新型冠状病毒肺炎和其他相似肺炎CT平扫图像的纹理分析

目的探讨CT平扫图像纹理分析鉴别诊断新型冠状病毒肺炎(Corona Virus Disease 2019,COVID-19)和其他相似肺炎的价值。方法将33例COVID-19患者和33例其他相似肺炎的CT平扫图像混合,选取病变的最大层面导入MaZda 4.6软件中,手动勾画病变的感兴趣区,分别选择交互信息(Mutual Infoemation,MI)、Fisher系数、分类错误概率联合平均相关系数(Probability of Classification Error+Average Correction Coefficient,POE+ACC)以及三种方法的联合(Fisher+POE+ACC+MI)选择最佳的纹理特征参数,并构建人工神经网络(Artificial Neural Network,ANN)模型。与临床诊断结果对比,分别分析CT平扫图像纹理分析诊断结果和影像医师主观读片结果的误判率。结果MI纹理分析总误判率为34.85%(23/66),Fisher系数为25.76%(17/66),POE+ACC为19.70%(13/66),三种方法联合为10.60%(7/66),影像医师鉴别COVID-19和其他相似肺炎的误判率为31.82%(21/66)。三种方法联合分析的误判率最低,影像医师主观阅片对其他肺炎的误判率明显高于对COVID-19的误判率(P<0.05)。结论CT平扫图像纹理分析可初步应用于鉴别诊断COVID-19和其他相似肺炎。

小波在基于CT图像的肝脏疾病良恶性分类中的研究

肝癌是一种常见的恶性肿瘤,近年来发病率呈缓慢上升的趋势,病死率也随之上升。文章利用小波在特征提取和模式识别方面的独特优势,提取了基于小波和灰度共生矩阵的纹理特征,结合遗传算法进行特征选择和优化,用KNN分类器设计出高精确度的肝脏疾病良恶性分类器。采用肝脏CT平扫图像,将肝癌与其他的良性病变进行分类,探讨了小波的不同性质及特征提取方式对分类结果的影响,对小波在肝脏CT图像良恶性分类中的研究有指导意义。

CT图像自动识别系统诊断肝炎肝硬化的研究

目的探讨肝炎肝硬化早期诊断方法。方法基于肝脏CT平扫图像,采用计算机图像自动识别及测量技术,计算乙型肝炎患者肝叶比例,通过统计对照数据库中的历史数据,对早期肝硬化做出诊断。结果肝硬化组与乙型肝炎组比较,本系统Ll/L2和R1/L1比值均有显著性差异(P<0.05);建立判别方程:D=1.650Ll/L2+0.509R1/L1-5.019;确定判别的临界值为0.0795;D>0.0795为肝硬化,D<0.0795为乙型肝炎;判别效果分析(回代),结果诊断肝硬化的正确率为68.42%,诊断乙型肝炎或判断为无肝硬化的正确率为89.8%。结论可以利用肝脏各叶的比例变化来预测和早期诊断肝炎肝硬化。

基于双树复数小波的肝脏疾病分类

文章利用双树复数小波提取纹理特征,结合遗传算法进行特征选择和优化,用KNN分类器设计出高精确度的肝脏疾病分类器。实验采用肝脏CT平扫图像,将肝脏疾病分为肝癌,血管瘤,肝硬化和脂肪肝。并通过对比实验证明了双树复数小波在特征提取方面的优势。