研究目的
利用纹理分析和分类方法,基于T2磁共振图像开发脑肿瘤计算机辅助诊断(CAD)算法,并证明训练所需的输入数据无偏倚需要健康与非健康组织磁共振图像的特定比例。
研究成果
采用GLCM特征的ANN分类器在无偏输入数据(健康与非健康比例为35%:65%)下取得了100%的最佳灵敏度。对于该应用场景,GLCM纹理分析比DWT更高效。输入数据比例对AI训练的无偏性至关重要,建议使用更大规模数据集开展进一步研究。
研究不足
该研究使用的数据集相对较小,可能限制其普适性。ANFIS分类器需要大量数据,现有数据集可能导致潜在不准确性。这些方法仅应用于T2加权MRI图像,若采用其他MRI序列或更大规模数据集,结果可能会有所不同。
1:实验设计与方法选择:
本研究将纹理分析方法(灰度共生矩阵GLCM和小波变换DWT)与分类方法(人工神经网络ANN和自适应神经模糊推理系统ANFIS)相结合,直接对T2加权MRI脑肿瘤图像进行计算机辅助诊断(CAD),无需预处理或后处理。
2:样本选择与数据来源:
数据库包含来自MICCAI BraTS 2015和哈佛数据库的202例非健康MRI影像及希腊某医院的18例健康MRI影像(均由神经外科医生完成分割)。按35%健康样本和65%非健康样本比例构建子集以确保训练无偏。
3:实验设备与材料清单:
原始格式(mha、gif)的MRI影像经转换为jpeg格式后,实施颅骨剥离和锐化滤波处理。
4:实验流程与操作步骤:
通过阈值法和形态学运算实现颅骨剥离,继而采用高斯高通滤波进行图像锐化。纹理特征提取使用GLCM(13个特征)和结合主成分分析(PCA)降维的DWT方法。分类环节采用ANN(配备比例共轭梯度或Levenberg-Marquardt反向传播算法)与ANFIS系统。
5:数据分析方法:
基于混淆矩阵计算灵敏度、特异性和准确率等性能指标进行评估。
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