CT定量评估肌肉含量与非酒精性脂肪性肝病严重程度的相关性研究

目的:通过CT探讨肌肉含量与不同程度非酒精性脂肪性肝病(NAFLD)的关系。方法:选取69例腹部CT检查的受试者,通过肝脾比(CTL/S)分为正常组、轻度NAFLD组、中度NAFLD组和重度NAFLD组,每组人数分别为16、21、17、14例。测量CTL/S、腹围周长、腹围长径、腰大肌面积、竖脊肌面积、腹直肌面积、腹斜肌与腹横肌面积、腹腔体积、腹腔脂肪体积。分析组间差异、各指标与CTL/S相关性,绘制受试者工作特征曲线(ROC)探讨肌肉脂肪含量与不同程度NAFLD的关系。结果:竖脊肌、腹直肌、腹斜肌与腹横肌、腹腔体积和腹腔脂肪体积均低于正常组、中度NAFLD组和重度NAFLD组,差异有统计学意义(P<0.05)。腹围周长、腹围长径、竖脊肌、腹直肌、腹斜肌与腹横肌、腹腔体积呈负相关(P<0.05),竖脊肌、腹直肌、腹斜肌与腹横肌和腹腔体积在诊断轻度NAFLD中具有敏感度和特异度(AUC≥0.78)。结论:在早期NAFLD病程进展中肌肉含量减少比脂肪累积发生的更早;CT测量肌肉含量诊断轻度NAFLD具有较高的诊断价值。

多尺度显著性区域提取的模板匹配

针对模板匹配过程中强遮挡、剧烈背景变化及物体非刚性形变等难题,本文提出了一种基于多尺度显著性区域提取的模板匹配算法。算法采用多尺度-显著性特征并行提取的方式:一方面利用空间金字塔模型将参考图像中的模板和待匹配图像中的目标区域分割成不同尺度的网格,采用可形变多相似性度量方法(Deformable Diversity Similarity,DDIS)计算不同尺度下的匹配得分;同时,算法提取模板区域的显著性区域图,形成模板区域的显著性得分;随后,利用显著性得分对不同尺度的匹配得分进行加权融合,在融合得到的匹配得分图上寻找最佳匹配区域。算法与取得目前最好结果的DDIS方法相比,AUC(Area Under Curve)指标提升2.9%。实验结果表明,显著性区域提取使匹配方法更加关注目标物体,削弱背景及遮挡物体对其影响,从而增强模板匹配方法对于背景变化及遮挡的抵抗能力。另外,空间金字塔模型能够增强模板匹配方法对于物体不同尺度下的特征提取,如物体的局部轮廓及结构特征等。二者结合有效地提高了匹配精度。