10_乳腺肿瘤的超声图像分析及良恶性判别教学教案.ppt

乳腺肿瘤的超声图像分析及良恶性判别;内容概要;概述;超声成像鉴别乳腺肿瘤的诊断基础;存在的问题;如何提高超声成像的诊断正确率;国内外研究现状 I ：研究对象一览;国内外研究现状 II ：系统流程一览;本课题内容的简要说明;本课题的主要研究工作和创新点;实验数据的获得;内容概要;基于灰度阈值分割和动态规划提取边缘的基本思路;输入超声图像;ROI的选取;ROI的预处理;分割阈值的选取：尝试过的方法;分割阈值的选取：本文采用的方法;阈值分割后初始边缘的提取;活动轮廓模型(Snake模型)简介;动态规划简介;基于活动轮廓模型的动态规划;迭代型动态规划修正肿瘤边缘的具体步骤;动态规划的修正结果;初始边缘和最终边缘在原始超声图上的显示;对比分析：初始边缘的定位对最终边缘的影响;初始边缘的手动调整;存在的问题;基于模糊域变换的图像增强技术;模糊域变换函数和增强函数示意图;关于乳腺肿瘤后方回声衰减或增强的灰度值校正 ;如何确定ROI是否需要进行回声校正 ;改进结果显示 I ：计算时间的减少;改进结果显示 II：初始边缘定位精度的提高(例一);基于原ROI预处理的初始边缘提取结果;改进结果显示 II：初始边缘定位精度的提高(例二);采用原算法的边缘提取结果(ROI、初始边缘、最终边缘);改进后算法的流程;改进算法仍不能解决的问题;ROI;解决方法：基于小波分析的初始边缘提取;为什么不采用基于小波系数模极大值的边缘检测方法？;ROI子图像的划分;初始扫描区的确定;分块图像的边缘点检测 I;分块图像的边缘点检测 II;对初始扫描区的校正;初始边缘的获得;实验一：对普通超声图像的边缘提取;实验二：对内部回声动态范围较大的乳腺肿瘤的边缘提取 I;实验二：对内部回声动态范围较大的超声图像的边缘提取 II;实验三：对存在弱边界的乳腺肿瘤的边缘提取 ;灰度阈值分割和小波分析提取初始边缘的计算用时对比 ;内容概要;乳腺肿瘤的形态特征提取;AR = 0.7892;何谓纹理特征？;乳腺肿瘤的纹理特征提取 I;肿瘤内部和环形边界区的示意图;乳腺肿瘤的纹理特征提取 II;乳腺肿瘤的纹理特征提取 III;超声图像中乳腺肿瘤形态特征参数一览 ;超声图像中乳腺肿瘤部分纹理特征参数一览;纹理特征类间距小的原因???析;肿瘤内部区域基于灰度共生矩阵的参数类间距一览表(φ=0°) ;肿瘤内部区域基于灰度共生矩阵的参数类间距一览表(φ=φmean) ;肿瘤环形边界区基于灰度共生矩阵的参数类间距一览表(φ=0°) ;肿瘤边界环形区基于灰度共生矩阵的参数类间距一览表(φ=φmean) ;基于灰度共生矩阵的系列参数类间距小的原因分析 ;基于小波分解的特征参数类间距一览 ;内容概要;基于类间距的特征参数初次筛选 ;BP网络拓扑结构的选择 ;BP网络的参数设定 ;BP网络输入样本的划分 ;基于形态特征参数的二次筛选和BP网络的分类结果 ; 首先从特征参数的类间距出发，选择类间距最高的几个特征构成基础特征组合，在该组合的基础上根据余下特征的类间距，和这些特征加入后对当前基础特征组合分类能力的贡献程度，依次增加基础特征组合中的参数，直至寻找到基于当前基础特征组合的最优解，然后选择类间距次高的几个特征构成新的基础特征组合，重复以上步骤。 ;组号;上表续;基于形态和纹理特征的三次筛选和BP网络的分类结果 I ; 首先对两类特征各自的降维参数进行组合，构成一个8维的特征空间，经BP网络训练和测试后，总的误判数为8例，其中FN=2，FP=6，误判数较采用单一的形态降维参数的结果有所上升 。;基于形态和纹理特征的三次筛选和BP网络的分类结果 III ;分类准确率(accuracy)为97.62%(82/84)； 敏感性(sensitivity)为100%(43/43)； 特异性(specificity)为95.12%(39/41)； 阴性预测率(NPV, negative predictive value)为100%(39/39)； 阳性预测率(PPV, positive predictive value)为95.56%(43/45)。 其中准确率=(TP+TN)/(TP+TN+FP+FN)，其中TP(true positive)和TN(true negative)分别表示恶性样本和良性样本中被正确分类的样本数；敏感性=TP/(TP+FN)；特异性=TN/(TN+FP)；PPV=TP/(TP+FP)；NPV=TN/(TN+FN)。 ;内容概要;总结和展望 I;在乳腺肿瘤形态和纹理特征提取方面，基本是借鉴了一些传统的参数定义，一些临床上使用较多的特征如后方回声衰减、侧壁声影、肿瘤内部的钙化灶等，由于缺少取样和计算的标准未在量化分析中引入； 研究中发现纹