(18.210.12.229) 您好!臺灣時間:2021/03/03 17:32
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:陳冠文
研究生(外文):Guan-Wen Chen
論文名稱:電腦輔助診斷系統應用於胰臟腫瘤辨識之研發
論文名稱(外文):The Development of Computer-Aided Diagnosis System for Pancreatic Tumor Recognition
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:生物醫學工程研究所
學門:工程學門
學類:生醫工程學類
論文種類:學術論文
論文出版年:2015
畢業學年度:103
語文別:中文
論文頁數:170
中文關鍵詞:支持向量機紋理特徵分析斷層掃描影像胰臟腫瘤GVF snake輪廓圈選
外文關鍵詞:GVF Snake ContourPancreatic tumorsSupport vector machinesTexture feature analysisCT images
相關次數:
  • 被引用被引用:2
  • 點閱點閱:131
  • 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之重要器官,致死率極高的胰臟癌不易早期偵測。此外,因胰臟炎而引發胰臟囊腫的病患,未來也較容易罹患胰臟癌。不同胰臟腫瘤之致死率、嚴重性、癒後效果皆不盡相同,進而會影響臨床醫師進行診斷與治療的效果。故本研究之目的為研發電腦輔助診斷系統於胰臟腫瘤辦識應用。
首先以中值濾波器與小波轉換法對原始CT影像進行影像前處理及增強;再利用GVF snake圈選胰臟腫瘤輪廓並進行紋理參數與特徵參數分析。而將分析結果先利用獨立T-test進行篩選後,找出具有鑑別能力的特徵參數並進行支持向量機的分類。且在對照系統分類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。研究中使用有施打顯影劑之CT影像68張(6張正常組織影像、10張惡性腫瘤影像、6張良性腫瘤影像、13張易癌變囊腫影像、33張發炎性偽囊腫影像);未施打顯影之CT影像68張(6張正常組織影像、12張惡性腫瘤影像、3張良性腫瘤影像、16張易癌變囊腫影像、31張發炎性偽囊腫影像) 來進行系統之研發與評估。
由實驗結果顯示:1.有施打顯影劑之影像部分,正常組織影像與腫瘤影像之(第一階段)分類,效能為Sensitivity=1,Specificity=1,Accuracy=1,Kappa=1;實質腫瘤影像與囊狀腫瘤影像之(第二階段)分類,效能為 Sensitivity=0.87,Specificity=1,Accuracy=0.96,Kappa=0.91;實質腫瘤影像再細分為良性腫瘤影像與惡性腫瘤影像之(第三階段)分類,效能為Sensitivity=1,Specificity=1,Accuracy=1,Kappa=1;囊狀腫瘤影像再細分為易癌變囊腫影像與發炎性偽囊腫影像之(第三階段)分類,效能為Sensitivity=1,Specificity=0.94,Accuracy=0.95,Kappa=0.89。2.未施打顯影劑之影像部分,腫瘤影像與正常組織影像之(第一階段)分類,效能為Sensitivity=1,Specificity=1,Accuracy=1,Kappa=1;實質腫瘤影像與囊狀腫瘤影像之(第二階段)分類,效能為Sensitivity=0.71,Specificity=1,Accuracy=0.93,Kappa=0.79;實質腫瘤影像再細分為良性腫瘤影像與惡性腫瘤影像之(第三階段)分類,效能為Sensitivity=1,Specificity=1,Accuracy=1,Kappa=1;囊狀腫瘤影像再細分為易癌變囊腫影像與發炎性偽囊腫影像之(第三階段)分類,效能為Sensitivity=1,Specificity=0.94,Accuracy=0.95,Kappa=0.89。此外在有施打顯影劑的影像,以l_Average、c_Average、g_Entropy、c_Entropy、Lesion_Entropy、Area及Lesion_Mean,這7個參數適合作為不同胰臟腫瘤辨識之依據。而在未施打顯影劑的影像,以l_Average、g_Entropy、c_Entropy及Area,這4個參數也適合作為不同胰臟腫瘤分類之判讀,這些能協助醫師進行診斷之參考與提供參考意見。
本研究已初步研發出可增強CT影像應用於胰臟腫瘤辨識度,並且具有特徵參數分析之電腦輔助診斷系統,可有效降低病患遭誤診與進行侵入性檢查的機率。目前系統對有無顯影劑之影像的診斷效能相近,尚需要更多的影像資料進行評估,以確定病患施打顯影劑的必要性。


The pancreas is the important organ in the digestive tract of human body. The pancreatic cancer has an extreme mortality, because it is hard to be detected in the early stage for physicians. Moreover, patients with the pancreatitis cysts easily suffer from the pancreatic cancer in the near future. The mortality, severity, and prognosis of different pancreatic tumors are not similar. However, the pathological differences of them usually lead to a dissimilar diagnosis and/or treatment for patients. The purpose of this study is to develop the computer-aided diagnosis (CAD) system for pancreatic tumor to recognize application.
First of all, the original CT image was preprocessed and enhanced by using median filter and wavelet transform. Secondly, GVF snake circle pancreatic tumors contours to analyze texture parameters and feature parameters for this image. After evaluating the results by the independent T-test, the effective features were selected and severed as inputs in the support vector machines (SVM). The diagnostic efficiency of this CAD system was evaluated after comparing the classified results of CT images with the pathological results of patients. Totally, 68 CT images (6 normal pancreas, 10 benign tumor, 6 malignant tumor, 13 pancreatic cystic neoplasm, 33 pancreatitis pseudo cyst) and 68 CT images (6 normal pancreas, 12 benign tumor, 3 malignant tumor, 16 pancreatic cystic neoplasm, 31 pancreatitis pseudo cyst) with/without injected contrast media were used to develop and evaluate this CAD system, respectively.
The performances of system show as following: 1. For CT images with injected contrast medium (enhanced), the system can distinguish between the tissue of normal and tumor (the first stage classification) with sensitivity=1, specificity=1, accuracy=0.873, and kappa=0.839; and the tumor of parenchymal and cystic (the second stage classification) with sensitivity=0.87, specificity=1, accuracy=0.96, and kappa=0.91; and parenchymal tumor subdivided into the tumor of benign and malignant (the third stage classification) with sensitivity=1, specificity=1, accuracy=1, kappa=1; and cystic tumor subdivided into the cystic neoplasm of pancreatic and Pancreatitis Pseudo-cyst (the third stage classification) with sensitivity=1, specificity=0.94, accuracy=0.95, kappa=0.89, respectively. 2. For regular CT images, the system can distinguish between the tissue of normal and tumor (the first stage classification) with sensitivity=1, specificity=1, accuracy=1, and kappa=1; and the tumor of parenchymal and cystic (the second stage classification) with sensitivity=0.71, specificity=1, accuracy=0.93, and kappa=0.79; and parenchymal tumor subdivided into the tumor of benign and malignant (the third stage classification) with sensitivity=1, specificity=1, accuracy=1, and kappa=1; and cystic tumor subdivided into the cystic neoplasm of pancreatic and Pancreatitis Pseudo-cyst (the third stage classification) with sensitivity=1, specificity=1, accuracy=1, and kappa=1, respectively. Moreover, for enhanced CT images, seven parameters (l_Average, c_Average, g_Entropy, c_Entropy, Lesion_Entropy, Area, and Lesion_Mean) suitable as the basis for recognition of pancreatic cancer. While for regular CT images, four parameters (l_Average, g_Entropy, c_Entropy, and Area) are also suitable as different interpretation of pancreatic tumor classification, which provide physicians as diagnosis reference.
This study has already developed a computer aided diagnosis system for detecting pancreatic cancer in the early stage. We hope this system could effectively decrease the probability of misdiagnosis and/or making an invasive diagnosis for patients. So far, there is no significant difference for the performance of system for regular and enhanced CT images. However, we still need more data to evaluate and confirm the necessity of injecting medical contrast medium into patients during the diagnosis of pancreatic tumors.


目錄
摘要 I
Abstract III
謝誌 VI
目錄 VII
表索引 IX
圖索引 XI
第一章 緒論 1
1-1前言 1
1-2研究背景 2
1-2國內外文獻回顧 5
1-3 研究目的 8
1-4論文架構 9
第二章 理論基礎 10
2-1 CT影像成像原理 10
2-2影像前處理 11
2-3影像增強 12
2-4影像分割 15
2-4-1 常用影像分割方法 16
2-4-2 GVF snake輪廓圈選 18
2-5特徵參數分析 20
2-5-1 紋理特徵分析 20
2-5-2 形態特徵分析 22
2-6支持向量機分類法 23
2-7系統評估方式 31
第三章 研究材料與方法 33
3-1研究材料與設備 33
3-1-1 研究材料 33
3-1-2 研究設備 34
3-2研究流程 36
3-3研究方法 40
3-3-1 影像前處理 40
3-3-2 影像增強 40
3-3-3 影像分割 42
3-3-4 紋理及特徵參數擷取 43
3-3-5 各參數適用性之評估 44
3-3-6 影像分類 45
3-3-7 系統診斷結果評估 45
第四章 結果與討論 47
4-1影像前處理結果 47
4-2 GVF Snake 輪廓圈選分割結果 48
4-2-1 驗證Gradient Vector Flow矩陣 48
4-2-2 決定GVF Snake輪廓圈選之參數 49
4-2-3 疊代次數測試 51
4-2-4 GVF Snake輪廓圈選再現性 52
4-3 特徵參數正確性之評估 53
4-3-1 測試影像圈選結果 54
4-3-2 紋理參數擷取之驗證 55
4-3-3 特徵參數函式計算之驗證 57
4-4 特徵參數適應性評估 58
4-4-1 特徵參數的表現及意義 58
4-4-2 適用之有顯影影像特徵參數 60
4-4-3 適用之無顯影影像特徵參數 66
4-5 系統診斷結果 71
4-5-1 有顯影影像之測試結果 72
4-5-2 無顯影影像之測試結果 78
4-6 系統分類之設定 84
4-7 系統分類結果之討論 88
4-8 遭誤判病例之討論 92
4-9 與先前其他系統之比較 95
4-9-1 實驗室開發CT於胰臟腫瘤研發之比較 95
4-9-2 實驗室開發US於胰臟腫瘤辨識之比較 98
4-10 系統功能之限制 100
4-11 系統程式介紹 101
4-11-1 操作流程 101
4-11-2 程式介面 106
4-11-3 演算式控制介面說明 108
第五章 結論及未來展望 110
5-1 結論 110
5-2 未來展望 113
參考文獻 115
附錄A 120
附錄B 138
作者自述 156
表索引
表1-1 不同胰臟腫瘤病理特性之差異 4
表2-1 人體組織CT值 11
表2-2 決策矩陣於病理檢查上的應用方式 32
表3-1 影像分組 39
表4-1 影像前處理結果之比較 48
表4-2 有顯影CT影像的組成方式 60
表4-3 腫瘤組織與正常組織影像之特徵參數分析結果 61
表4-7 無顯影CT影像的組成方式 66
表4-8 腫瘤組織與正常組織影像之特徵參數分析結果 67
表4-9 實質腫瘤與囊狀腫瘤影像之特徵參數分析結果 68
表4-10 惡性腫瘤與良性腫瘤影像之特徵參數分析結果 69
表4-11 易癌變囊腫與發炎性偽囊腫影像之特徵參數分析結果 71
表4-12 訓練組與測試組影像之分配方式 73
表4-13 第一階段有顯影分類腫瘤組織與正常組織結果表 73
表4-14 第一階段有顯影分類效能表 73
表4-15 訓練組與測試組影像之分配方式 74
表4-16 第二階段有顯影分類實質腫瘤與囊狀腫瘤結果表 74
表4-17 第二階段有顯影分類效能表 75
表4-18 Leave-one-out影像之分配方式 75
表4-19 第三階段有顯影分類惡性腫瘤與良性腫瘤結果表 75
表4-20 第三階段有顯影分類(惡性與良性)效能表 76
表4-21 訓練組與測試組影像之分配方式 76
表4-22 第三階段有顯影分類易癌變囊腫與發炎性偽囊腫結果表 77
表4-23 第三階段有顯影分類(易癌變與發炎性)效能表 77
表4-24 有顯影CT影像之系統效能 78
表4-25 訓練組與測試組影像之分配方式 79
表4-26 第一階段無顯影分類腫瘤組織與正常組織結果表 79
表4-26 第一階段無顯影分類效能表 80
表4-27 訓練組與測試組影像之分配方式 80
表4-28 第二階段無顯影分類實質腫瘤與囊狀腫瘤結果表 81
表4-29 第二階段無顯影分類效能表 81
表4-30 Leave-one-out影像之分配方式 81
表4-31 第三階段無顯影分類惡性腫瘤與良性腫瘤結果表 82
表4-32 第三階段無顯影分類(惡性與良性)效能表 82
表4-33 訓練組與測試組影像之分配方式 83
表4-34 第三階段無顯影分類易癌變囊腫與發炎性偽囊腫結果表 83
表4-35 第三階段無顯影分類(易癌變與發炎性)效能表 83
表4-36 無顯影CT影像之系統效能 84
表4-37 有顯影有效之特徵值 86
表4-38 無顯影有效之特徵值 86
表4-39 有顯影與無顯影的系統效能比較 90
表4-40 遭系統誤判之特徵參數分析結果(有顯影第二階段) 94
表4-41 遭系統誤判之特徵參數分析結果(有顯影第三階段囊腫) 94
表4-42 遭系統誤判之特徵參數分析結果(無顯影第二階段) 95
表4-43 本研究與之前系統比較 97
表4-44 本研究與之前分類效能比較 98
表4-45 CT與US效能比較 99


圖索引
圖1-1各種癌症的五年存活率 2
圖1 2 胰臟的生理位置 4
圖2-1 3×3影像像素值 12
圖2-2 一維離散小波轉換的分解的程序 13
圖2-3 小波轉換Lena 示意圖 13
圖2-4 Lena 一階二維小波轉換 14
圖2-5 二維離散小波分解程序 14
圖2-6 二階的小波分解產生之次頻帶 14
圖2-8 邊界追蹤蟲 17
圖2-9 g及c參數示意圖 21
圖2-10 胰臟腫瘤斷層掃描影像 22
圖2-11 資料空間 24
圖2-12 邊界追蹤蟲 25
圖2-13 線性不可分離 27
圖2-14 線性不可分離 29
圖2-18 over-fitting的情況 31
圖3-1 正常胰臟組織之CT影像 35
圖3-2 胰臟實質腫瘤之CT影像 35
圖3-3 胰臟囊狀腫瘤之CT影像 35
圖3-4 系統流程圖 36
圖3-5 系統分類影像之方式 38
圖3-6 影像濾波 40
圖3-7 系影像增強 41
圖3-8 影像分割 43
圖3-9 紋理參數l隨角度之變化 44
圖3-10 影像分類流程 45
圖4-1 U-shape測試影像之GVF圖 49
圖4-2 α值的測試結果 50
圖4-3 無增加輪廓圈選參考點的GVF Sanke圈選結果 50
圖4-1 GVF Snake輪廓圈選之測試結果 50
圖4-5 疊代次數的差異圖 51
圖4-6 GVF Snake於針刺狀測試影像之結果 51
圖4-7 手動給點之初始輪廓與圈選結果 52
圖4-8 自動給點之初始輪廓與圈選結果 53
圖4-9 不同初始輪廓與圈選結果 53
圖4-10 紋理參數之測試影像 54
圖4-11 測試影像圈選結果 55
圖4-12 觀察紋理參數a、l、g及c表現之視窗 56
圖4-13 腫瘤組織與正常組織影像之參數p值統計圖 61
圖4-14 實質腫瘤與囊狀腫瘤影像之參數p值統計圖 62
圖4-15 惡性腫瘤與良性腫瘤影像之參數p值統計圖 63
圖4-16 易癌變囊腫與發炎性偽囊腫影像之參數p值統計圖 65
圖4-17 腫瘤組織與正常組織影像之參數p值統計圖 67
圖4-18 實質腫瘤與囊狀腫瘤影像之參數p值統計圖 68
圖4-19 惡性腫瘤與良性腫瘤影像之參數p值統計圖 69
圖4-20 易癌變囊腫與發炎性偽囊腫影像之參數p值統計圖 70
圖4-21 有顯影之ROI影像 72
圖4-22 無顯影之ROI影像 78
圖4-23 有顯影之特徵值分佈 87
圖4-24 無顯影之特徵值分佈 87
圖4-25 系統預測分類圖 88
圖4-26 比較同患者影像處理後之結果 91
圖4-27 有顯影之誤判病例 92
圖4-28 無顯影之誤判病例 92
圖4-29 子影像的類別 96
圖4-30 重疊計算之區域 100
圖4-31 系統介面操作流程圖 102
圖4-32 系統之檔案選擇視窗 102
圖4-33 系統之選擇影像類型視窗 103
圖4-34 系統之影像ROI圈選 104
圖4-35 系統之ROI影像初始輪廓 105
圖4-36 系統之ROI影像 105
圖4-37 系統之特徵參數於腫瘤 106
圖4-38 系統主要介面圖 108
圖4-39 影像處理參數介面 108

[1]蘇振隆,“結合CT與US影像於胰臟腫瘤電腦輔助診斷系統之研發”,行政院國家科學委員會專題研究計畫,2013, NSC 102-2221-E-033-005。
[2]行政院衛生署,“100年國人主要死因統計”,http://www.doh.gov.tw/,2012年5月。
[3]行政院衛生署,“101年國人主要死因統計”,http://www.doh.gov.tw/,2013年6月。
[4]行政院衛生署,“102年國人主要死因統計”,http://www.doh.gov.tw/,2014年6月。
[5]王道還,“胰臟癌”,科學發展,2007, 417: 78。
[6]何家奭、蔡明宏,“慢性胰臟炎合併膽道阻塞-病例報告及文獻回顧”,童綜合醫學雜誌,2011, 5(2): 78-83。
[7]廖漢文,“急性胰臟炎-臨床與影像診斷的深入探討”,當代醫學,2011, 455: 668-674。
[8]張毓廷,“其實不少見的~膽管癌”,http://health.ntuh.gov.tw/health/hrc_v3/nForm6.aspx (台大醫網),2008, 42: 24-26。
[9]邱瀚模,“淺談胰臟癌~從名人的死談起”,http://health.ntuh.gov.tw/health/hrc_v3/nForm6.aspx (台大醫網),2005, 24: 25-28。
[10]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。
[11]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。
[12]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。
[13]林裕鴻、王俊雄、牟聯瑞、林逸文,“合併實心與囊狀的胰臟腫瘤-2 病例報告”,秀傳醫學雜誌,2000, 2(2): 81-84。
[14]莊世昌、沈柏青、張文燦、王森稔、郭功楷、陳榮祥、李金德,“胰臟實質及囊性腫廇─3 病例報告”,高雄醫誌,2002, 18(6): 314-318。
[15]刁翠美、潘慧本、許重權、周宜宏,“醫用超音波對診斷腹部腫塊之應用”,中華放射線醫學雜誌,1983, 8(1): 29-38。
[16]田郁文、李伯皇,“胰臟癌”,臺灣醫學,2006, 10(4): 493-499。
[17]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。
[18]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.
[19]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.
[20]陳建華,“膽道、胰臟內視鏡超音波術”,健康世界,2003, 206: 31-34。
[21]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.
[22]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。
[23]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。
[24]Krit Somkantha, Nipon Theera-Umpon, and Sansanee Auephanwiriyakul, “Boundary detection in medical images using edge following algorithm based on intensity gradient and texture gradient features,” IEEE Transactions on Biomedical Engineering, 2011, 58(3): 567-573.
[25]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.
[26]Chung-Ming Chen, Yi-Hong Chou, Ko-Chung Han, Guo-Shian Hung, Chui-Mei Tiu, Hong-Jen Chiou, and See-Ying Chiou, “Breast lesions on sonograms: computer-aided diagnosis with nearly setting-independent features and artificial neural networks,” Radiology, 2003, 226: 504-514.
[27]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.
[28]Hsieh-Wei Lee, Bin-Da Liu, King-Chu Hung, Sheau-Fang Lei, Po-Chin Wang, and Tsung-Lung Yang, “Breast tumor classification of ultrasound images using wavelet-based channel energy and ImageJ,” IEEE Journal of Selected Topics in Signal Processing, 2009, 3(1): 81-93.
[29]Po-Hsiang Tsui, Yin-Yin Liao, Chien-Cheng Chang, Wen-Hung Kuo, King-Jen Chang, and Chih-Kuang Yeh, “Classification of benign and malignant breast tumors by 2-D analysis based on contour description and scatterer characterization,” IEEE Transactions on Medical Imaging, 2010, 29(2): 513-522.
[30]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.
[31]S.C. B. Lo, H. Li, Y. Wang, L. Kinnard, and M.T. Freedman, “A multiple circular path convolution neural network system for detection of mammographic masses”, IEEE Transactions on Medical Imaging, vol. 21, pp. 150-158, 2002.
[32]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.
[33]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.
[34]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.
[35]李康,“橢圓支持向量機器及其紋理分類之應用”,朝陽科技大學資訊工程研究所碩士論文,民國97 年。
[36]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。
[37]黃綠宣,“結合紋理分析與影像增強技術於電腦斷層影像中輔助診斷急性缺血性腦中風”,中原大學生物醫學工程系碩士論文,中壢,民國九十七年七月。
[38]胡學成,“利用紋理特徵於電腦斷層影像預測急性缺血性腦中風中大腦動脈出血轉化之輔助診斷系統”,中原大學生物醫學工程系碩士論文,中壢,民國一百年七月。
[39]吳佳宸,“胰臟腫瘤超音波影像電腦輔助診斷系統之研發”,中原大學生物醫學工程系碩士論文,中壢,民國九十八年七月。
[40]賴翰宗,“胰臟腫瘤斷層掃描影像電腦輔助診斷系統之研發”,中原大學生物醫學工程系碩士論文,中壢,民國一百零一年一月。
[41]莊克士,“醫學影像物理學”,合記圖書出版社,台北,2003: 238- 241。
[42]繆紹綱,“數位影像處理 活用-Matlab”,全華科技圖書股份有限公司,台北,2003: 8.2-8.28。
[43]A.P. Dhawan, Medical Image Analysis, New Jersey: John Wiley &; Sons, pp. 6-11, 2003.
[44]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.
[45]林智仁,SVM 套裝軟體,臺灣大學研究所,http://www.csie.ntu.edu.tw/~cjlin/libsvm/
[46]A. Przelaskowski, k Sklinda, P. Bargiel, J Walecki, M.Biesiadko-Matuszewska, and M. Kazubek, “Improved early stroke detection :Wavelet-based perception enhancement of computerized tomography exams,” Computers in Biology and Medicine, vol.37,pp.524-533,2007.
[47]許佑捷,“電腦輔助診斷系統應用於胰臟超音波腫瘤影像之辨識”,中原大學生物醫學工程系碩士論文,中壢,民國一百零四年一月。

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