(3.236.214.19) 您好!臺灣時間:2021/05/06 22:01
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:吳佳宸
研究生(外文):Chia-Chen Wu
論文名稱:胰臟腫瘤超音波影像電腦輔助診斷系統之研發
論文名稱(外文):The Development of Computer Aided Diagnosis System for Pancreatic Tumor in Ultrasound Image
指導教授:蘇振隆蘇振隆引用關係
指導教授(外文):Jenn-Lung Su
學位類別:碩士
校院名稱:中原大學
系所名稱:醫學工程研究所
學門:工程學門
學類:綜合工程學類
論文種類:學術論文
論文出版年:2009
畢業學年度:97
語文別:中文
論文頁數:130
中文關鍵詞:形態特徵分析自我組織特徵映射類神經網路胰臟癌超音波影像紋理特徵分析
外文關鍵詞:Self-organizing mapMorphological feature analysisUltrasound imageTexture feature analysisPancreatic cancer
相關次數:
  • 被引用被引用:4
  • 點閱點閱:396
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
胰臟為人體消化道中重要的器官,卻由於受生理限制讓臨床醫師在進行診斷時具有困難度,而胰臟癌具有極高的致死率。腹部超音波在進行診斷時雖具有很多優點,但在原始超音波影像中容易產生雜訊而導致診斷效果不佳。而本研究之主要目的為研發一套胰臟腫瘤電腦輔助診斷系統,來提供醫師進行臨床診斷之參考意見。
首先將原始超音波影像在消除雜訊、增強對比度與進行邊緣偵測後,可分割出腫瘤之完整輪廓與計算出實際的面積與周長並進行紋理特徵參數分析與形態特徵參數分析。而將分析結果先利用獨立T-test進行篩選後,可找出具有鑑別力的特徵參數並輸入自我組織特徵映射類神經網路中,以不同的設定方式來進行分類。且在對照系統分類之結果與組織病理檢查之結果後,可對系統整體的診斷能力來進行測試與評估。在本研究中共使用40張胰臟超音波影像來進行系統之研發與評估,包括26張腫瘤影像與14張正常組織影像;而在26張腫瘤影像中,則包括9張良性腫瘤影像與17張惡性腫瘤影像。
由實驗結果可發現,系統利用分組訓練與測試的方式來分類腫瘤影像與正常組織影像時,效果會比利用Leave-one-out的方式好,其Accuracy、Sensitivity皆可達到1;且利用6個參考神經元來進行分類時,系統的診斷能力較好,也不會受測試組合影響。系統利用Leave-one-out的方式來分類良性腫瘤影像與惡性腫瘤影像時,其Accuracy可達到0.8462,而Sensitivity可達到1,且利用4個參考神經元來進行分類時,可提升系統診斷能力的Sensitivity。而在超音波影像中,腫瘤形態特徵參數的分類能力會比紋理特徵參數更好。共有8個特徵參數可有效分類腫瘤影像與正常組織影像,而其中4個特徵參數也可有效分類良性腫瘤影像與惡性腫瘤影像。此外,腫瘤的面積則是最重要的形態特徵參數;良性胰臟腫瘤的面積較小,且邊緣也較為平滑;而惡性胰臟腫瘤的面積較大,且邊緣也較為崎嶇。系統處理與分析單張影像所需的平均時間約為25秒。
在本研究中已初步研發出可增強原始超音波影像辨識度與具有特徵參數分析功能之整合式電腦輔助診斷系統,來協助臨床醫師進行診斷並提供參考意見,與降低病患遭誤判或進行侵入性檢查的機率。而系統未來可結合其他醫學影像,來對胰臟腫瘤進行較完整的評估。
The pancreas is one of the important gastrointestinal tract organs. Due to physiological limitations, a physician is hard to make an accurate diagnosis for patients, although the pancreatic cancer had an extreme mortality. The abdominal ultrasound is the most popular way for making a diagnosis; however, a noisy ultrasound image will reduce its overall diagnostic efficiency. The main purpose of this study is to develop a computer-aided diagnosis (CAD) system for pancreatic tumors in ultrasound images to provide a physician some diagnosis information.
In this study, after reducing noises, enhancing contrast, and detecting boundary in the original ultrasound image, an entire contour of a tumor was segmented, and its real area and perimeter was calculated to analyze texture and morphological features for this image. After evaluating the results by the independent T-test, the effective features were selected and severd as inputs in the self-organizing map (SOM) which fixed with different modes to classify the ultrasound images. The diagnostic efficiency of this CAD system was evaluated after comparing the classified results of ultrasound images with the pathological results of patients. Totally 40 pancreatic ultrasound images which included 26 pancreatic tumor images (abnormal data) and 14 normal pancreas images (normal data) were respectively used to develop and evaluate this CAD system. Besides, the 26 pancreatic tumor images included 9 benign tumor images (benign data) and 17 malignant tumor images (malignant data).
The primary results showed that this CAD system had a better performance by dividing into the training and testing groups than leave-one-out, and its accuracy and sensitivity both were 1 for classifying an ultrasound image as normal or abnormal. The diagnostic efficiency of this CAD system did not affect by grouping when it used 6 reference neurons to classify ultrasound images. When this CAD system classified a pancreatic tumor image as benign or malignant, its accuracy and sensitivity were 0.8462 and 1, respectively. Moreover, Sensitivity of this CAD system was increased when it used 4 reference neurons to classify the pancreatic tumor images. Morphological features had a better performance than texture features for tumor classification in a pancreatic tumor image. In this study, 8 features were proved to classify normal data and abnormal data effectively, and 4 of them were also proved to classify benign data and malignant data effectively. The area of a tumor was the most important morphological feature for tumor classification. A benign pancreatic tumor usually had a smaller area and a smoother contour than a malignant pancreatic tumor. The average time cost for this CAD system is 25 seconds to evaluate an ultrasound image.
In this study, the CAD system which combined image enhancement with feature analysis was developed. It could help a physician make a diagnosis, and decreased the probability of making an incorrect or an invasive diagnosis for patients. The CAD system could combine with other medical imaging to make a more complete evaluation tool for pancreatic tumors in the future.
摘要 I
Abstract III
誌謝 V
目錄 VI
圖索引 IX
表索引 XII
第一章 緒論 1
1-1前言 1
1-2國內外文獻回顧 1
1-3研究目的 3
1-4論文架構 4
第二章 理論基礎 5
2-1胰臟癌及超音波影像之簡介 5
2-1-1胰臟癌之生理特性 5
2-1-2超音波影像之特性 7
2-2影像前處理 8
2-2-1非等向性擴散濾波器 9
2-2-2直方圖等化法 13
2-3影像二值化分割與邊緣偵測 14
2-3-1最佳二值化分割法 14
2-3-2種子聚積區域成長法 17
2-4特徵參數分析 18
2-4-1紋理特徵分析 18
2-4-2形態特徵分析 21
2-5類神經網路分類法 24
2-6統計驗證方式 27
第三章 材料與方法 30
3-1材料與設備 30
3-2實驗流程 33
3-3實驗步驟說明 35
3-4系統介面說明與評估方式 38
第四章 結果與討論 43
4-1影像前處理結果 43
4-2二值化分割與邊緣偵測結果 46
4-3特徵參數分析結果 49
4-4類神經網路之訓練方式 52
4-5系統診斷能力評估結果 54
4-5-1分類腫瘤影像與正常組織影像之測試結果 54
4-5-2分類良性腫瘤影像與惡性腫瘤影像之測試結果 60
4-6系統使用效能評估結果 63
4-7遭誤判病例之討論 65
4-8系統功能之限制 67
4-9研究結果之貢獻 68
第五章 結論與未來展望 70
5-1結論 70
5-2未來展望 71
參考文獻 73
附錄A 78
附錄B 85
附錄C 88
附錄D 94
附錄E 100
附錄F 106
附錄G 112
作者自述 118



圖索引
圖1 胰臟的生理位置 ............................................................................... 6
圖2 各種癌症的五年存活率 ................................................................... 7
圖3 胰臟腫瘤之腹部超音波影像 ........................................................... 8
圖4 影像利用非等向性擴散濾波器來消除雜訊 ................................... 9
圖5 影像中邊緣與鄰近像素之間的梯度變化情況 ............................. 10
圖6 不同擴散係數控制濾波能力之情況 (K=10) ............................... 11
圖7 不同擴散係數控制濾波能力之情況 (K=20) ............................... 12
圖8 影像中物體與背景的灰階值分布圖 ............................................. 16
圖9 影像利用種子聚積區域成長法來偵測邊緣 ................................. 18
圖10 不同偏態值之直方圖 ................................................................... 19
圖11 不同峭度值之直方圖 .................................................................... 20
圖12 良性胰臟炎腫瘤的EUS 影像 ...................................................... 20
圖13 惡性胰臟癌腫瘤的EUS 影像 ...................................................... 20
圖14 不同乳癌腫瘤超音波影像的形態變化 ....................................... 21
圖15 不同乳癌腫瘤超音波影像之輪廓差異 ....................................... 21
圖16 腫瘤正規化徑向長度之分布情況 ............................................... 22
圖17 得勝神經元鄰近區域範圍的變化情況 ....................................... 25
圖18 SOM 類神經網路的模型 ............................................................... 26
圖19 正常胰臟組織之超音波影像 ....................................................... 30
圖20 惡性胰臟癌腫瘤之超音波影像 ................................................... 31
圖21 良性胰臟炎腫瘤之超音波影像 ................................................... 31
圖22 系統分類胰臟超音波影像的方式 ............................................... 32
圖23 本研究之實驗設計流程圖 ........................................................... 34
圖24 二維空間中的八鄰域非等向性擴散濾波器 ............................... 35
圖25 利用SOM 類神經網路來進行分類的流程圖 ............................ 37
圖26 本研究之系統使用流程圖 ........................................................... 38
圖27 系統載入原始影像與手動圈選ROI 影像之情況 ...................... 40
圖28 系統進行雜訊濾波、對比度增強、二值化分割後之影像 ....... 40
圖29 系統顯示圖28 中各影像之灰階直方圖 ..................................... 41
圖30 系統進行邊緣偵測後之二值化影像 ........................................... 41
圖31 系統記錄影像特徵參數分析結果之文件 ................................... 42
圖32 利用不同K 值來進行濾波之影像 .............................................. 44
圖33 利用不同K 值來進行濾波之影像 .............................................. 44
圖34 利用不同K 值來進行濾波之影像 .............................................. 45
圖35 利用不同K 值來進行濾波之影像 .............................................. 45
圖36 利用直方圖等化法來增強對比度之影像 ................................... 46
圖37 利用直方圖等化法來增強對比度之影像 ................................... 46
圖38 利用最佳二值化分割法來分割初始輪廓之影像 ....................... 47
圖39 利用最佳二值化分割法來分割初始輪廓之影像 ....................... 47
圖40 利用不同臨界值來偵測邊緣之影像 ........................................... 47
圖41 利用不同臨界值來偵測邊緣之影像 ........................................... 47
圖42 利用閉合法來偵測完整輪廓之影像 ........................................... 48
圖43 利用閉合法來偵測完整輪廓之影像 ........................................... 48
圖44 利用T-test 來比較腫瘤影像與正常組織影像之差異 ................ 50
圖45 利用T-test 來比較良性腫瘤影像與惡性腫瘤影像之差異 ........ 50
圖46 ROI 影像與病例編號..................................................................... 56
圖47 系統利用Leave-one-out 方式來進行分類後之結果 .................. 56
圖48 系統利用分組方式來進行分類後Accuracy 之變化 .................. 58
圖49 系統利用分組方式來進行分類後Sensitivity 之變化 ................ 59
圖50 系統利用分組方式來進行分類後Specificity 之變化 ................ 59
圖51 系統利用分組方式來進行分類後Kappa 值之變化 ................... 59
圖52 資料利用SOM 類神經網路來進行分類後之結果 .................... 60
圖53 系統利用Leave-one-out 方式來進行分類後之結果 .................. 61
圖54 系統只利用單一特徵來進行分類後Accuracy 之變化 .............. 61
圖55 系統只利用單一特徵來進行分類後Sensitivity 之變化 ............ 62
圖56 系統只利用單一特徵來進行分類後Specificity 之變化 ............ 62
圖57 系統只利用單一特徵來進行分類後Kappa 值之變化 ............... 62



表索引
表1 積分常數λ 的範圍值 ..................................................................... 13
表2 決策矩陣於病理檢查上的應用方式 ............................................. 27
表3 不同胰臟腫瘤在臨床研究上之差異 ............................................. 33
表4 所有影像的組成方式 ..................................................................... 49
表5 腫瘤影像的組成方式 ..................................................................... 49
表6 腫瘤影像與正常組織影像之特徵參數分析結果 ......................... 51
表7 良性腫瘤影像與惡性腫瘤影像之特徵參數分析結果 ................. 52
表8 訓練與測試系統分類能力的方式 ................................................. 53
表9 設定SOM 類神經網路神經元的方式 ........................................... 54
表10 訓練組與測試組影像之分配方式 ............................................... 57
表11 系統測試組合之影像分配方式與病例編號 ............................... 57
表12 利用SOM 類神經網路來進行單次分類所需的時間 ................ 63
表13 系統利用不同特徵組合來進行分類後之最佳表現 ................... 64
表14 利用SOM 類神經網路來進行單次分類所需的時間 ................ 64
表15 遭系統所誤判病例之特徵參數分析結果 ................................... 66
[1]行政院衛生署,“95年國人主要死因統計”,行政院衛生署 http://www.doh.gov.tw/,2007年6月。
[2]行政院衛生署,“96年國人主要死因統計”,行政院衛生署 http://www.doh.gov.tw/,2008年5月。
[3]行政院衛生署,“97年國人主要死因統計”,行政院衛生署 http://www.doh.gov.tw/,2009年6月。
[4]王道還,“胰臟癌”,科學發展,2007, 417: 78。
[5]邱瀚模,“淺談胰臟癌~從名人的死談起”,台大醫網 http://www.ntuh.gov.tw/healthy/Healthy/,2005, 24: 25-28。
[6]張明志,“化療雖無法緩解,但能延長存活期及改善生活品質-胰臟癌”,健康世界,2008, 267: 51-55。
[7]吳沅樺、林炳文、蘇五洲、陳海雯,“組織切片證實為胰臟癌的放射治療成果”,放射治療與腫瘤學,2004, 11(2): 81-89。
[8]Eliza E. Long, Jacques Van Dam, Stefanie Weinstein, Brooke Jeffrey, Terry Desser, and Jeffrey A. Norton, “Computed tomography, endoscopic, laparoscopic, and intra-operative sonography for assessing respectability of pancreatic cancer,” Surgical Oncology, 2005, 14: 105-113.
[9]Z. Amin, B. Theis, R.C.G. Russell, C. House, M. Novelli, and W.R. Lees, “Diagnosing pancreatic cancer: the role of percutaneous biopsy and CT,” Clinical Radiology, 2006, 61: 996-1002.
[10]陳建華,“膽道、胰臟內視鏡超音波術”,健康世界,2003, 206: 31-34。
[11]K. Akahoshi, Y. Chijiiwa, I. Nakano, H. Nawata, Y. Ogawa, M. Tanaka, E. Nagai, and M. Tsuneyoshi, “Diagnosis and staging of pancreatic cancer by endoscopic ultrasound,” The British Journal of Radiology, 1998, 71: 492-496.
[12]Arzu Arslan, Trond Buanes, and Jonn Terje Geitung, “Pancreatic carcinoma: MR, MR angiography and dynamic helical CT in the evaluation of vascular invasion,” European Journal of Radiology, 2001, 38: 151-159.
[13]Sabine Fenchel, Daniel T. Boll, Thorsten R. Fleiter, Hans-Juergen Brambs, and Elmar M. Merkle, “Multislice helical CT of the pancreas and spleen,” European Journal of Radiology, 2003, 45: 59-72.
[14]Mehtap Tunaci, “Multidetector row CT of the pancreas,” European Journal of Radiology, 2004, 52: 18-30.
[15]Funda Obuz, Oguz Dicle, Ahmet Coker, Ozgul Sagol, and Sedat Karademir, “Pancreatic adenocarcinoma: detection and staging with dynamic MR imaging,” European Journal of Radiology, 2001, 38: 146-150.
[16]C. N. Liu, Mostafa Fatemi, and R. C. Waag, “Digital processing for improvement of ultrasonic abdominal images,” IEEE Transactions on Medical Imaging, 1983, 2(2): 66-75.
[17]P. A. Venkatachalam, Ahmad Fadzil Mohd Hani, Umi Kalthum Ngah, and Lim Eng Eng, “Processing of abdominal ultrasound images using seed based region growing method,” International Conference on Intelligent Sensing and Information Processing, 2004: 57-62.
[18]Lori Mann Bruce, and Reza R. Adhami, “Classifying mammographic mass shapes using the wavelet transform modulus-maxima method,” IEEE Transactions on Medical Imaging, 1999, 18(12): 1170-1177.
[19]Yi-Hong Chou, Chui-Mei Tiu, Guo-Shian Hung, Shiao-Chi Wu, Tiffany Y. Chang, and Huihua Kenny Chiang, “Stepwise logistic regression analysis of tumor contour features for breast ultrasound diagnosis,” Ultrasound in Medicine and Biology, 2001, 27(11): 1493-1498.
[20]Ruey-Feng Chang, Wen-Jie Wu, Woo Kyung Moon, and Dar-Ren Chen, “Automatic ultrasound segmentation and morphology based diagnosis of solid breast tumors,” Breast Cancer Research and Treatment, 2005, 89: 179-185.
[21]André V. Alvarenga, Wagner C. A. Pereira, Antonio Fernando C. Infantosi, and Carolina M. de Azevedo, “Classification of breast tumours on ultrasound Images using morphometric parameters,” IEEE International Workshop on Intelligent Signal Processing, 2005: 206-210.
[22]Yasser M. Kadah, Aly A. Farag, Jacek M. Zurada, Ahmed M. Badawi, and Abou-Bakr M. Youssef, “Classification algorithms for quantitative tissue characterization of diffuse liver disease from ultrasound images,” IEEE Transactions on Medical Imaging, 1996, 15(4): 466-478.
[23]Abou zaid Sayed Abou zaid, Mohamed Waleed Fakhr, and Ahmed Farag Ali Mohamed, “Automatic diagnosis of liver diseases from ultrasound images,” International Conference on Computer Engineering and Systems, 2006: 313-319.
[24]Shingo Iwano, Tatsuya Nakamura, Yuko Kamioka, and Takeo Ishigaki, “Computer-aided diagnosis: a shape classification of pulmonary nodules imaged by high-resolution CT,” Computerized Medical Imaging and Graphics, 2005, 29: 565-570.
[25]Shingo Iwano, Tatsuya Nakamurab, Yuko Kamiokac, Mitsuru Ikeda, and Takeo Ishigaki, “Computer-aided differentiation of malignant from benign solitary pulmonary nodules imaged by high-resolution CT,” Computerized Medical Imaging and Graphics, 2008, 32: 416-422.
[26]Ananya Das, Cuong C. Nguyen, Feng Li, and Baoxin Li, “Digital image analysis of EUS images accurately differentiates pancreatic cancer from chronic pancreatitis and normal tissue,” Gastrointestinal Endoscopy, 2008, 67(6): 861-867.
[27]Dar-Ren Chen, Ruey-Feng Chang, and Yu-Len Huang, “Breast cancer diagnosis using self-organizing map for sonography,” Ultrasound in Medicine and Biology, 2000, 26(3): 405-411.
[28]Yu-Len Huang, and Dar-Ren Chen, “Watershed segmentation for breast tumor in 2-D sonography,” Ultrasound in Medicine and Biology, 2004, 30(5): 625-632.
[29]孫明祥、蔡宏名、俞芹英、陳炯瑜、林炳文,“胰臟癌的模仿者:長在胰臟頭部的偽腫瘤”,中華放射線醫學雜誌,2005, 30(1): 47-53。
[30]張毓廷,“其實不少見的~膽管癌”,台大醫網 http://www.ntuh.gov.tw/healthy/Healthy/,2008, 42: 24-26。
[31]莊克士,“醫學影像物理學”,合記圖書出版社,台北,2003: 269, 291。
[32]繆紹綱 編譯(Gonzalez Woods 原著),“數位影像處理”,普林斯頓國際有限公司,台北,2003: 92-98, 123-129, 560-597。
[33]Pietro Perona and Jitendra Malik, “Scale-space and edge detection using anisotropic diffusion,” IEEE Transactions on Pattern Analysis and Machine Intelligence, 1990, 12(7): 629-639.
[34]王漢元,“以非均向濾波器處理醫學影像分割”,中原大學電機工程系碩士論文,中壢,民國八十八年七月。
[35]黃子瑄,“利用小波轉換特徵之紋理影像檢索系統”,逢甲大學電機工程系碩士論文,台中,民國九十三年六月。
[36]黃良華,“應用理想解類似度順序偏好法於偏光膜之瑕疵檢測”,國立台灣科技大學高分子工程系碩士論文,台北,民國九十三年七月。
[37]陳泓儒,“利用超音波技術建立燒傷疤痕評估系統”,國立成功大學醫學工程研究所碩士論文,台南,民國九十四年六月。
[38]林志明,“應用超音波技術於人類卵泡之評估”,國立成功大學醫學工程研究所碩士論文,台南,民國九十七年一月。
[39]M. Nafi Gurcan, Yasemin Yardimci, A. Enis Cetin, and Rashid Ansari, “Detection of microcalcifications in mammograms using higher order statistics,” IEEE Signal Processing Letters, 1997, 4(8): 213-216.
[40]曾林維,“利用紋理分析於電腦斷層影像偵測急性缺血性中大腦動脈中風”,中原大學醫學工程系碩士論文,中壢,民國九十五年七月。
[41]Dar-Ren Chen, Ruey-Feng Chang, and Yu-Len Huang, “Computer-aided diagnosis applied to US of solid breast nodules by using neural networks,” Radiology, 1999, 213: 407-412.
[42]洪國賢,“腫瘤形狀特徵多變數分析技術應用於超音波乳癌診斷研究”,國立陽明大學醫學工程研究所碩士論文,台北,民國八十九年六月。
[43]洪國賢、周宜宏、刁翠美、吳肖琪、江惠華,“腫瘤影像形狀特徵多變數邏輯式回歸分析應用於乳房固質結節的超音波診斷”,中華放射線醫學雜誌,2001, 26(5): 203-208。
[44]賴宣宇,“電腦輔助診斷系統於乳房腫瘤X光與超音波影像之整合應用”,中原大學醫學工程系碩士論文,中壢,民國九十四年七月。
[45]劉自強,“骨骼肌肉系統軟組織腫瘤之超音波影像電腦輔助診斷”,國立陽明大學醫學工程研究所碩士論文,台北,民國九十四年七月。
[46]陳德華,“混合特徵資料的自我組織特徵映射網路”,中原大學應用數學系碩士論文,中壢,民國九十二年六月。
[47]王政偉,“結合小波轉換與類神經網路辨別電力開關之切換”,中原大學電機工程研究所碩士論文,中壢,民國九十二年七月。
[48]鄭煥勲,“肺臟腫瘤於動態顯影CT影像之特徵分析”,中原大學醫學工程系碩士論文,中壢,民國九十五年七月。
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔