研究目的
研究某种特定草药对特定疾病的治疗效果。
研究成果
提出了一种基于卷积神经网络的全自动计算机辅助诊断系统,用于从弥散加权成像中早期诊断前列腺癌。该系统执行三个基本步骤:前列腺分割、特征提取和分类。前列腺分割采用水平集可变形模型实现,其演化过程依赖于非负矩阵分解。随后计算不同b值下的ADC图以区分良恶性病例。分类步骤使用基于卷积神经网络的分类器完成,并将不同b值下CNN的检测结果与支持向量机进行对比。CNN的准确率表明该系统对所用磁场强度不敏感。
研究不足
基于弥散加权成像(DWI)的前列腺癌早期诊断CAD系统存在的主要缺陷是:其分类仅基于单一b值,且不同系统采用的b值各不相同。
1:实验设计与方法选择:
所提出的基于CNN的计算机辅助诊断(CAD)系统首先采用几何可变形模型对前列腺进行分割。该模型的演化过程由随机速度函数引导,该函数除形状先验外还利用了一阶和二阶外观模型。通过非负矩阵分解(NMF)模型实现这些引导标准的融合。随后计算分割后前列腺在各b值下的表观扩散系数(ADC),作为扫描前列腺血流扩散的成像标志物。为进行分类/诊断,训练三维CNN以提取这些ADC图中最具判别性的特征,用于区分良恶性前列腺肿瘤。
2:样本选择与数据来源:
使用从45名患者(20例良性,25例恶性)获取的七种不同b值弥散加权成像(DWI)数据集评估该CNN-CAD系统性能。这些DWI数据集通过两种不同磁场强度(1.5特斯拉和3特斯拉)的扫描仪采集。
3:5特斯拉和3特斯拉)的扫描仪采集。
实验设备与材料清单:
3. 实验设备与材料清单:两种不同磁场强度(1.5特斯拉和3特斯拉)的扫描仪。
4:5特斯拉和3特斯拉)的扫描仪。
实验流程与操作步骤:
4. 实验流程与操作步骤:该CNN-CAD系统执行三个基本步骤:前列腺分割、特征提取和分类。前列腺分割采用水平集可变形模型,其演化过程依赖NMF。随后计算不同b值下的ADC图以区分良恶性病例。分类步骤通过基于CNN的分类器完成。
5:数据分析方法:
比较CNN在不同b值下的准确率与支持向量机(SVM)的结果。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容