Αφηρημένο

Ιστορικό

Διαφοροποίηση του καρκίνου του παγκρέατος (PC) από φυσιολογικό ιστό με τη βοήθεια υπολογιστή διάγνωση των εικόνων EUS ήταν αρκετά χρήσιμη. Η παρούσα μελέτη σχεδιάστηκε για να διερευνήσει τη σκοπιμότητα της χρήσης διάγνωσης (CAD) τεχνικές με τη βοήθεια υπολογιστή για να εξαγάγετε τις παραμέτρους της εικόνας EUS για τη διαφορική διάγνωση του PC και της χρόνιας παγκρεατίτιδας (CP).

Μεθοδολογία /Κύρια Ευρήματα

Αυτή η μελέτη περιελήφθησαν 262 ασθενείς με PC και 126 ασθενείς με ΠΣ. Τυπικές εικόνες EUS επιλέχθηκαν από τα σύνολα δείγματος. Χαρακτηριστικά υφής εξήχθησαν από την περιοχή ενδιαφέροντος με τη χρήση τεχνικών που βασίζονται σε υπολογιστή. Στη συνέχεια, η απόσταση μεταξύ αλγόριθμο τάξης και διαδοχική εμπρός επιλογής (SFS) αλγόριθμο χρησιμοποιήθηκαν για ένα καλύτερο συνδυασμό χαρακτηριστικών? και, στη συνέχεια, ένα μοντέλο πρόβλεψης φορέας υποστήριξης του μηχανήματος (SVM) χτίστηκε, εκπαιδεύονται και να επικυρώνεται. Συνολικά, 105 χαρακτηριστικά των 9 κατηγορίες εξήχθησαν από τις εικόνες EUS για την ταξινόμηση μοτίβο. Από αυτά τα χαρακτηριστικά, το 16 επιλέχθηκαν ως καλύτερο συνδυασμό χαρακτηριστικών. Στη συνέχεια, SVM μοντέλο πρόβλεψης χτίστηκε και εκπαιδευμένο. Οι συνολικές περιπτώσεις χωρίστηκαν τυχαία σε ένα σύνολο εκπαίδευσης και ένα σύνολο δοκιμών. Το σύνολο εκπαίδευσης χρησιμοποιείται για την εκπαίδευση του SVM, και το σύνολο δοκιμή χρησιμοποιήθηκε για την αξιολόγηση της απόδοσης των SVM. Μετά από 200 δοκιμές τυχαία πειράματα, η μέση ακρίβεια, η ευαισθησία, η ειδικότητα, η θετική και η αρνητική προγνωστική αξία του καρκίνου του παγκρέατος ήταν 94,2 ± 0,1749%, 96,25 ± 0,4460%, 93,38 ± 0,2076%, 92,21 ± 0,4249% και 96,68 ± 0,1471%, αντίστοιχα.

Συμπεράσματα /Σημασία

Ψηφιακή επεξεργασία εικόνας και τεχνολογίες διαφοροποίηση EUS εικόνα με τη βοήθεια υπολογιστή είναι εξαιρετικά ακριβή και μη επεμβατική. Αυτή η τεχνολογία παρέχει ένα είδος νέο και πολύτιμο διαγνωστικό εργαλείο για την κλινική προσδιορισμό του PC

Παράθεση:. Zhu Μ, Xu C, Yu J, Γου Υ, Li C, Zhang M, et al. (2013) Διαφοροποίηση καρκίνο του παγκρέατος και της χρόνιας παγκρεατίτιδας Χρήση του υπολογιστή-Aided Diagnosis Ενδοσκοπικής υπερήχων (EUS) Εικόνες: διαγνωστική εξέταση. PLoS ONE 8 (5): e63820. doi: 10.1371 /journal.pone.0063820

Επιμέλεια: Αλέξανδρος ΑγΙϊ, Christian-Albrechts-Πανεπιστήμιο του Κιέλου, Γερμανία

Ελήφθη: 12 Οκτ, 2012? Αποδεκτές: 8 Απρίλη του 2013? Δημοσιεύθηκε: 21 Μαΐου του 2013

Copyright: © 2013 Zhu et al. Αυτό είναι ένα άρθρο ανοικτής πρόσβασης διανέμεται υπό τους όρους της άδειας χρήσης Creative Commons Attribution, το οποίο επιτρέπει απεριόριστη χρήση, τη διανομή και την αναπαραγωγή σε οποιοδήποτε μέσο, ​​με την προϋπόθεση το αρχικό συγγραφέα και την πηγή πιστώνονται

Χρηματοδότηση:. Οι συγγραφείς δεν έχουν καμία υποστήριξη ή χρηματοδότηση για να αναφέρετε

Αντικρουόμενα συμφέροντα:.. Οι συγγραφείς έχουν δηλώσει ότι δεν υπάρχουν ανταγωνιστικά συμφέροντα

Εισαγωγή

διάγνωσης (CAD) τεχνικές Computer-aided μπορεί να βοηθήσει ακτινολόγους να εντοπίζεται βλαβών και τη βελτίωση της διαγνωστικής ακρίβειας, ιδιαίτερα όταν χρησιμοποιείται σε συνδυασμό με άλλες φυσιολογικές και βιοχημικές μεθόδους. τεχνικές CAD χρησιμοποιήθηκαν ήδη από τη δεκαετία του 1960 [1], και μπορεί να βοηθήσει τους ακτινολόγους να ανιχνεύσει τον καρκίνο έχασε σε εξέταση [2]. Το 1998, η ΗΠΑ Τροφίμων και Φαρμάκων (FDA) ενέκρινε το πρώτο σύστημα CAD, ο ελεγκτής του συστήματος Εικόνα από το R2 Technology Inc., για χρήση στην έγκαιρη ανίχνευση του καρκίνου του μαστού. Μέχρι σήμερα, έχουν κάποια έρευνα CAD ευρήματα έχουν ελεγχθεί από τις ΗΠΑ FDA? η εφαρμογή τεχνικών CAD δείχθηκε να βελτιωθεί η διαγνωστική ακρίβεια και να μειώσει τον αριθμό των λανθασμένες διαγνώσεις [3]. Με βάση αυτές επιτυχημένη εμπειρία, έχουμε ήδη έχουν εφαρμόσει τη χρήση τεχνικών ψηφιακής επεξεργασίας εικόνας για την επιτυχή διαφοροποίηση των ενδοσκοπικών υπερήχων (EUS) εικόνες που απεικονίζουν τον καρκίνο του παγκρέατος (PC) από τις εικόνες EUS μη καρκινικά δείγματα, συμπεριλαμβανομένων των κανονικών δειγμάτων και των δειγμάτων που παρουσιάζουν σημάδια της χρόνιας παγκρεατίτιδας (CP). Η διαγνωστική ακρίβεια έφθασε το 98% [4]. Τα ενθαρρυντικά αυτά αποτελέσματα δείχνουν ότι η εφαρμογή αντικειμενικών, βολική και μη επεμβατική συστήματα διαφοροποίησης EUS εικόνα μπορεί να βελτιώσει σημαντικά τις διαγνωστικές διαδικασίες PC.

Η έγκαιρη ανίχνευση και η χειρουργική επέμβαση είναι ακόμα οι πιο αποτελεσματικές θεραπευτικές μεθόδους για τη βελτίωση του ποσοστού επιβίωσης για ασθενείς με PC, αλλά μέχρι ένα προχωρημένο στάδιο, είναι εμφανώς δύσκολο να εντοπιστεί [5]. Ωστόσο, το ποσοστό επιβίωσης 5 ετών ασθενών PC είναι κάτω από 5% [6], [7]. Αν και το PC και CP απαντώνται συχνά, η κλινική διαφοροποίηση τους στα πρώτα στάδια παραμένει υπό αμφισβήτηση. Επί του παρόντος, η διαγνωστική ευαισθησία της EUS για παγκρεατικών διαταραχών κυμαίνεται από 85% έως 90% [8] – [10], και αυτή η τεχνική κατέχουν σημαντικά πλεονεκτήματα σε σύγκριση με άλλες διαγνωστικές μεθόδους. Ωστόσο, η διάγνωση EUS-image-based επηρεάζεται από την εμπειρία του ασκούμενου και υποκειμενικές μεταβλητές. Ειδικότερα, δοκιμών και διάγνωσης EUS-FNA εξαρτώνται κατά κύριο λόγο από την ακριβή ερμηνεία EUS εικόνα για τον εντοπισμό των περιοχών ενδιαφέροντος? Ως εκ τούτου, οι δοκιμές EUS-FNA είναι γνωστό ότι έχουν πολύ υψηλή ψευδώς αρνητικά ποσοστά [11] – [13] κάτω από ορισμένες κλινικές συνθήκες. Ως εκ τούτου, να κατανοήσουν την αξία των τεχνικών CAD στη διαφορική διάγνωση του PC και CP, η μελέτη αυτή χρησιμοποιήθηκε ένα διάνυσμα υποστήριξης της μηχανής (SVM) για να δοκιμάσει και να το ελέγξει.

Αποτελέσματα

Χαρακτηριστικό Υφή

επιλογή

Ένα σύνολο των 262 και 126 τα ROI σε ομάδες του καρκίνου του παγκρέατος και της χρόνιας παγκρεατίτιδας, ήταν διαθέσιμα για ανάλυση, αντίστοιχα. Για κάθε ROI, συνολικά 105 παραμέτρων της 9ης κατηγοριών εκχυλίζονται από το λογισμικό ανάλυσης εικόνας στο ιστόγραμμα. Στη συνέχεια, χρησιμοποιήσαμε την απόσταση μεταξύ των μεθόδων τάξη για να επιλέξετε το 25 καλύτερες δυνατότητες συνδυασμού (Σχήμα 1). Με βάση αυτά τα 25 στοιχεία, 16 χαρακτηριστικά καλύτερη ταξινόμηση του 5 κατηγορίες σαρώθηκε να μειώσει τις διαστάσεις του διανυσμάτων χαρακτηριστικών και για να ληφθεί μεγαλύτερη ακρίβεια της ταξινόμησης με χρήση του αλγορίθμου SFS. Οι καθορισμένες κατηγορίες και τα χαρακτηριστικά υφής είχαν ως εξής: 1.grey επιπέδου μήτρα εξάρτηση: Αντίθετα, αμετάβλητες στιγμή, εντροπία, άθροισμα της εντροπίας, διακύμανσης των διαφορών, εντροπία διαφορές, τη συνέπεια, την απόλυτη αξία και IMC1? 2. γκρι χαρακτηριστικά επίπεδο ιστόγραμμα: τυπική απόκλιση, η συνέπεια και η εντροπία? 3. Shannon εντροπία των συντελεστών κυματιδίων: cv2 και CV1? 4. συντελεστές Wavelet ‘τυπική απόκλιση: CA3? και 5. χαρακτηριστικό γκρι απεικόνισης επίπεδο:. διακύμανσης των διαφορών

Ο κάθετος άξονας αντιπροσωπεύει την απόσταση ανάμεσα στην τάξη, και ο οριζόντιος άξονας αντιπροσωπεύει τις αντίστοιχες δυνατότητες. Μια μεγαλύτερη απόσταση από τον κάθετο άξονα δείχνει καλύτερα αποτελέσματα ταξινόμησης. Σύμφωνα με την αρχή αυτή, οι 25 χαρακτηριστικά που επιλέγονται για την επίτευξη πιο ακριβή αποτελέσματα της κατάταξης.

Η

Η κατάταξη Αποτελέσματα

Δεδομένου ότι ο αριθμός των περιπτώσεων ήταν περιορισμένος, ένα SVM για μικρά μεγέθη του δείγματος χρησιμοποιήθηκε για να αξιολογήσει την απόδοση ταξινόμηση των χαρακτηριστικών της εικόνας. Επιλέχθηκαν όλες οι εικόνες του παγκρέατος EUS. Κατ ‘αρχάς, θα εφαρμόζεται η μέθοδος μισό-μισό και το SVM για να αποκτήσετε το σωστό ποσοστό ταξινόμησης (CCR) για την αξιολόγηση της απόδοσης ταξινόμηση των χαρακτηριστικών φορέων διαφορετικών διαστάσεων. Συνολικά, 200 τυχαίες δοκιμές διεξήχθησαν για να ελαχιστοποιηθούν τα σφάλματα λόγω του περιορισμένου μεγέθους του δείγματος. Στη συνέχεια, ο αλγόριθμος SFS είχε χρησιμοποιηθεί για να προσθέσει επιπλέον χαρακτηριστικά υφής ένα προς ένα από την προκαταρκτική επιλογή των 25 χαρακτηριστικά. Και ένα ποσοστό σφάλματος ταξινόμηση τόσο χαμηλά όσο 4,38% (Σχήμα 2) (Πίνακας 1) επιτεύχθηκε όταν προστέθηκαν 16 χαρακτηριστικά. Στη συνέχεια, ο αλγόριθμος άδεια-one-out εφαρμόστηκε για την επικύρωση περαιτέρω την απόδοση ταξινόμησης του μοντέλου SVM τα αποτελέσματα της οποίας παρουσιάζονται ως μέσος όρος. Τα ποσοτικά αποτελέσματα φαίνονται στον Πίνακα 2.

Ο οριζόντιος άξονας αντιπροσωπεύει το χαρακτηριστικό, και ο κάθετος άξονας αντιπροσωπεύει την πιθανότητα ανακριβών ταξινόμησης. Τα χαρακτηριστικά υφής που προσδιορίζονται χρησιμοποιώντας την απόσταση μεταξύ αλγόριθμο τάξη προστέθηκαν ένα προς ένα. Το χαμηλότερο ποσοστό κατάταξη σφάλματος παρατηρήθηκε όταν προστέθηκαν οι πρώτες 16 χαρακτηριστικά.

Η

Η

Συζήτηση

Κατά τη διάρκεια των ετών, η διάγνωση της PC έχει παρεμποδιστεί από τους ανατομική θέση και ο περιορισμένος αριθμός των διαθέσιμων διαδικασιών εξέτασης. Με την ευρεία εφαρμογή της ενδοσκοπικής υπερηχοτομογραφίας, EUS και EUS-FNA έχουν γίνει οι προτιμώμενες διαγνωστικές μέθοδοι για PC [14], [15]? Αυτές οι μέθοδοι εμφανίζουν διαγνωστική ακρίβεια έως και 85%, τα οποία είναι σημαντικά υψηλότερα από την ακρίβεια του 50% που λαμβάνεται με διαγνώσεις CT εξετάσεις που βασίζονται σε [16]. Ωστόσο, με βάση την EUS για την έγκαιρη διάγνωση του καρκίνου του παγκρέατος, η εμπειρία του χειριστή και υποκειμενικούς παράγοντες έχουν μεγαλύτερη επίδραση στα αποτελέσματα? ειδικά με την παρουσία της χρόνιας παγκρεατίτιδας περιπτώσεις, η φλεγμονώδης κατάσταση που παρατηρείται σε ασθενείς με CP κονσέρβας διάγνωση παρεμβολή PC, ακόμη και οι έμπειροι ενδοσκόποι μπορεί να είναι λανθασμένα αρνητικά [12]. Επιπλέον, η εφαρμογή της διαγνωστικής διαδικασίας EUS-FNA περιορίζεται στην κοινότητά νοσοκομεία. Επιπλέον, ακόμη και όταν χρησιμοποιείται η διαδικασία EUS-FNA, η διάγνωση μπορεί επίσης να επηρεαστεί από τη θέση της εισαγωγής της βελόνας και την εμπειρία των χειριστών. Επιπλέον, θα πρέπει επίσης να εξεταστεί το ενδεχόμενο τραύμα, το βαρύ φόρτο εργασίας και η οικονομική επιβάρυνση που σχετίζεται με τη διαδικασία του EUS-FNA.

Με το CAD, η οποία λαμβάνει υπόψη εξίσου τους ρόλους των γιατρών (υποκειμενική άποψη) και υπολογιστές (αντικειμενικό στοιχείο), οι γιατροί θα μπορούσαν να χρησιμοποιήσουν την έξοδο του υπολογιστή ως μια «δεύτερη γνώμη» για να καλύψει την έλλειψη των ακτινολόγων και να κάνει τις τελικές αποφάσεις. Αν και οι τεχνικές CAD έχουν εφαρμοστεί για τη διάγνωση πολλών ασθενειών στην κλινική πράξη, και τα χαρακτηριστικά υφής είναι χρήσιμα για τη βελτίωση της διάγνωσης των όγκων σε υπερηχογράφημα [17] – [19], μερικές αναφορές υπάρχουν σχετικά με τη χρήση τους για την παγκρεατική διαταραχές. Για τη διάγνωση του καρκίνου του παγκρέατος, δύο εκθέσεις [2], [12] χρησιμοποιηθεί επιτυχώς SVM και νευρωνικό δίκτυο ανάλυση των εικόνων EUS σε διαφορετικές καρκίνου του παγκρέατος από μη καρκινικά αντίστοιχα. Στη μελέτη μας, χτίζουμε ένα σύστημα CAD για το πάγκρεας EUS το οποίο μπορεί να ερευνηθεί σε μια ποσοτική και συστηματικό τρόπο μέσω αυτοματοποιημένη εξαγωγή υφή χρησιμοποιώντας έναν ταξινομητή SVM, η οποία έχει αξιολογηθεί ως πιθανός μηχανισμός για τον σχεδιασμό ενός ταξινομητή υπεύθυνος για τη διαφοροποίηση μεταξύ κακόηθες και καλοήθεις βλάβες [20] με μια καλή απόδοση σε ιατρικές διαγνωστικές εφαρμογές [21]. Με τη σύγκριση αυτή τη μελέτη με τη μελέτη Das »[22] στα ταξινομητές όπως είχαμε προχωρήσει πριν (Πίνακας 3), γνωρίζουμε το σύστημα SVM είναι πολύ πιο κατάλληλη για τη διαχείριση των ταξινομήσεων προβλήματα για περιορισμένο αριθμό δειγμάτων εκπαίδευσης. Zhang MM [4] και Das [22] ανέφεραν υψηλή ευαισθησία και ειδικότητα, ωστόσο, τα αποτελέσματά μας δεν ήταν τόσο εξαιρετική, όπως τα άλλα δύο μελέτες (Πίνακας 4). Είναι σημαντικό, θα πρέπει να σημειώσουμε ότι η ανάλυση υφής επικεντρώθηκε στη σύγκριση των ιστοπαθολογικών αλλαγών και των διαφορών, αλλά οι άλλες δύο μελέτες ήταν τόσο περιλαμβάνουν μεγάλο ποσοστό του φυσιολογικού ιστού μεταξύ των μη καρκινοπαθείς ασθενείς, και η σύνθεση των ιστών τους συγκρίθηκε με εκείνες από τον καρκίνο του παγκρέατος ασθενείς με μεγαλύτερες διαφορές, δείχνοντας ότι η φύση υφή μεταβάλλεται σε μεγάλο βαθμό. Αυτό που είναι περισσότερο, θα χρησιμοποιούνται δύο μέθοδοι για την επαλήθευση της ταξινόμησης SVM, και αυτά τα δύο αποτελέσματα ήταν αμοιβαία υποστήριξη (Πίνακας 2). Έτσι, τα αποτελέσματά μας ήταν, επίσης, ενθάρρυνση και η μελέτη μας δείχνει την ανωτερότητα της ταξινόμησης και της υφής εξόρυξη SVM.

Η

Ωστόσο, υπάρχουν αρκετοί περιορισμοί που σχετίζονται με τη μελέτη μας. Πρώτον, πήραμε τις εικόνες ψηφιακή EUS χρησιμοποιώντας ενισχυμένη /αντίθεση με συμβάσεις ορισμένου τομέα ενδοσκοπική υπερηχοτομογραφία. Έτσι, μελλοντικά αποτελέσματα ενδέχεται να διαφέρουν, αν είναι διαφορετική εξοπλισμός χρησιμοποιείται. Ως εκ τούτου, τα αποτελέσματά μας θα πρέπει να επαληθεύεται από την επανάληψη των πειραμάτων χρησιμοποιώντας άλλες μάρκες του εξοπλισμού EUS. Δεύτερον, η μελέτη αυτή χρησιμοποίησε ένα απλό ταξινομητή SVM, και συγκρίσεις με άλλες που χρησιμοποιούνται συνήθως ταξινομητές δεν πραγματοποιήθηκαν. Άλλοι ταξινομητές, όπως τα συστήματα ανάλυσης νευρωνικών δικτύων και Bayes ταξινομητές κ.ά., θα πρέπει να αξιολογηθούν. Επιπλέον, για την επιλογή του βέλτιστου ταξινομητή, το μέγεθος του δείγματος θα πρέπει να αυξηθεί για να αξιολογηθεί η απόδοση ταξινόμησης με μεγαλύτερη ακρίβεια. Το πιο σημαντικό, στην παρούσα μελέτη, η διαφοροποιημένη διαδικασία δεν πραγματοποιείται σε πραγματικό χρόνο που θα πρέπει να είναι ένα είδος πρακτικής χρησιμότητας, όπως ακριβώς και οι περισσότερες μονάδες επεξεργασίας EUS σήμερα έχουν ενσωματωμένη δυνατότητα να εκτελέσει τις βασικές, αλλά σε πραγματικό χρόνο εργασιών επεξεργασίας εικόνας σε το πάτημα ενός κουμπιού.

Εν κατακλείδι, η μελέτη αυτή αξιολογήθηκε με επιτυχία την ικανότητα του EUS συστήματος διαφοροποίησης εικόνα για να διακρίνουν τις εικόνες υπολογιστή και CP βασίζεται σε μια μηχανή διανυσμάτων υποστήριξης. Συνολικά, το σύστημα επιτυγχάνεται σχετικά υψηλή ακρίβεια ταξινόμησης. Μόλις καθιερωθεί μια EUS σύστημα ανάλυσης εικόνας με τη βοήθεια υπολογιστή με τη διάγνωση σε πραγματικό χρόνο και βοηθητικές λειτουργία, είναι πολύ πιθανό ότι μια εφαρμογή σε πραγματικό χρόνο μπορεί να αναπτυχθεί ως πρόσθετο λογισμικό. Στη συνέχεια, μη-εισβολής, αντικειμενικότητα, απλότητα και υψηλή αποδοτικότητα θα μπορούσε να αποτελέσει πολύτιμο εργαλείο αναφοράς για την κλινική διάγνωση του PC.

Ασθενείς και Μέθοδοι

Ασθενείς

Η έρευνά μας ήταν μια αναδρομική και ενιαίο κέντρο μελέτης σχεδιασμού. Εμείς απλά να αναλύσει μόνο συσχέτιση μεταξύ των χαρακτηριστικών EUS εικόνα και παθήσεις του παγκρέατος. Επιπλέον, όλοι οι ασθενείς υπό την προϋπόθεση ότι ενημερώνονται γραπτή συγκατάθεση. Η δουλειά μας επιτράπηκαν και εγκριθεί από Changhai νοσοκομείο, Δεύτερη Στρατιωτικό Ιατρικό Πανεπιστήμιο. Μια ανασκόπηση της ενδοσκοπικής βάσης δεδομένων στο θεσμικό μας όργανο έγινε για τον εντοπισμό ασθενών με CP και ασθενών με PC. Όλοι οι ασθενείς PC με στερεά βλαβών στο πάγκρεας επιλέχθηκαν τυχαία από τη βάση δεδομένων EUS-FNA που είχε ιδρυθεί από ένα θετικό κυτταρολογική εξέταση. Οι ασθενείς με CP είχαν προσληφθεί από τη βάση δεδομένων /EUS-FNA EUS και διάγνωση με βάση την κλινική εικόνα τους, τα πρότυπα διαγνωστικά κριτήρια CP Sahai [23] και παρακολουθήθηκαν για περισσότερο από 2 χρόνια. Όλες οι βάσεις δεδομένων συλλέχθηκαν από Μάιος 2002 – Αύγουστος 2011 (αλλά η προθεσμία της CP ήταν Σεπτέμβριος 2009).

EUS Εικόνα Επιλογή

Όλες οι εξετάσεις EUS έγιναν από έμπειρους ενδοσκόποι που είχαν λάβει πιστοποιητικό ενδοσκόποι από την κινεζική Gastroenterological Ενδοσκοπική Κοινωνία, με τη χρήση ενός EndoEcho UM 2000 υπερήχων ενδοσκόπιο (Olympus Corporation, Tokyo, Japan) με συχνότητα καθετήρα 7,5 MHz. Τα κυριότερα συμπεράσματα που περιλαμβάνονται περιοχές ενδιαφέροντος (ROI που) καταγράφηκαν ως ακίνητες εικόνες χρησιμοποιώντας το κουμπί πάγωμα της echoendoscope. Και όλες αυτές οι εικόνες εξακολουθούν να συλλέγονται από τις διαδικασίες που σώθηκαν σε μορφή bitmap των Windows (.bmp) για περαιτέρω ανάλυση, η οποία διεξήχθη σε ένα πρότυπο επιτραπέζιο υπολογιστή. Όλες οι εικόνες εξετάστηκαν από τύφλωσε, έμπειρους ενδοσκόποι που δεν γνώριζαν τα αποτελέσματα παθολογίας. Για τις εικόνες του PC και CP, τα όρια της κάθε υπερηχογραφικά προσδιορίζονται βλάβης χειροκίνητα οριοθετημένες και όλα τα πίξελ εντός των ROI που τέθηκαν στον μέσο όρο μαζί για να σχηματίσουν ένα ενιαίο ένταση του σήματος φορέα χρονοσειρές ανά βλάβη.

EUS Ανάλυση Εικόνας

για να επιτευχθεί ομοιομορφία των αποτελεσμάτων, ορθογώνιο υπο-εικόνες που προέρχονται από το ROI που (Σχήμα 3). Αυτές οι υπο-εικόνες αναλύθηκαν χρησιμοποιώντας το λογισμικό Matlab R2010a σε ένα PC Intel Core ™ 2 E8400 3,0 GHz εργασίας με 3 GB εσωτερική μνήμη. Τα χαρακτηριστικά υφής του κάθε ιστόγραμμα εξήχθησαν για την ταξινόμηση των εικόνων του παγκρέατος EUS από το λογισμικό ανάλυσης εικόνας. Ωστόσο, η διαδικασία αυτή μείωσε πραγματικά την διακριτική ικανότητα της λειτουργίας κατάταξης, λόγω της απόλυσης μεταξύ των διαφόρων φορέων χαρακτηριστικό. Ως εκ τούτου, η περαιτέρω αλγόριθμοι επιλογής χαρακτηριστικών χρησιμοποιήθηκαν για να μειώσει το διάνυσμα διάστασης χαρακτηριστικό και να βελτιώσει την ακρίβεια ταξινόμησης. Σε αυτή τη μελέτη, χρησιμοποιήσαμε την απόσταση μεταξύ τάξης και της διαδοχικής αλγόριθμος εμπρός επιλογής (SFS) για επιλογή χαρακτηριστικού. Ο αλγόριθμος της απόστασης μεταξύ τάξη είναι μια διαδικασία σημείο προς σημείο της ταξινόμησης εικόνας πίξελ για ένα συγκεκριμένο χαρακτηριστικό εικόνα που μοιράζεται από δύο κατηγορίες εικόνων. Μια μεγαλύτερη απόσταση μεταξύ της μέσης τιμής των δύο τάξεων οδηγεί σε ένα πιο βέλτιστο αποτέλεσμα ταξινόμησης. Με βάση αυτή την απόσταση μεταξύ αλγόριθμο τάξη, πρώτα έναντι της λειτουργίας των εξαχθέντων χαρακτηριστικών που θα μπορούσαν να χρησιμοποιηθούν για να διαφοροποιούν το PC από τις εικόνες CP. Στη συνέχεια, να συγκρίνουν περαιτέρω την απόδοση των διαφόρων φορέων χαρακτηριστικό, ένας αλγόριθμος SFS χρησιμοποιήθηκε για να προσδιορίσει και να επιλέξει τις βέλτιστες δυνατότητες κατάταξης. Επιλογή όλων των εικόνων EUS συνόλων δείγμα μας και χρησιμοποιώντας τον αλγόριθμο άδεια-1-out και μισό-μισό αλγόριθμος αντίστοιχα σε συνδυασμό με ένα ταξινομητή SVM, η σωστή τιμή κατάταξη χρησιμοποιήθηκε για την εκτίμηση της αποτελεσματικότητας ταξινόμηση των χαρακτηριστικών διανυσμάτων με διαφορετικές διαστάσεις.

Όπως φαίνεται στις εικόνες της χρόνιας παγκρεατίτιδας: Α1 δείχνει ένα ενδοσκοπικό υπερηχογράφημα εικόνα της κεφαλής και του σώματος του παγκρέατος. Οι Hyperechoic σκέλη, παρεγχυματικά lobularity, hyperechoic εστίες, πολλά hyperechoic κουκίδες με σκίαση στον παγκρεατικό παρέγχυμα, και ακανόνιστες παγκρέατος περιθώρια αγωγό εντοπιστεί. Β1. Οριοθετηθούν τα όρια γύρω από το οποίο περιέχει περισσότερα χρόνια παγκρεατίτιδα διαθέτει το χέρι με ένα κόκκινο κύκλο ως περιοχή ενδιαφέροντος (ROI). C1. Ορθογώνιο υπο-εικόνες προέρχονται τόσο μεγάλη όσο θα μπορούσαν από τις ROIs να επιτευχθεί ομοιομορφία των αποτελεσμάτων εύκολα. Δ1. το ιστόγραμμα κόπηκε από το κόκκινο κύκλο για την εξαγωγή χαρακτηριστικών υφής. Στις εικόνες του καρκίνου του παγκρέατος: Α2. Επιλέξτε EUS εικόνες με στερεά βλαβών στο πάγκρεας το οποίο είχε ιδρυθεί από ένα θετικό κυτταρολογική εξέταση. B2.Delineate τα όρια του κάθε υπερηχογραφικά προσδιορίζονται βλάβη χειροκίνητα με έναν κόκκινο κύκλο ως περιοχή ενδιαφέροντος (ROI) γύρω από το όριο του ορατή βλάβη. C2 και D2 υποβλήθηκαν σε επεξεργασία ως Γ1 και Δ1.

Η

Μοτίβο Ταξινόμηση

Ένας ταξινομητής SVM χρησιμοποιήθηκε για την ταξινόμηση μοτίβο σε αυτή τη μελέτη. Η ταξινόμηση SVM-based υλοποιήθηκε με τη χρήση του libsvm βιβλιοθήκη ανοικτού κώδικα [24].

Το SVM είναι ένας αλγόριθμος μυθιστόρημα μάθησης που αναπτύχθηκε από τη θεωρία στατιστικής εκμάθησης. Η βασική ιδέα της SVM ταξινομητή είναι ότι η EUS απεικόνισης ως φορείς εισόδου μπορούν να προβληθούν σε high-διαστάσεων χώρο μέσω προκαθορισμένων μη-γραμμικές απεικονίσεις. Και η παραγωγή δύο διαφορετικά είδη φορέα από τον φορέα εισόδου σύμφωνα με την αρχή της ελαχιστοποίησης των διαρθρωτικών κινδύνων.

Μια SVM χρησιμοποιήθηκε για την ταξινόμηση. Χωρίσαμε το δείγμα βάσης δεδομένων, η οποία περιελάμβανε 388 περιπτώσεις συνολικά, σε ένα σύνολο εκπαίδευσης και μια σειρά δοκιμών. Το σύνολο εκπαίδευσης χρησιμοποιείται για την εκπαίδευση του SVM, και το σύνολο δοκιμή χρησιμοποιήθηκε για την αξιολόγηση της απόδοσης των SVM. Δύο διαφορετικές μεθοδολογίες που χρησιμοποιούνται για να χωρίζουν τα δείγματα στα σύνολα εκπαίδευσης και δοκιμών. Πρώτον, μια μισό-μισό μέθοδος εφαρμόστηκε για να διαιρέσει ομοιόμορφα το δείγμα βάσης δεδομένων σε ένα σύνολο εκπαίδευσης των 194 περιπτώσεων, η οποία περιελάμβανε 131 περιπτώσεις PC και 63 περιπτώσεις CP, και μια σειρά δοκιμών των 194 υποθέσεων που περιελάμβανε 131 περιπτώσεις PC και 63 CP περιπτώσεις. Συνολικά, 200 δοκιμές διεξήχθησαν προκειμένου να αποφευχθούν τα σφάλματα που προκαλούνται από τις περιορισμένες περιπτώσεις. Σε κάθε δοκιμή, το δείγμα βάσης δεδομένων διαιρέθηκε ομοιόμορφα και τυχαία για τον προσδιορισμό της ακρίβειας και το τυπικό σφάλμα του συστήματος βοήθειας διάγνωση. Δεύτερον, μια μέθοδος άδεια-1-out εφαρμόστηκε για την αξιολόγηση της απόδοσης ταξινόμησης. Στη μέθοδο αυτή, σε κάθε δοκιμή, επιλέχθηκε ένα δείγμα για τη δοκιμή, και το υπόλοιπο των δειγμάτων χρησιμοποιήθηκαν για την εκπαίδευση του SVM. Αυτή η διαδικασία επαναλήφθηκε στη συνέχεια μέχρι επιλέχθηκαν όλα τα δείγματα για δοκιμή.

Για την αξιολόγηση της απόδοσης των πειραματικών αποτελεσμάτων, όλα τα δεδομένα παρουσιάζονται ως μέσος όρος σταθερό σφάλμα. Οι παράμετροι αξιολόγησης περιλαμβάνονται η ακρίβεια του μέσου όρου κατάταξης (ακρίβεια), ευαισθησία και ειδικότητα. Επιπλέον, υπολογίστηκαν θετική προγνωστική αξία (PPV) και αρνητική προγνωστική αξία (NPV).