診斷的準(zhǔn)確性。
　　資料和方法：1、資料收集：收集肝局灶性病變（FLLs）聲像圖及其相關(guān)臨床資料共350例，其中HCC184例，肝血管瘤83例，繼發(fā)性肝癌42例，結(jié)節(jié)性肝硬化19例，肝局灶性結(jié)節(jié)性增生13例，肝膿腫9例。其中隨機(jī)抽

2、取的125例HCC病例數(shù)據(jù)為訓(xùn)練集，剩余59例HCC及166例其它易與HCC混淆的5種FLLs共225例為測試集。2、PCA-BPNNs HCC超聲診斷模型的建立：運(yùn)用基于PCA圖像融合對聲像圖進(jìn)行預(yù)處理，提取超聲表現(xiàn)及相關(guān)臨床數(shù)據(jù)并進(jìn)行量化。然后，利用PCA對量化后的HCC數(shù)據(jù)進(jìn)行特征參數(shù)提取。以提取出來的特征參數(shù)建立PCA-BPNNs HCC超聲診斷模型，并進(jìn)行訓(xùn)練和仿真。3、將仿真結(jié)果與測試集的病理結(jié)果作對比。4、模型診斷性能的評

3、估：將PCA-BPNNs HCC超聲診斷模型、基于PCA圖像融合的HCC超聲診斷、BPNNs HCC超聲診斷模型以及超聲醫(yī)師HCC超聲診斷四種方法的結(jié)果作ROC曲線，以ROC曲線下面積的大小來分析其診斷性能。
　　結(jié)果：1、基于PCA的圖像融合結(jié)果表明：預(yù)處理后的聲像圖效果更清晰，病變特征更突出。2、PCA提取的HCC特征參數(shù)共13項：病灶形態(tài)不規(guī)則、邊界不清晰、暈環(huán)征、鑲嵌征、衛(wèi)星結(jié)節(jié)征、病灶內(nèi)部及周邊有血流信號、病灶內(nèi)部及周邊

4、為動脈及靜脈血流、RI≥0.6、門靜脈癌栓、肝門區(qū)淋巴結(jié)腫大、合并乙型肝炎、合并肝硬化、AFP值≥400μg/L。3、超聲醫(yī)師提取的HCC特征參數(shù)共16項，包括肝實質(zhì)回聲不均勻、肝實質(zhì)回聲粗、偽足征以及PCA提取的13項參數(shù)。4、PCA-BPNNs HCC超聲診斷模型、基于PCA圖像融合HCC超聲診斷、BPNNs HCC超聲診斷模型以及超聲醫(yī)師HCC超聲診斷中，PCA-BPNNs HCC超聲診斷模型的診斷敏感度、特異度、準(zhǔn)確度最高，分別

5、為93.22％、94.58%、94.22%。5、4種診斷方法ROC曲線下面積分別為：PCA-BPNNs HCC超聲診斷模型0.939、BPNNs HCC超聲診斷模型0.919、基于PCA圖像融合的HCC超聲診斷0.819、超聲醫(yī)師HCC超聲診斷0.814，表明PCA-BPNNs HCC超聲診斷模型的診斷性能最好。
　　結(jié)論：1、利用 PCA圖像融合及 BPNNs智能信息處理技術(shù)，能建立PCA-BPNNs HCC超聲診斷模型。2、P