Αφηρημένο

Ιστορικό

Ο καρκίνος του πνεύμονα είναι μία από τις πιο κοινές μορφές καρκίνου με αποτέλεσμα πάνω από ένα εκατομμύριο θανάτους ετησίως σε όλο τον κόσμο. Συνήθως, το πρόβλημα μπορεί να προσεγγιστεί με την ανάπτυξη πιο διακριτική μεθόδους διάγνωσης. Σε αυτή την εργασία, computer-aided διάγνωση χρησιμοποιήθηκε για να διευκολύνει την πρόβλεψη των χαρακτηριστικών των μονήρων πνευμονικών οζιδίων σε αξονική τομογραφία των πνευμόνων για τη διάγνωση του καρκίνου του πνεύμονα σε πρώιμα στάδια.

Μέθοδοι

Η συνθετική μειονότητα υπερ- τεχνική δειγματοληψίας (εκτύπησε) χρησιμοποιήθηκε για να αντιπροσωπεύουν τα ανεπεξέργαστα δεδομένα, προκειμένου να εξισορροπήσει το αρχικό σύνολο δεδομένων εκπαίδευσης. Curvelet-μετασχηματισμού χαρακτηριστικά υφής, μαζί με 3 ασθενή δημογραφικά χαρακτηριστικά, και 9 μορφολογικά χαρακτηριστικά χρησιμοποιήθηκαν για τη δημιουργία ενός φορέα στήριξης μηχανήματος (SVM) μοντέλο πρόβλεψης. Διαχρονικά δεδομένα ως το σύνολο δεδομένων δοκιμής που χρησιμοποιούνται για την αξιολόγηση της απόδοσης ταξινόμησης για την πρόβλεψη του καρκίνου του πνεύμονα σε πρώιμα στάδια.

Αποτελέσματα

Χρησιμοποιώντας τον εκτύπησε ως μια διαδικασία προ-επεξεργασίας, τα αρχικά δεδομένα εκπαίδευσης ήταν εξισορροπείται με μια αναλογία των κακοήθων σε καλοήθεις περιπτώσεις 1:01. Ακρίβεια με βάση την cross-αξιολόγησης για την αρχική ανισόρροπη δεδομένων και ισορροπημένη στοιχείων ήταν 80% και 97%, αντίστοιχα. Βασισμένο σε Curvelet-μετασχηματισμού υφής χαρακτηριστικά και άλλα χαρακτηριστικά, το μοντέλο πρόβλεψης SVM είχε καλή απόδοση ταξινόμησης για τον καρκίνο του πνεύμονα σε πρώιμα στάδια, με εμβαδόν κάτω από την καμπύλη των SVMs των 0.949 (P & lt? 0.001). Υφής χαρακτηριστικό (τυπική απόκλιση) έδειξε καλοήθεις περιπτώσεις είχαν μεγαλύτερη αλλαγή κατά την περίοδο παρακολούθησης από κακοήθεις περιπτώσεις.

Συμπεράσματα

Με χαρακτηριστικά υφής που εξάγεται από ένα Curvelet μετασχηματισμό και άλλες παραμέτρους, ένα ευαίσθητο υποστήριξη μοντέλο πρόβλεψης διάνυσμα μηχανή μπορεί να αυξήσει το ποσοστό της διάγνωσης του καρκίνου του πνεύμονα πρώιμου σταδίου. Το σύστημα αυτό μπορεί να χρησιμοποιηθεί ως βοηθητικό εργαλείο για την διαφοροποίηση μεταξύ καλοήθων και κακοήθων καρκίνων του πνεύμονα σε πρώιμα στάδια στην CT εικόνες

Παράθεση:. Sun Τ, Ζανγκ R, Γουάνγκ J, Λι Χ, Guo X (2013) Υπολογιστές -βοηθητικής Διάγνωση για αρχικό στάδιο του καρκίνου του πνεύμονα που βασίζονται σε διαχρονικά και Ισορροπημένη δεδομένων. PLoS ONE 8 (5): e63559. doi: 10.1371 /journal.pone.0063559

Συντάκτης: Michael Gormley, Πανεπιστήμιο Τόμας Τζέφερσον, Ηνωμένες Πολιτείες της Αμερικής

Ελήφθη: 20 Νοεμβρίου, 2012? Αποδεκτές: 3 Απρίλη 2013? Δημοσιεύθηκε: May 15, 2013

Copyright: © 2013 Sun 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:. Αυτό ήταν που υποστηρίζονται από το Ταμείο Φυσικών Επιστημών της Κίνας (Serial Number: 81172772)? το Ταμείο Φυσικών Επιστημών του Πεκίνου (Serial Number: 4112015)? και το Πρόγραμμα της Ακαδημαϊκής Ανάπτυξης Ανθρώπινου Δυναμικού σε ιδρύματα της τριτοβάθμιας εκπαίδευσης υπό τη δικαιοδοσία του Δήμου του Πεκίνου (Serial Number: PHR201007112). Οι χρηματοδότες δεν είχε κανένα ρόλο στο σχεδιασμό της μελέτης, τη συλλογή και ανάλυση των δεδομένων, η απόφαση για τη δημοσίευση, ή την προετοιμασία του χειρογράφου

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

Εισαγωγή

Ο καρκίνος του πνεύμονα, ένα από τα πιο κοινά θάνατοι σχετίζονται με τον καρκίνο, ευθύνεται για 1,1 εκατομμύρια θανάτους ετησίως σε όλο τον κόσμο [1]. Παρά το γεγονός ότι έχει δοθεί προσοχή σε προβλέψεις και διαγνώσεις πρώιμο στάδιο, η πρόγνωση παραμένει πολύ κακή, με τα ποσοστά πενταετούς επιβίωσης που κυμαίνονται από 54% για το στάδιο Ι έως 10% για το τρίτο στάδιο [2]. Αυτό υπογραμμίζει την ανάγκη για μια αξιόπιστη διαδικασία πρόβλεψης σε πρώιμο στάδιο που μπορεί να παρατείνει τη ζωή των ασθενών. Ψηφιακή Αξονική Τομογραφία (CT) χρησιμοποιείται σήμερα ευρέως για τον καρκίνο του πνεύμονα στις κλινικές πρακτικές. Ωστόσο, σε CT εικόνες, ο καρκίνος του πνεύμονα εμφανίζεται συνήθως ως μονήρων πνευμονικών όζων (SPN), και το μερίδιο ομοιότητες με εκείνες πολλών καλοήθεις παθήσεις [3]. Εξ ορισμού, η μονήρων πνευμονικών όζων (SPN) είναι ένα ενιαίο, σφαιρικό, καλά περιγεγραμμένη, ακτινολογική αδιαφάνεια που μετρά & lt? = 3 εκατοστά σε διάμετρο και περιβάλλεται πλήρως από τον αεριζόμενο πνεύμονα. Δεν υπάρχει συνδέονται ατελεκτασία, πυλαία διεύρυνση, ή υπεζωκοτική συλλογή.

Με την ανάπτυξη της επιστήμης και της τεχνολογίας, με τη βοήθεια υπολογιστή διάγνωσης (CAD) έχει γίνει ένα βοηθητικό εργαλείο. Για τις γνώσεις μας, με τη χρήση αυτοματοποιημένων μηχανογραφικών μεθόδων, όπως η ανάλυση της εικόνας υφή, για να προβλέψει τον καρκίνο του πνεύμονα έχει αναφερθεί ευρέως [4] – [9]. Way et al. [4] εξάγεται μορφολογικά, επιφάνειας και υφής χαρακτηριστικά από 256 οζίδια του πνεύμονα, και καθιέρωσε μια γραμμική διακριτική ανάλυση. Ένα νευρωνικό computer-aided μέθοδος διάγνωσης που βασίζεται στο δίκτυο της διάγνωσης του πνεύμονα οζιδίων συνδυάζοντας μορφομετρία και αιμάτωσης χαρακτηριστικά για να προβλέψει τα χαρακτηριστικά των μονήρων πνευμονικών όζων εισήχθη από Yeh et al. [5]. Σε μια άλλη μελέτη, McCarville et al. [6] που συλλέγονται 81 πνευμονικά οζίδια, βάσεις για CT ευρήματα διαφέρουν καλοήθεις και κακοήθεις φύση των πνευμονικών οζιδίων σε παιδιατρικούς ασθενείς, ενώ Wang et al. [7] χρησιμοποιείται η μήτρα γκρι επίπεδο συνύπαρξη και το πολυεπίπεδο μοντέλο για την πρόβλεψη χαρακτηριστικά των πνευμονικών οζιδίων. Lee et al. [8] χρησιμοποιείται μια προσέγγιση δύο σταδίων για την επιλογή χαρακτηριστικών κατασκευής ταξινομητή σύνολο για να διευκολύνει την πρόβλεψη των χαρακτηριστικών των πνευμονικών οζιδίων. Zhu et al. [9] παρουσίασε μια μέθοδο για να βρείτε και να επιλέξετε τα χαρακτηριστικά υφής των μονήρων πνευμονικών όζων (SPNs) ανιχνεύεται με αξονική τομογραφία (CT) και να αξιολογεί την απόδοση του φορέα υποστήριξης του μηχανήματος (SVM) -με βάση ταξινομητές στη διαφοροποίηση καλοηθών από κακοήθεις SPNs. Ωστόσο, αυτές οι μέθοδοι, κανένας από αυτούς δεν έχουν ως στόχο να προβλέψουν καρκίνο του πνεύμονα πρώιμου σταδίου χρησιμοποιώντας ανάλυση υφής, παρά το γεγονός ότι είναι κρίσιμο να παρατείνει τη ζωή των ασθενών με καρκίνο του πνεύμονα με ταχέως εκτομής του καρκίνου σε πρώιμο στάδιο.

σε προηγούμενη μελέτη, το μόνο που χρησιμοποιείται αρκετά μορφολογικά χαρακτηριστικά (όπως το μοντέλο της Mayo Clinic και το μοντέλο VA) ή υφής χαρακτηριστικά για να προβλέψει το χαρακτηριστικό των όζων. Σε αυτή την εργασία, μηχανές διανυσμάτων υποστήριξης (SVMs) επιλέχθηκαν ως μοντέλο πρόβλεψης, χρησιμοποιώντας ένα ολοκληρωμένο σύνολο υφής χαρακτηριστικά γνωρίσματα που εξάγονται από Curvelets [15] από την CT εικόνες, ασθενής δημογραφικά χαρακτηριστικά και μορφολογικά χαρακτηριστικά για να προβλέψει τον καρκίνο του πνεύμονα σε πρώιμα στάδια η οποία εμφανίζεται όπως SPNs. Για τις γνώσεις μας, αυτή είναι η πρώτη φορά που η ανάλυση υφής χρησιμοποιήθηκε για την πρόβλεψη του καρκίνου του πνεύμονα σε πρώιμα στάδια και είναι ένα χρήσιμο επιχείρηση.

Υλικά |

Τα στοιχεία που εγκρίθηκαν σε αυτό το έγγραφο ελήφθη από μια μελέτη κοόρτης. Η μελέτη κοόρτης ιδρύθηκε το 2009 και υλοποιείται σε 4 νοσοκομεία. Η απόφαση για την ένταξη και τον αποκλεισμό των ασθενών έγινε με βάση τα αποτελέσματα των τελικών διαγνώσεων. Οι πληροφορίες στις εικόνες CT ήταν προσβάσιμες από 8 ακτινολόγους? Εν τω μεταξύ, οι συγκρούσεις στην τελική ερμηνεία των εικόνων CT επιλύθηκαν με συναίνεση συζήτηση. Ένα σύνολο 360 περιπτώσεων ελήφθησαν από αυτήν την μελέτη κοόρτης. 317 περιπτώσεις (317/360) είχε μόνο μια σάρωση χρονικό CT, όπου ο ασθενής έχει σαρωθεί μόνο μια φορά, και η τελική διάγνωση των κακοήθων και καλοήθων περιπτώσεις προσδιορίστηκε με είτε μια λειτουργία ή βιοψία. 33 περιπτώσεις (33/360) είχαν τουλάχιστον δύο αξονικές τομογραφίες με μία περίοδο παρακολούθησης από 1 μήνα έως 2 έτη (ασθενείς παρακολουθήθηκαν μέχρι τις τελικές διαγνώσεις ήταν διαθέσιμα), και η τελική διάγνωση των κακοήθων και καλοήθων περιπτώσεις προσδιορίστηκε είτε μια επιχείρηση ή βιοψία. 10 (10/360) περιπτώσεις αποκλείστηκαν λόγω της έλλειψης οποιασδήποτε τελική διάγνωση.

αξονικές τομογραφίες λήφθηκαν χρησιμοποιώντας ένα 64-φέτα ελικοειδή αξονικό τομογράφο (GE /φως ταχύτητα ultra σύστημα CT99, ΗΠΑ) με ένα σωλήνα τάση 120 kV και ρεύμα 200 mA. Τα διαστήματα πάχος και την ανοικοδόμηση της ανασυγκρότησης για τη συνήθη σάρωση ήταν 0,625 χιλιοστά. Δεδομένα ανακατασκευάστηκε με μια μήτρα 512 × 512. Για να αφαιρέσετε κάποιες άλλες ιστών (όπως των μυών, των πλοίων και των οστών), όλα τα SPNs στις εικόνες CT ήταν κατά διαστήματα με το χέρι για να αποκτήσετε μια περιοχή ενδιαφέροντος (ROI), και τα χαρακτηριστικά υφής εξήχθησαν ROI από την ΑΤΕ. Η περιοχή αυξάνεται [10] αλγόριθμο, ένα δημοφιλές εργαλείο για την κατάτμηση εικόνας, χρησιμοποιήθηκε για να απομακρύνετε τυχόν pixels φόντο.

δεδομένα εκπαίδευσης περιλαμβάνονται 317 υποθέσεις που είχε μόνο ένα χρόνο αξονική τομογραφία. Συνολικά 10.108 ROI που αποκτήθηκαν από 317 ασθενείς, με 3131 καλοήθεις ROI από 106 ασθενείς (58 άνδρες, 48 γυναίκες) και 6977 κακοήθη τα ROI από 211 ασθενείς (125 άνδρες, 86 γυναίκες). Οι λεπτομέρειες είναι ως ακολούθως (βλέπε Πίνακα 1). Τα δεδομένα εκπαίδευσης χρησιμοποιήθηκε για την δημιουργία ενός μοντέλου πρόβλεψης SVMs.

Η

Ένα σύνολο των 33 περιπτώσεων πήρε τουλάχιστον δύο αξονικές τομογραφίες και το σύνολο δεδομένων δεν περιλαμβάνει SPN εικόνες της τελευταίας αξονική τομογραφία κάθε περίπτωση. Ο λόγος για τον οποίο εξαιρούνται τα δεδομένα δοκιμών την τελευταία αξονική τομογραφία κάθε περίπτωση είναι ότι οι ακτινολόγοι θα κάνει κλινική διάγνωση με βάση την τελευταία αξονική τομογραφία όποια και αν είναι σωστό ή λάθος και ότι τα υπόλοιπα δεδομένα των εικόνων SPNs CT που ήταν δύσκολο να διαγνωστούν από ακτινολόγους χρησιμοποιήθηκαν για να τον έλεγχο της απόδοσης ενός μοντέλου πρόβλεψης για τον καρκίνο του πνεύμονα πρώιμου σταδίου. Αυτά τα δεδομένα συνοψίζονται στον Πίνακα 2.

Η

Μέθοδοι

Μια σειρά από χαρακτηριστικά υφής εξάγεται από Curvelets από CT των ROI, των δημογραφικών παραμέτρων και μορφολογικά χαρακτηριστικά χρησιμοποιήθηκαν ως δεδομένα εισόδου για τη δημιουργία μιας SVMs μοντέλο πρόβλεψης. Ως γεγονός ότι ένας ασθενής έχει πολλές τα ROI, με αποτέλεσμα το ποσοστό κακοήθειας χρησιμοποιήθηκε ως μεταβλητή για να σχεδιάσετε μια καμπύλη ROC. Το ποσοστό κακοήθειας ορίστηκε ως: (1).

Ηθική Δήλωση

Αυτή η μελέτη έγινε με την έγκριση της δεοντολογίας (Επιτροπή Δεοντολογίας της Xuanwu Νοσοκομείο Capital Πανεπιστήμιο Ιατρικής, έγγραφο έγκριση [2011] 01 ). Γραπτή συγκατάθεση δόθηκε από τους ασθενείς.

Συνθετικά μειοψηφίας Over-δειγματοληψίας Τεχνική (εκτύπησε)

Τα στοιχεία που αποκτήθηκαν από τα νοσοκομεία ήταν μη ισορροπημένη (η αναλογία των κακοήθων σε καλοήθεις περιπτώσεις στα δεδομένα εκπαίδευσης ήταν 2:01). Τα εν λόγω δεδομένα με τη χρήση για την ταξινόμηση προκάλεσε μια προκατάληψη για την εκπαίδευση των ταξινομητών και οδήγησε σε χαμηλότερη ευαισθησία κατά τη διάρκεια της ανίχνευσης στα παραδείγματα της κατηγορίας μειονότητα [11]. Αν μη ισορροπημένη δεδομένα που χρησιμοποιούνται στην παρούσα ερευνητική μελέτη, τα αποτελέσματα θα έχουν υψηλή ευαισθησία και χαμηλή εξειδίκευση, τα οποία είναι ανεπιθύμητα αποτελέσματα.

Μια μέθοδος προεπεξεργασίας των δεδομένων που χρησιμοποιούνται για να ληφθεί υπόψη η μη ισορροπημένη δεδομένων αποτελείται από τις ακόλουθες δύο κατηγορίες [12 ]: υπό-δειγματοληψία την πλειοψηφία τάξη και υπερ-δειγματοληψία την κατηγορία της μειοψηφίας. Σύμφωνα με δειγματοληψία Οι μέθοδοι που εφαρμόζονται για να αφαιρέσετε κάποια μοντέλα πλειοψηφία κατηγορία κατάρτισης για να εξισορροπήσουν σύνολα δεδομένων, ενώ οι υπερ-δειγματοληψίας μέθοδοι που χρησιμοποιούνται για να σχηματίσουν ένα νέο δείγμα μειονότητα-class. Μερικοί ερευνητές προτιμούν υπερ-δειγματοληψία μεθόδους για να υπο-δειγματοληψίας μεθόδους, διότι η χρήση υπο-μεθόδους δειγματοληψίας κινδύνους από την απώλεια πληροφοριών πλειοψηφία κατηγορίας.

Το συνθετικό μειονότητα υπερ-δειγματοληψία τεχνική (εκτύπησε) [13] είναι ένα τέτοιο υπερ- δειγματοληψίας μέθοδο. βασική ιδέα του είναι να σχηματίσει νέα δείγματα μειοψηφίας κλάσης με παρεμβολή μεταξύ των διαφόρων παραδείγματα μειονότητας κατηγορίας που βρίσκονται μαζί. Στο χτύπησαν, αντί να προσανατολίζεται απλώς δεδομένα αναπαραγωγής, η θετική τάξη είναι πάνω στο δείγμα, με τη δημιουργία συνθετικών περιπτώσεις στο χώρο χαρακτηριστικό που σχηματίζεται από τις θετικές περιπτώσεις. Για κάθε παράδειγμα μειονότητας, k του (η οποία έχει οριστεί σε 5 εκτύπησε) πλησιέστερους γείτονες της ίδιας κατηγορίας υπολογίζονται, στη συνέχεια, μερικά παραδείγματα επιλέγονται τυχαία από τους ανάλογα με το ποσοστό υπερ-δειγματοληψίας. Μετά από αυτό, τα νέα συνθετικά παραδείγματα που δημιουργούνται κατά μήκος της γραμμής μεταξύ του παραδείγματος μειονότητας και επιλεγμένα πλησιέστερους γείτονες.

Υφή Εξόρυξη

Υφή αποτελεί θεμελιώδες χαρακτηριστικό των ψηφιακών εικόνων όπως συνήθως αντανακλά τη δομή της οι απεικονίζονται αντικείμενα. εξαγωγή χαρακτηριστικών της εικόνας είναι ένα σημαντικό βήμα στις τεχνικές επεξεργασίας εικόνας.

Ο μετασχηματισμός κυματιδίου, μια μέθοδο εκχύλισης χαρακτηριστικά υφής, παρέχει ένα πολυ-ανάλυση και μη-περιττές αναπαράσταση σημάτων με μια ακριβή δυνατότητα ανοικοδόμησης, και αποτελεί μια ακριβή και ενιαίο πλαίσιο για την ανάλυση χώρου-συχνότητας. Παρά το γεγονός ότι Κυματίδια αποδίδουν πολύ καλά για τα αντικείμενα με το σημείο ανωμαλίες, δεν είναι επαρκή για την αναπαράσταση 1D μοναδικότητα [14] – [15]. Το 2000, Candes και Donoho [16] ανέπτυξε την Curvelet, ένα είδος Κυματίδια δεύτερης γενιάς. Ως προέκταση του πλαισίου Wavelet Multiscale ανάλυση, Curvelets μπορεί να αντιμετωπίσει αποτελεσματικά με γραμμική ιδιομορφίες σε 2D σήματα [14]. Η Curvelet μετατροπής ορίζεται ως ένα αποτελεσματικό εργαλείο για την εύρεση καμπύλες σε πολλαπλά επίπεδα ανάλυσης. Αρκετές μελέτες χρησιμοποιώντας Curvelet μετασχηματισμούς στην επεξεργασία εικόνας έχουν δείξει ότι Curvelet μετασχηματισμούς αποδώσει καλύτερα αποτελέσματα [17] – [19]

Με βάση την Curvelet μετασχηματισμού, δεκατέσσερις CT εικόνα υφής χαρακτηριστικά των πνευμονικών οζιδίων εξήχθησαν:. Εντροπία, Μέση , Συσχέτιση, Ενέργειας, Ομοιογένεια, τυπική απόκλιση, μέγιστη πιθανότητα, Inverse Διαφορά στιγμή, Τάση Cluster, Αδράνεια, Sum-Mean, Διαφορά-Mean, Sum-Εντροπία, και Διαφορά-Εντροπίας. Ως προ-διαδικασία για την ταξινόμηση, ένα Curvelet μετασχηματισμός παρήγαγε μια αναπαράσταση των πνευμονικών οζιδίων του CT εικόνων μέσω πολλαπλών κλίμακας επίπεδο αποσύνθεσης. Οι τρεις Curvelet συντελεστές μήτρες κλίμακες »(το χοντρό στρώμα, το στρώμα λεπτομέρεια, και το λεπτό στρώμα) επιλέχθηκαν ως υποψήφιοι. εικόνες ROI είχαν αποσυντεθεί σε 34 υπο-ζώνες, με αποτέλεσμα την εξαγωγή 476 χαρακτηριστικά υφής από κάθε ROI.

Έρευνα των κλινικών παραμέτρων

Τρεις δημογραφικές παραμέτρους (ηλικία, τις συνήθειες των δύο φύλων, και το κάπνισμα) ελήφθησαν από ιατρικά ιστορικά. 9 μορφολογικά χαρακτηριστικά (συμπεριλαμβανομένων σημαντικών αλλαγών, η πυκνότητα του SPNs, παρουσία θραυσμάτων, σπήλαια, κενοτόπια, lobulation, ασβεστοποίηση και γυαλί έδαφος στην SPNs, και την περιοχή) έχουν αναφερθεί από έμπειρους ακτινολόγους, σύμφωνα με τις SPNs.

Πρόβλεψη Μοντέλο

Όπως προτείνεται από ένα μεγάλο σώμα της λογοτεχνίας μέχρι σήμερα, η υποστήριξη μηχανημάτων φορέας μπορεί να θεωρηθεί καλή αλγορίθμων για την ταξινόμηση σε ορισμένους τομείς της έρευνας [20] – [22]. Σε μια προηγούμενη μελέτη, τα ίδια αποτελέσματα αποδεικνύεται από την ομάδα μας [23].

Η μηχανή διανυσμάτων υποστήριξης (SVM) περιγράφεται ως ένα δημοφιλές ταξινομητή που βασίζεται στην αρχή των διαρθρωτικών ελαχιστοποίησης του κινδύνου. Σε σύγκριση με άλλα ταξινομητές, ο SVM έχει ως στόχο να βρει το υπερεπίπεδο που μεγιστοποιεί την απόσταση από το υπερεπίπεδο στην πλησιέστερη παραδείγματα σε κάθε τάξη. Λαμβάνοντας υπόψη μια σειρά από φορείς κατάρτισης (l συνολικά) ανήκουν σε χωριστές κατηγορίες, δηλώνει ο

i

ου διάνυσμα εισόδου και η αντίστοιχη επιθυμητή έξοδο. Η μέγιστη ταξινομητή περιθώριο προσπαθεί να βρει ένα υπερεπίπεδο να διαχωριστούν τα δεδομένα εκπαίδευσης. Στις πιθανές υπερεπίπεδα, μόνο ένα μεγιστοποιεί το περιθώριο (η απόσταση μεταξύ του υπερεπίπεδο και του πλησιέστερου σημείου δεδομένων κάθε τάξη). Οι φορείς υποστήριξης δηλώνουν τα σημεία που βρίσκονται στα σύνορα περιθώριο. Η λύση για την κατάταξη δίνεται από τη συνάρτηση απόφασης: (2)

Πού είναι η θετική πολλαπλασιαστή Lagrange, είναι τα διανύσματα υποστήριξης (συνολικά), και είναι η λειτουργία για τη συνέλιξη του πυρήνα της απόφασης λειτουργία.

R 2.14.0 λογισμικό χρησιμοποιήθηκε για την υλοποίηση των μηχανών διανυσμάτων υποστήριξης και εκτύπησε. Η ακτινική πυρήνας λειτουργία βάση χρησιμοποιήθηκε ως τον πυρήνα των SVMs σε αυτή τη μελέτη.

Αποτελέσματα

εκτύπησε για προ-επεξεργασία του Ασύμμετρη Data Set

Η κατανομή των 3 δημογραφικών παραμέτρων φαίνεται στον πίνακα 3. Τα πρωτότυπα περιλαμβάνονται δεδομένα εκπαίδευσης εικόνες του 3131 καλοήθους ROIs και 6977 κακοήθη των ROI, με μία αναλογία των κακοήθων σε καλοήθη περιπτώσεις 2:01. Χρησιμοποιώντας τον πάταξε ως μια διαδικασία προ-επεξεργασίας, τα νέα στοιχεία, συμπεριλαμβανομένης της υφής υφή, δημογραφικές παραμέτρους και μορφολογικά χαρακτηριστικά δημιουργήθηκε, και τα τελικά δεδομένα εκπαίδευσης περιλαμβάνονται παρατηρήσεις του 9393 καλοήθεις ROIs και 9393 κακοήθη των ROI.

Η

πρόβλεψη Αποτελέσματα

για να δοκιμαστεί το μοντέλο SVM με γνώμονα την ισόρροπη δεδομένα αν ήταν ευαίσθητη στον καρκίνο του πνεύμονα, χρησιμοποιήθηκαν δύο μέθοδοι:. 10 φορές cross-αξιολόγηση και νέα αξιολόγηση των δεδομένων δοκιμών

Ακρίβεια βάση 10-πλάσια cross-αξιολόγησης για τα αρχικά δεδομένα μη ισορροπημένη και την ισόρροπη δεδομένα ήταν 80% και 97%, αντίστοιχα. Αποδείχθηκε ότι ο αλγόριθμος επάταξεν θα αυξήσει σημαντικά την απόδοση του μοντέλου πρόβλεψης.

33 περιπτώσεις (17 κακοήθεις περιπτώσεις, 16 καλοήθεις περιπτώσεις) επελέγησαν ως δεδομένα δοκιμών για την αξιολόγηση της απόδοσης ταξινόμησης για τον καρκίνο του πνεύμονα σε πρώιμα στάδια . Το μοντέλο πρόβλεψης SVM ιδρύθηκε με επιτυχία χρησιμοποιώντας 488 χαρακτηριστικά υφής. αναλύθηκε Οι πληροφορίες σχετικά με τις περιπτώσεις, και το ποσοστό κακοήθειας (Formula 1) εγκρίθηκε ως ανεξάρτητη μεταβλητή να σχεδιάσετε καμπύλες ROC, με τα αποτελέσματα που παρουσιάζονται στο Σχήμα 1. Η περιοχή κάτω από την καμπύλη της SVM ήταν 0.949 (

P

& lt? 0.001, η ακρίβεια ήταν 15/17 για κακοήθεις περιπτώσεις, 14/16 για καλοήθεις περιπτώσεις). Αυτό το αποτέλεσμα συνοψίζεται στον Πίνακα 2. Για δεδομένα δοκιμής στη μελέτη αυτή, σε κάθε περίπτωση είχε ένα CT διάγνωση πριν από την εκτέλεση και τα αποτελέσματα φαίνονται στον Πίνακα 2. CT διαγνώσεις 33 περιπτώσεις ήταν όλα δυνητικά κακοήθεις υποδεικνύοντας ότι αν και μέσα από μια περίοδο ακόλουθα χρόνος είναι μάλλον δύσκολο να γίνει σαφής κλινική απόφαση.

η

Επίσης, είχαμε εκτιμήσει την αλλαγή της υφής χαρακτηριστικά μεταξύ του πρώτου αξονική τομογραφία και την τελευταία αξονική τομογραφία με βάση το σύνολο δεδομένων δοκιμής. Βρήκαμε το Curvelet υφής χαρακτηριστικό (τυπική απόκλιση) είχε μια μεγάλη διαφορά μεταξύ καλοήθων και κακοήθων περιπτώσεων. Το σχήμα 2 δείχνει την αλλαγή στην τάση της υφής χαρακτηριστικό (τυπική απόκλιση) μέση τιμή.

Η

Συζήτηση

Σήμερα, τα ποσοστά εμφάνισης και θνησιμότητας του καρκίνου του πνεύμονα έχουν κατέλαβε την πρώτη θέση μεταξύ των διαφόρων όγκων . Η χρήση των αξονική τομογραφία είναι κοινή σε κλινική πρακτική να γίνει διάκριση μεταξύ της καλοήθους SPNs και κακοήθεις όγκους. Μια μετα-ανάλυση [24] διαπιστώθηκε ότι έχει μια συγκεντρωτική ευαισθησία 0,57 (διάστημα εμπιστοσύνης 95%, 0,49 – 0,66) και μια συγκεντρωτική ειδικότητα 0,82 (διάστημα εμπιστοσύνης 95%, 0,77 έως 0,86) για τον καρκίνο του πνεύμονα, χρησιμοποιώντας αξονική τομογραφία. Όλες οι παραπάνω έρευνες επικεντρώθηκαν σε καρκίνο του πνεύμονα, και όχι για τον καρκίνο του πνεύμονα πρώιμου σταδίου. Έτσι, ευαισθησία και ειδικότητα για τον καρκίνο του πνεύμονα πρώιμου σταδίου θα μπορούσε να είναι φτωχότερη. Με βάση την κλινική πρακτική, ένα υψηλό ποσοστό των ασθενών με ύποπτη καλοήθεις καταστάσεις που δεν μπορούσε να αποκλείσει μια πιθανή κακοήθεια θα απαιτήσει περαιτέρω έρευνες ή χειρουργική επέμβαση, η οποία θα αυξήσει την επιβάρυνση των ασθενών. τεχνολογία computer-aided διάγνωση (CAD) έχει γίνει πιο διαδεδομένη στην ενίσχυση ακτινολόγους με κάνει διαγνώσεις. Για τις γνώσεις μας, έρευνες σχετικά με την ανάλυση της εικόνας SPN συζητήσουν την πρόβλεψη των χαρακτηριστικών του καρκίνου του πνεύμονα με τη χρήση ανάλυσης υφής, δεν πρώιμου σταδίου καρκίνου του πνεύμονα που έχουν πιο σημαντική κλινική αξία. Στη μελέτη αυτή, διαμήκη στοιχεία χρησιμοποιήθηκαν ως δεδομένα δοκιμών για να αξιολογηθεί η απόδοση ταξινόμησης του μοντέλου πρόβλεψης SVM για τον καρκίνο του πνεύμονα πρώιμου σταδίου. Η περιοχή κάτω από την καμπύλη της SVM ήταν 0.949 (

P

& lt? 0.001), και το μοντέλο έχει τη δυνατότητα αρμοδιότητα να προβλέψουμε τον καρκίνο του πνεύμονα σε πρώιμα στάδια. Σχετικές βιβλιογραφία δεν έχει ακόμη αναφερθεί.

Τα στοιχεία που προκύπτουν από τα νοσοκομεία ήταν ισορροπημένη. Χρησιμοποιώντας ασύμμετρη δεδομένων μπορεί να προκαλέσει μια χαμηλότερη ειδικότητα κατά την πρόβλεψη καλοήθεις περιπτώσεις. Σε αυτή τη μελέτη, το χτύπησαν, μια μέθοδος υπερ-δειγματοληψίας, χρησιμοποιήθηκε ως τη διαδικασία προ-επεξεργασίας για την εξισορρόπηση των δεδομένων, καθώς και η απόδοση ταξινόμησης (ακρίβεια) του μοντέλου πρόβλεψης είχε μια μεγάλη βελτίωση από το 80% στο 97%. Έτσι, η επάταξεν είναι μια χρήσιμη μέθοδος για να αντιπροσωπεύουν μη ισορροπημένη δεδομένων και μπορεί να βελτιώσει την ικανότητα των μοντέλων.

αρκετές μέθοδοι για την εξαγωγή των χαρακτηριστικών υφής των εικόνων έχουν αναπτυχθεί. Μία από τις πιο δημοφιλείς μεθόδους είναι ένα Wavelet που χρησιμοποιείται ευρέως στην επεξεργασία των ιατρικών εικόνων [14] – [15]. Σε σύγκριση με κυματίδια, Curvelet μετασχηματισμοί μπορεί να παρέχει σταθερή, αποτελεσματική και σχεδόν βέλτιστη αναπαραστάσεις λεία αντικείμενα που έχουν ασυνέχειες κατά μήκος απαλές καμπύλες [14]. Ως θεμελιώδες χαρακτηριστικό των ψηφιακών εικόνων, χαρακτηριστικά υφής αντικατοπτρίζουν συνήθως το μικροκοσμική δομή από τα εικονιζόμενα αντικείμενα, με θέα τα μακροσκοπικά χαρακτηριστικά των περιπτώσεων. Σε αυτή την εργασία, χαρακτηριστικά υφής εξάγεται από Curvelets, εκτός από τα χαρακτηριστικά του ασθενούς 3 και 9 μορφολογικά χαρακτηριστικά, τα οποία εφαρμόστηκαν για να περιγράψει μακροσκοπικά χαρακτηριστικά των ιστών, χρησιμοποιήθηκαν ως μεταβλητές εισόδου για τη δημιουργία ενός μοντέλου πρόβλεψης SVMs. Αυτό το σύστημα είναι ευαίσθητο σε καρκίνο του πνεύμονα σε πρώιμα στάδια και μπορεί ως εκ τούτου να αυξήσουν το ποσοστό ακρίβειας της διάγνωσης.

Σε αυτή τη μελέτη, βρήκαμε την Curvelet υφής χαρακτηριστικό, η τυπική απόκλιση, είχε μια μεγάλη διαφορά μεταξύ καλοήθων και κακοήθων περιπτώσεων. Παρά το γεγονός ότι όλες οι περιπτώσεις δεν έχουν την ίδια ημερομηνία του προηγούμενου αξονική τομογραφία, την υφή χαρακτηριστικό (τυπική απόκλιση) της καλοήθους περιπτώσεις είχε μια προφανή αύξηση από την πρώτη αξονική τομογραφία στην τελευταία αξονική τομογραφία, στις περισσότερες περιπτώσεις, αλλά ήταν σχετικά σταθερή σε κακοήθεις περιπτώσεις. Το αποτέλεσμα αυτό θα μπορούσε να είναι χρήσιμη ως μια ένδειξη για να βρουν ένα βιοδείκτη για τον καρκίνο του πνεύμονα.

Για 33 περιπτώσεις, η μέση αξονική τομογραφία ανά περίπτωση ήταν 3,2 φορές. Η μέση τιμή, διάμεσος, διατεταρτημοριακό εύρος και την τυπική απόκλιση της παρακολούθησης χρόνο ήταν 6,9, 2,0, 8,0 και 11,0 μήνες, αντίστοιχα. Εάν η μέθοδος που εμπλέκονται σε αυτό το χαρτί μπορεί να χρησιμοποιηθεί στην κλινική πρακτική για να βοηθήσει τους ακτινολόγους για τη λήψη αποφάσεων, ο χρόνος για διαγνώσεις θα μειωθεί κατά 6,9 μήνες και να αποθηκεύσετε το κόστος των 2,2 αξονική τομογραφία (στο Πεκίνο της Κίνας, το κόστος των 2,2 αξονική τομογραφία είναι περίπου 1.000 RMB). Βασισμένο σε μια μετα-ανάλυση [25], άμεσο οικονομικό κόστος για τους ασθενείς με καρκίνο του πνεύμονα είναι διαφορετικές, που κυμαίνονται από 18,019.4 RMB ανά άτομο για τη φάση Ι 3,2534.0 RMB ανά άτομο για Stage IV RMB ανά άτομο στην Κίνα και αυξάνεται χρόνο μετά έτος. Ψυχική επιβάρυνση των ασθενών και έμμεσο οικονομικό κόστος είναι επίσης σημαντικά. Η Κίνα είναι μία από τις χώρες με το υψηλότερο ποσοστό αυτοκτονιών μεταξύ των ασθενών με καρκίνο στον κόσμο. Έτσι, αν το καθεστώς που θεσπίστηκε στην παρούσα μελέτη χρησιμοποιείται στην κλινική πρακτική, μπορεί να μειώσει την οικονομική και ψυχική επιβάρυνση των ασθενών και να παρατείνει το χρόνο των ασθενών με καρκίνο του πνεύμονα. Οι αρχιτεκτονικές του SVM και Curvelets είναι απλή, διορθωθεί εύκολα, και είναι κατάλληλα για το σχεδιασμό του λογισμικού. Θα μπορούσε να χρησιμοποιηθεί σε καθημερινή ακτινολογική πράξη λόγω του πλεονεκτήματος της σε όχι πολύ μακριά στο μέλλον.

Υπάρχουν, ωστόσο, οι περιορισμοί που εμπλέκονται σε αυτή τη μελέτη. Το χρονικό διάστημα μεταξύ της πρώτης αξονική τομογραφία και την τελευταία αξονική τομογραφία είναι διαφορετική σε όλη ασθενείς.