(3.236.228.250) 您好!臺灣時間:2021/04/19 23:45
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:陳富美
研究生(外文):Fu-Mei Chen
論文名稱:利用獨立成份分析與支撐向量機判斷腦血管狹窄病人在 電腦斷層灌注造影影像上之正異常區
論文名稱(外文):Identification of normal and stenotic brain matter from CT perfusion images by using Independent Component Analysis and Support Vector Machine
指導教授:高怡宣高怡宣引用關係
指導教授(外文):Yi-Hsuan Kao
學位類別:碩士
校院名稱:國立陽明大學
系所名稱:生物醫學影像暨放射科學系
學門:醫藥衛生學門
學類:醫學技術及檢驗學類
論文種類:學術論文
論文出版年:2016
畢業學年度:104
語文別:中文
論文頁數:80
中文關鍵詞:電腦斷層血流動力學參數獨立成份分析支撐向量機
外文關鍵詞:Computer tomographyHemodynamic parametersIndependent component analysisSupport vector machine
相關次數:
  • 被引用被引用:0
  • 點閱點閱:31
  • 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
背景與目的:
血流動力學參數圖可以輔佐臨床醫師的診斷,但需依靠有經驗的醫師判讀正常與異常腦區域,如果可以經由電腦自動化產生可信賴的判讀結果,將有助於臨床診斷。因此,本研究利用獨立成份分析與支撐向量機對電腦斷層腦血流灌注影像及血流動力學參數影像,進行正、異常腦區域的判別,並檢討其準確性。

材料與方法:
利用磁振造影影像與電腦斷層血流灌注影像作為基礎,建立電腦斷層血流灌注之數位假體,將假體之時間序列影像輸入獨立成分分析,或利用時間序列影像進一步計算出血流動力學參數後,將參數相互配對作為支撐向量機之判斷依據,判斷出假體之正、異常腦區,將此兩種方式獲得的異常腦區遮罩做準確性之評估。

結果:
獨立成份分析的TI值較支撐向量機所有組合的TI值高,代表著獨立成分分析有較高的準確度。獨立成分分析對於異常區的偵測較敏感,邊緣零散的異常區域也被找出,支撐向量機尋找異常區遮罩較嚴格,範圍較小,邊緣零散異常區會被當作正常區。

結論:
就本研究而言,對於腦血管狹窄病人之電腦斷層血流灌注影像上之正異常區判斷,以獨立成份分析所得之結果較準確且快速。
關鍵字:電腦斷層、血流動力學參數、獨立成份分析、支撐向量機。

Background and purpose:
Computed tomography (CT) perfusion images are used for the diagnosis of cerebral stenosis or ischemic stroke. Hemodynamic parameter maps can help doctors to identify the regions of normal and abnormal perfusion. It is good for doctors to get reliable results automatically. This research used independent component analysis (ICA) and support vector machine (SVM) to determine the normal and abnormal brain regions from CT perfusion images.

Material and methods:
CT perfusion digital phantoms were generated from magnetic resonance images and CT perfusion images. Firstly, the simulated images were analyzed by using the ICA method. Secondly, hemodynamic parameters maps were analyzed by using the SVM method. The regions of normal or abnormal brain were calculated and the accuracy of two methods were compared using the tanimoto index. Finally, three clinical data were analyzed using the two methods.

Results:
The tanimoto index for ICA method is higher than all the results with SVM method. It demonstrates that ICA method is more accurate than the SVM method. ICA method is more sensitive in detecting abnormal areas. It is more stringent to find the abnormal area by SVM method.

Conclusion:
The result from ICA is more accurate than that of SVM for identifying normal and stenotic brain tissues on CT perfusion images.
目錄
致謝 i
摘要 ii
Abstract iii
目錄 iv
圖表目錄 vi
第一章 緒論 1
1.1 前言 1
1.2 研究動機 3
1.3論文架構 4
第二章 基本原理 5
2.1血流灌注造影 5
2.2指示劑稀釋定理 (Indicator dilution theory) 6
2.3血流動力學參數 9
2.3.1曲線擬合 (Curve fitting) 10
2.3.4動脈輸入函數 (Arterial input function, AIF) 12
2.3.5靜脈輸出函數 ( Venous output function, VOF ) 13
2.3.6血流動力學參數:腦血流流量 (CBF) 15
2.3.7血流動力學參數:腦血流體積 (CBV) 16
2.3.8血流動力學參數:平均穿流時間 (MTT) 17
2.3.9血流動力學參數:最大延遲時間 (Tmax) 18
2.4獨立成份分析 (Independent component analysis, ICA) 19
2.5支撐向量機 (Support vector machine, SVM) 21
第三章 實驗流程與方法 26
3.1建立數位假體 26
3.1.1數位假體:解剖構造 28
3.1.2數位假體:組織訊號 30
3.1.3數位假體:雜訊 32
3.2利用獨立成分分析區分正異常區 33
3.3利用支撐向量機區分正異常區 34
3.4分析實驗結果之方式 36
3.5臨床病例之實做 39
第四章 實驗結果 42
4.1獨立成份分析之結果 54
4.2支撐向量機之結果 56
4.3量化分析之結果 61
4.4臨床病例實做之結果 63
第五章 討論與結論 66
5.1 數位假體之可行性 66
5.2比較兩種分類器與探討影響準確度之因子 68
5.3結論 70
5.4本實驗的限制與未來展望 70
附錄 71
A.部分體積效應之修正 71
B.標準奇異值分解法 72
C.環狀奇異值分解法 74
D.最佳超平面之求解方式 75
參考文獻 77

圖表目錄
【圖2.1】函數圖 8
【圖2.2】於某體素測量之時間濃度曲線圖 10
【圖2.3】經過曲線擬合後的時間濃度曲線圖 11
【圖2.4】達峰時間TTP之示意圖 11
【圖2.5】程式自動選取之AIF與VOF 14
【圖2.6】最大延遲時間示意圖 18
【圖2.7】二維資料群示意圖 22
【圖2.8】空間轉換示意圖 23
【圖2.9】邊界與Hyper-plane的關係圖 25
【圖3.1】電腦斷層血流灌注數位假體之組成 27
【圖3.2】實驗流程圖 28
【圖3.3】Discrete Model的影像 29
【圖3.4】Fuzzy Model影像 29
【圖3.5】AIF與VOF模擬位置示意圖 31
【圖3.6】 獨立成份分析判斷正異常區之流程圖 33
【圖3.7】支撐向量機判斷正異常區之流程圖 35
【圖3.8】 兩群族之交集與聯集示意圖 37
【圖3.9】敏感度之缺陷示意圖 37
【圖3.10】陽性預測值之缺陷示意圖 38
表 3.1病例資訊 41
【圖4.1】組織分割示意圖 42
【圖4.2】ROI圈選處 43
【圖4.3】各類組織之時間濃度曲線 44
【圖4.4】假體與病人之CBF對照圖 46
【圖4.5】假體與病人之Tmax對照圖 46
【圖4.6】假體與病人之CBV對照圖 47
【圖4.7】假體與病人之MTT對照圖 48
【圖4.8】假體與病人之TTP對照圖 49
【圖4.9】以TTP參數圖為底,來表示盒鬚圖ROI圈選處 50
【圖4.10】假體與病人之正異常灰白質CBF盒鬚圖 50
【圖4.11】假體與病人之正異常灰白質Tmax盒鬚圖 51
【圖4.12】假體與病人之正異常灰白質TTP盒鬚圖 51
【圖4.13】假體與病人之正異常灰白質CBV盒鬚圖 52
【圖4.14】假體與病人之正異常灰白質MTT盒鬚圖 53
【圖4.15】ICA輸出之獨立成分圖與混合矩陣A曲線圖 54
【圖4.16】使用ICA判斷出之異常區遮罩 55
【圖4.17】支撐向量機之散布圖 56
【圖4.18】使用CBFsSVD、MTTAUC/sSVD (或MTTsSVD)、Tmax sSVD與TTP相互配對做為SVM判斷依據,判斷出之異常區遮罩 58
【圖4.19】使用CBFcSVD、MTTAUC/cSVD (或MTTcSVD)、Tmax cSVD與TTP相互配對做為SVM判斷依據,判斷出之異常區遮罩 60
【表4.1】組別 (一),表格由上往下為TI值大到小。 61
【表4.2】組別 (二),表格由上往下為TI值大到小。 62
【表4.3】直接在參數圖上取閾值之結果,表格由上往下為TI值大到小。 62
【圖4.20】病例1之結果 63
【圖4.21】病例2之結果 64
【圖4.22】病例3之結果 65


1.Andrews, B. T., Dujovny, M., Mirchandani, H. G., & Ausman, J. I. (1989). Microsurgical anatomy of the venous drainage into the superior sagittal sinus. Neurosurgery, 24(4), 514-520.

2.Barbier, E. L., Lamalle, L., & Décorps, M. (2001). Methodology of brain perfusion imaging. Journal of Magnetic Resonance Imaging, 13(4), 496-520.

3.Boser, B. E., Guyon, I. M., & Vapnik, V. N. (1992). A training algorithm for optimal margin classifiers. Paper presented at the Proceedings of the fifth annual workshop on Computational learning theory.

4.Burges, C. J. (1998). A tutorial on support vector machines for pattern recognition. Data mining and knowledge discovery, 2(2), 121-167.

5.Cocosco, C. A., Kollokian, V., Kwan, R. K.-S., Pike, G. B., & Evans, A. C. (1997). Brainweb: Online interface to a 3D MRI simulated brain database. Paper presented at the NeuroImage.

6.Cristianini, N., & Shawe-Taylor, J. (2000). An introduction to support vector machines and other kernel-based learning methods: Cambridge university press.

7.Hyvärinen, A., & Oja, E. (2000). Independent component analysis: algorithms and applications. Neural networks, 13(4), 411-430.

8.Kao, Y.-H., Teng, M. M. H., Kao, Y.-T., Chen, Y.-J., Wu, C.-H., Chen, W.-C., . . . Chang, F.-C. (2014). Automatic measurements of arterial input and venous output functions on cerebral computed tomography perfusion images: A preliminary study. Computers in biology and medicine, 51, 51-60.

9.Müller, K.-R., Mika, S., Rätsch, G., Tsuda, K., & Schölkopf, B. (2001). An introduction to kernel-based learning algorithms. Neural Networks, IEEE Transactions on, 12(2), 181-201.

10.Meier, P., & Zierler, K. L. (1954). On the theory of the indicator-dilution method for measurement of blood flow and volume. Journal of applied physiology, 6(12), 731-744.

11.Murase, K., Kikuchi, K., Miki, H., Shimizu, T., & Ikezoe, J. (2001). Determination of arterial input function using fuzzy clustering for quantification of cerebral blood flow with dynamic susceptibility contrast‐enhanced MR imaging. Journal of Magnetic Resonance Imaging, 13(5), 797-806.

12.Østergaard, L., Sorensen, A. G., Kwong, K. K., Weisskoff, R. M., Gyldensted, C., & Rosen, B. R. (1996). High resolution measurement of cerebral blood flow using intravascular tracer bolus passages. Part II: Experimental comparison and preliminary results. Magnetic resonance in medicine, 36(5), 726-736.

13.Østergaard, L., Weisskoff, R. M., Chesler, D. A., Gyldensted, C., & Rosen, B. R. (1996). High resolution measurement of cerebral blood flow using intravascular tracer bolus passages. Part I: Mathematical approach and statistical analysis. Magnetic resonance in medicine, 36(5), 715-725.

14.Perkiö, J., Aronen, H. J., Kangasmäki, A., Liu, Y., Karonen, J., Savolainen, S., & Østergaard, L. (2002). Evaluation of four postprocessing methods for determination of cerebral blood volume and mean transit time by dynamic susceptibility contrast imaging. Magnetic resonance in medicine, 47(5), 973-981.

15.Rempp, K. A., Brix, G., Wenz, F., Becker, C. R., Gückel, F., & Lorenz, W. J. (1994). Quantification of regional cerebral blood flow and volume with dynamic susceptibility contrast-enhanced MR imaging. Radiology, 193(3), 637-641.

16.Stewart, G. N. (1897). Researches on the circulation time and on the influences which affect it. The Journal of physiology, 22(3), 159.

17.Thompson, H. K., Starmer, C. F., Whalen, R. E., & McIntosh, H. D. (1964). Indicator transit time considered as a gamma variate. Circ Res, 14(6), 502-515.

18.van den Boom, R., Manniesing, R., Oei, M. T., van der Woude, W. J., Smit, E. J., Laue, H. O., . . . Prokop, M. (2014). A 4D digital phantom for patient-specific simulation of brain CT perfusion protocols. Med Phys, 41(7), 071907. doi:10.1118/1.4881520

19.Wu, O., Østergaard, L., Koroshetz, W. J., Schwamm, L. H., O'Donnell, J., Schaefer, P. W., . . . Sorensen, A. G. (2003). Effects of tracer arrival time on flow estimates in MR perfusion‐weighted imaging. Magnetic resonance in medicine, 50(4), 856-864.

20.Wu, O., Østergaard, L., Weisskoff, R. M., Benner, T., Rosen, B. R., & Sorensen, A. G. (2003). Tracer arrival timing‐insensitive technique for estimating flow in MR perfusion‐weighted imaging using singular value decomposition with a block‐circulant deconvolution matrix. Magnetic resonance in medicine, 50(1), 164-174.

21.Zierler, K. L. (1962). Theoretical basis of indicator-dilution methods for measuring flow and volume. Circulation Research, 10(3), 393-407.

電子全文 電子全文(網際網路公開日期:20210802)
連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
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