(3.232.129.123) 您好!臺灣時間:2021/03/06 01:56
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:詹竣文
研究生(外文):Chun-Wen Chan
論文名稱:帕金森症電腦輔助偵測系統開發
論文名稱(外文):The Development of Computer-Aided Detection System for Parkinson''s Disease
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:2020
畢業學年度:108
語文別:中文
論文頁數:132
中文關鍵詞:帕金森氏症影像處理電腦輔助偵測系統CT/MRI影像腦萎縮
外文關鍵詞:Parkinson Diseaseimage preprocessingcomputer aided detectionCT/MRIbrain atrophy
相關次數:
  • 被引用被引用:0
  • 點閱點閱:58
  • 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
帕金森氏症盛行率逐年上升,約占65歲以上老年人口的1到2%。目前帕金森氏症的治療都只能延緩惡化若能及早診斷及早治療,將可增加病患的福祉也減少醫療資源的負擔。目前臨床上對於帕金森氏症的診斷,主要是以較為主觀的臨床量表評估,及輔以具輻射之多巴胺SPECT掃描,此檢查較具風險,尚未有確切的量化標準,通常確診為帕金森氏症通常都是出現較為嚴重的症狀,且在帕症初期尚無法準確診斷。本論文開發一套系統,利用既有影像(CT及MRI)進行影像處理計算紋狀體腦組織的萎縮參數,提供醫生客觀數據作為有效且早期診斷之參考依據。
本研究開發利用非顯影之CT/MRI影像計算大腦基底核之紋狀體(包含尾狀核、殼核與枕骨等參考區域)之特定面積比例之電腦輔助偵測系統,透過影像處理技術分析帕金森氏症的嚴重程度之初步研究。首先以區域成長法及中值濾波器,去除雜訊並分割出完整的腦組織,藉由設定固定閥值,分割腦脊髓液與紋狀體,再使用區域成長法圈選大腦基底核之紋狀體,以TRODAT計算左、右側紋狀體(SUR(R,L))之專一攝取比值基準,最終以左、右側紋狀體(SAR(R,L))之特定面積比例等參數為基礎之混淆矩陣判讀HY分數與現有HY結果做相關性分析。使用100組CT/MRI影像(60組影像作為訓練組,40組影像為測試組)進行系統驗證,並與帕金森病人之HY及TRODAT影像進行系統效能評估。
初步結果顯示:經由60組訓練組(CT/MRI)的左、右側紋狀體特定面積比例(SARR、SARL)與對照組之TRODA影像的SURR、SURL等專一攝取比例進行迴歸分析,相關係數分別為0.88/0.86,0.72/0.71,呈現線性正比關係,總面積比例之相關係數分別為0.045/0.004,均呈線性非正比關係。利用60組訓練組的參數之左、右側紋狀體等4組參數訓練分類器,並利用40組測試組檢驗分類器效能,第一階段,以混淆矩陣統計出HY 1.0、HY 2.0及HY 3.0各萎縮等級後,第二階段,藉由混淆矩陣所得到之系統效能在CT/MRI影像判讀PD各分級後,以決策矩陣統計各分級之準確度、靈敏度、特異性及Kappa值對HY1.0分別為0.90/0.85,0.75/0.75,0.75/0.60及0.69/0.57,對HY2.0分別為0.85/0.80,0.80/0.70,0.89/0.88及0.70/0.60,對HY3.0分別為0.95/0.95,1.00/1.00,0.86/0.86及0.89/0.89。由於HY量表的判斷依據較為主觀,因此本研究將以訓練組中排除SARR比例與HY之等級有明顯誤差之病例,根據第二階段CT/MRI訓練組統計出最佳分類器,其中HY3.0統計其效能,則準確度、靈敏度、特異性及Kappa值分別為1.00、1.00、1.00、1.00,測試結果表明晚期判讀能力優於早期判讀能力,而後能針對CT/MRI自動輪廓圈選演算法上在作加強,來達到系統效能之目的。
由初步結果顯示左、右側紋狀體特定面積比例與TRODAT之SURR、SURL比例有正比之關係。本研究系統可提供醫師以CT/MRI影像取得更加客觀的量化數據,評估帕金森氏症的嚴重程度。相對的,由於本研究在圈選紋狀體時需要花費較長時間,導致錯誤及判讀時間長的缺點。希望未來可發展出自動辨識判讀的系統,以增加系統的效率及圈選的正確率。
Parkinson’s disease of prevalence rate by increased year after year, the elderly population of the about 1% and 2% for aged 65. Currently the treatment of PD can only delay the deterioration of the substantia diagnosis. Early diagnosis and early treatment will increase the welfare of patient and reduce the burden of medical resources. Currently, both the Hoehn and Yahn Scale and TRODAT count from SPECT are used to evaluate the stage of PD, which has some risk for diagnose PD at the early stage and there is no exact quantitative standard. It’s difficult to accurately diagnose this Parkinson’s disease at the early stage. In this study, a system which can calculate of brain tissue in the striatum atrophy parameters using image processing methods is developed, and can provide an objective reference for physician to make diagnosis effectively and in early stage.
This developed computer-aided detection system can calculates the Specific area ratio of brain Basal ganglia of Striatum (Caudate、Putamen and Occipital bone of reference regions) and to analysis of the severity of Parkinson’s disease through image processing methods. Median filters were used to remove noise. A fixed threshold was set to distinguish brain tissue striatum from cerebrospinal fluid. The regional growth method was used to circle specific of brain Basal ganglia of striatum, The Specific uptake ratio(SUR) in the left and right striatum were calculated in TRODAT image. Finally, the relationship among Specific area ratio(SAR) of CT/MRI and SUR of TRODAT image for corresponding H-Y scores were obtained. Totally 100 set of CT/MRI images were used, 60 sets of which were used as training groups and 40 sets were used as test groups, to train and test this system. System performance evaluation was performed by using the comparison with HY and TRODAT images of patients.
Results showed that 60 groups CT/MRI and TRODAT images were trained of features with SARR, SARL, SURR, and SURL to regression analysis, both are proportional directly and the RR value are 0.88/0.86, 0.72/0.71, respectively. By using 4 parameters which including SARR, SARL, after using 40 sets of test groups to test the performance of the classifier, The first stage, by the confusion matrix statistical HY stage 1.0, 2.0 and 3.0 of CT/MRI images for different of stage, respectively. The second stage, by the confusion matrix were obtained system performance in the CT/MRI images diagnosis of PD from different of stage, and used decision matrix statistical different of stage for the accuracy, sensitivity, specificity, and Kappa value of the obtained classifier. Those values are 0.90/0.85, 0.75/0.75, 0.75/0.60, and 0.69/0.57, 0.85/0.80, 0.80/0.70, 0.89/0.88, and 0.70/0.60, 0.95/0.95, 1.00/1.00, 0.86/0.86, and 0.89/0.89, for HY 1.0, 2.0, and 3.0 respectively. The cases with significant difference in brain SARR ratio and HY level in the training group were excluded; the statistical to the best HY 3.0 classifier performance of accuracy, sensitivity, specificity, and Kappa values are improved to 1.00, 1.00, 1.00 and 1.00 according to second stage training of CT/MRI images. In tested result showed late stage diagnosis ability better than early stage diagnosis ability for the system performance. After then for Active contour algorithm of CT/MRI images to improved, to achieve system performance of purpose.
The results show that SARR, SARL, SURR, SURL of features, both are proportional directly. In this study can provide physicians with more objective quantitative data from CT/MRI images to assess the degrees of deterioration of Parkinson’s disease. However, the system needs to manually select seed points when selecting the striatum; this will result in errors and long interpretation time. In the future, an automatic identification system be developed, to increase the efficiency of the system and the correct rate of selection.
目錄
摘 要 I
Abstract IV
謝誌 VII
目錄 VIII
圖目錄 XII
表目錄 XVI
第一章、緒論 1
1-1 研究背景 1
1-2 文獻回顧 3
1.2.1臨床帕金森氏症相關研究 3
1.2.2電腦輔助偵測相關研究 4
1.2.3本研究室相關研究 4
1-3 研究目的 5
1-4 論文架構 6
第二章、理論基礎 8
2-1 帕金森氏症(Parkinson’s Disease)之介紹及其診斷 8
2.1.1帕金森氏症 8
2.1.2帕金森氏症之臨床診斷 12
2-2 單光子電腦斷層(Single photon emission computed tomography SPECT) 15
2-3 電腦斷層(Computed Tomography CT) 18
2-4 磁振造影(Magnetic Resonance Imaging MRI) 19
2.4.1 核磁共振之原理 20
2.4.2 磁振造影之成像方式 21
2.4.3 磁振造影之成像應用 22
2-5影像處理 23
2.5.1 區域成長法 23
2.5.2 臨界值法 24
2.5.3 適應性中值濾波(adaptive median filter) 26
2.5.4 輪廓查找圈選(Find Contours) 27
2.5.5 自動輪廓圈選(Active Contour) 29
(a) Snake 輪廓圈選 29
(b) Gradient Vector Flow演算式 30
2.5.6 SPECT之專一攝取比值(Specific uptake ratio,SUR) 30
2.5.7 CT/MRI之特定面積比(Specific area ratio,SAR) 31
2.5.8 不對稱性指標(Asymmetry index,ASI) 32
2.5.9 影像品質評估 34
2-6系統評估方式及主要參數之定義 34
2.6.1回歸分析 34
2.6.2統計分析 35
第三章、研究架構與方法 38
3-1 材料與設備 38
3.1.1 研究材料 38
3.1.2 研究設備 40
3-2研究流程 40
3-3研究方法 42
3.3.1 CT/MRI影像之處理方式 42
3.3.2 紋狀體分割 44
3.3.3 計算特定面積比與組織比例 45
3-4實驗設計 47
第四章、結果與討論 53
4-1系統對假體之驗證結果 53
4.1.1 系統準確性 53
4.1.2 雜訊去除 55
4-2 紋狀體區域之分割結果 57
4-3 參數分析結果 61
4-4 參數評估結果 64
4-5 系統臨界值之決定 69
4-6系統判讀不同HY等級病例之結果 69
4.6.1 第一階段判讀結果 69
4.6.2 第二階段分類結果 72
4-7 系統測試組之效能驗證 76
4.7.1 第一階段判讀結果 76
4.7.2 第二階段分類結果 78
4-8 系統誤判影像之討論 83
4.8.1 排除特例判讀結果 88
4.8.2 排除特例分類結果 90
4-9 系統限制 92
第五章、結論與未來展望 94
5-1結論 94
5.1.1主要結果 95
5.1.2研究限制 96
5-2 未來展望 97
參考文獻 98
附錄A 102
操作介面說明 102

圖目錄
圖1-1 台灣地區帕金森氏症盛行率統計示意圖 2
圖1-2 多巴胺分期掃描結果示意圖 3
圖2-1 基底核解剖示意圖 11
圖2-2 黑質緻密部解剖示意圖 11
圖2-3 多巴胺神經元示意圖 12
圖2-4 帕金森氏症精神症狀治療流程圖 13
圖2-5 SPECT成像原理示意圖 16
圖2-6 突觸前神經元與多巴胺轉運體相互作用示意圖 17
圖2-7 各種造影針對多巴胺系統的造影藥物示意圖 17
圖2-8 電腦斷層結構圖 18
圖2-9 不同切面之電腦斷層影像。 19
圖2-10 磁振造影之示意圖 20
圖2-11 氫原子自旋變化示意圖 21
圖2-12 磁振造影不同角度的成像 22
圖2-13 區域成長法之功能示意圖 24
圖2-14 臨界值法直方圖示意圖 25
圖2-15 經臨界值法後之典型影像示意圖 25
圖2-16 適應性中值濾波之功能示意圖 26
圖2-17 取得窗接大小示意圖 27
圖2-18 中值濾波器之功能示意圖 27
圖2-19 起始點的邊緣條件示意圖 28
圖2-20 兩種不同起始點面向示意圖 28
圖2-21 輪廓查找演算法示意圖 29
圖2-22 ROI之SPECT影像示意圖 31
圖2-23 ROI之CT與MRI影像示意圖 32
圖2-24 健康受試者和帕金森患者的99mTc-TRODAT-1影像 33
圖3-1 本研究使用確診帕金森氏症患者之不同切面CT影像 39
圖3-2 本研究使用確診帕金森氏症患者之不同切面MRI影像 39
圖3-3 本研究使用確診帕金森氏症患者之單張切面SPECT影像 39
圖3-4 系統流程圖 41
圖3-5 頭顱骨與腦組織分割之CT影像 42
圖3-6 頭顱骨與腦組織分割之MRI影像 43
圖3-7 臨界值法之CT影像 44
圖3-8 臨界值法之MRI影像 44
圖3-9 輪廓查找法之CT影像 45
圖3-10 自動輪廓法之MRI影像 45
圖3-11 計算特定面積比及組織比例之CT影像 46
圖3-12 計算特定面積比及組織比例之MRI影像 47
圖3-13 計算專一攝取率及組織比例之TRODAT影像 47
圖3-14 已知面積之假體示意圖 48
圖3-15 Modified Sheep-Logan假體示意圖 48
圖3-16 不同雜訊比例之假體影像 49
圖4-1 頭顱骨假體示意圖 54
圖4-2 腦組織假體示意圖 54
圖4-3 紋狀體假體示意圖 55
圖4-4 不同MAE比例之3x3遮罩假體影像 57
圖4-5 HY 2.0之紋狀體切面影像ROI對應圖之結果 59
圖4-6 不同分期之切面影像ROI之結果 60
圖4-7 CT經分割後計算各參數示意圖 60
圖4-8 MRI經分割後計算各參數示意圖 61
圖4-9 TRODAT經分割後計算各參數示意圖 61
圖4-10 CT/MRI SARR比例與SURR之統計分析圖 62
圖4-11 CT/MRI SARL比例與SURL之統計分析圖 63
圖4-12 CT/MRI Striatum比例與Striatum之統計分析圖 63
圖4-13 帕金森氏症各等級之CT_SARR盒鬚圖 65
圖4-14 帕金森氏症各等級之MRI_SARR盒鬚圖 66
圖4-15 帕金森氏症各等級之CT_SARL盒鬚圖 67
圖4-16 帕金森氏症各等級之MRI_SARL盒鬚圖 67
圖4-17 帕金森氏症各等級之Total area盒鬚圖 68
圖4-18 病例1紋狀體分割不易造成誤判。 84
圖4-19 病例2紋狀體分割不易造成誤判。 85
圖4-20 病例3紋狀體分割不易造成誤判。 86
圖4-21 病例4紋狀體分割不易造成誤判。 86
圖4-22 病例5紋狀體分割不易造成誤判。 87
圖4-23 病例6紋狀體分割不易造成誤判。 88
圖4-24 病例7紋狀體分割不易造成誤判。 88

表目錄
表2-1 多發性系統退化症狀 10
表2-2 帕病分期(Hoehn and Yahr scale) 14
表2-3 修訂版帕病分期表(Modified Hoehn and Yahr Scale) 15
表2-4 顱內組織構造及病變之MRI訊號強度 22
表2-5 決策矩陣 36
表2-6 混淆矩陣 37
表4-1 系統驗證假體面積比較表 55
表4-2 各遮罩SNR值之比較表 56
表4-3 各遮罩MAE之比較表 56
表4-4 紋狀體之萎縮參數 64
表4-5 各等級參數P值 64
表4-6 經訓練後SARR與SARL臨界值與HY對照表 69
表4-7 以CT(MRI)中SARR判斷不同等級HY病例之訓練結果表 70
表4-8 以CT(MRI)中SARL判斷不同等級HY病例之訓練結果表 70
表4-9 以CT(MRI)中SARR特徵訓練後系統判讀效能表 71
表4-10 以CT(MRI)中SARL特徵訓練後系統判讀效能表 71
表4-11 以CT/MRI中SARR分辨 1.0/非1.0病例之性能表 72
表4-12 以CT/MRI中SARR分辨 2.0/非2.0病例之性能表 73
表4-13 以CT/MRI中SARR分辨 3.0/非3.0病例之性能表 73
表4-14 以CT/MRI中SARL分辨 1.0/非1.0病例之性能表 74
表4-15 以CT/MRI中SARL分辨 2.0/非2.0病例之性能表 75
表4-16 以CT/MRI中SARL分辨 3.0/非3.0病例之性能表 75
表4-17 不同HY等級病例之CT/MRI以SARR特徵測試結果總表 77
表4-18 不同HY等級病例之CT/MRI以SARL特徵測試結果總表 77
表4-19 系統以CT(MRI)之SARR特徵測試之效能 78
表4-20 系統以CT(MRI)之SARL特徵測試之效能 78
表4-21 以CT/MRI中SARR測試分辨 1.0/非1.0病例之性能表 79
表4-22 以CT/MRI中SARR測試分辨 2.0/非2.0病例之性能表 80
表4-23 以CT/MRI中SARR測試分辨 3.0/非3.0病例之性能表 80
表4-24 以CT/MRI中SARL測試分辨 1.0/非1.0病例之性能表 81
表4-25 以CT/MRI中SARL測試分辨 2.0/非2.0病例之性能表 82
表4-26 以CT/MRI中SARL測試分辨 3.0/非3.0病例之性能表 82
表4-27 系統誤判案例之特定面積比參數 83
表4-28 排除特例後以SARR判讀之混淆矩陣表 89
表4-29 排除特例後以CT(MRI)之SARR判讀之系統效能 90
表4-30 系統排除特例後以CT/MRI中SARR分辨1.0/非1.0之效能 90
表4-31 系統排除特例後以CT/MRI中SARR分辨2.0/非2.0之效能 91
表4-32 系統排除特例後以CT/MRI中SARR分辨3.0/非3.0之效能 91
[1]帕金森氏症的發展http://lins.fju.edu.tw/~su/med_951/951_05/devolope.htm(擷取日期2019.11.28)
[2]台大醫院巴金森症醫療中心,民國104年國人主要死因統計http://www.pdcenterntuh.org.tw/ContentAspx/Browser00.aspx?..,2015
[3]Liu WM, Wu RM, Lin JW, Liu YC, Chang CH, and Lin CH, “Time trends in the prevalence and incidence of Parkinson''s disease in Taiwan: a nationwide population-based study,” J Formos Med Assoc, 115(7): 531-8, 2015.
[4]Hoehn MM and Yahr MD, “Parkinsonism : onset, progression and mortality,” Neurology, 17(5): 427-42, 1967.
[5]Goetz CG et al, “Movement disorder society task force report on the Hoehn and Yahr staging scale: status and recommendations,” Mov Disord, 19(9): 1020–8, 2004.
[6]Geng DY, Li YX, and Zee CS, “Magnetic resonance imaging-based volumetric analysis of basal ganglia nuclei and substantia nigra in patients with Parkinson’s disease,” Neurosurgery, 58(2): 256-62, 2006
[7]Schrag A, Spottke A, Quinn NP, and Dodel R, “Comparative responsiveness of Parkinson''s disease scales to change over time,” Mov Disord, 24(6): 813-8, 2009.
[8]Li X, Xing Y, Martin-Bastida A, Piccini P, and Auer DP, “Patterns of grey matter loss associated with motor subscores in early Parkinson’s disease,” Neuroimage Clin, 17: 498-504, 2017.
[9]林康平,劉仁賢:單光子造影之自動化半定量原發性巴金森症軟體系統開發與臨床軟體確效認證,中原大學電機工程學系,科技部報告,2017
[10]方佑華,閻紫宸:結合全自動影像分割與先進影像定量分析方法,應用於單光子電腦斷層影像之開放原始碼軟體開發,成功大學生物醫學工程學系,科技部報告,2015
[11]Barnes SR, Haacke EM, Ayaz M, Boikov AS, Kirsch W, and Kido D, “Semiautomated detection of cerebral microbleeds in magnetic resonance images,” Magn Reson Imageing, 29(6): 844-52, 2011.
[12]Jiang CF, Chang CC, Huang SH, and Wu CH, “Segmentation of the striatum from MR brain images to calculate the (_^99m)Tc-TRODAT-1 binding ratio in SPECT images,” Comput Math Methods Med, doi: 10.1155/2013/593175.
[13]陳冠文:電腦輔助診斷系統應用於胰臟腫瘤辨識之研發,中原大學醫物醫學工程系碩士論文,2015
[14]黃馨儀:電腦輔助ASPECTS系統於急性缺血性腦中風病人影像之研究,中原大學生物醫學工程所碩士論文,2017
[15]林靜嫻,台大醫院基因分子診斷實驗室 http://www.genetics-core-ntuh.tw/,2015
[16]Emily, How Does Parkinson’s Disease Develop? https://parkinsonsdisease.net/, 2017/3.
[17]Greg J, David R, and Kelli A, “Substantia nigra and Parkinson’s disease,” Medical Encyclopedia, 5 May 2006.
[18]Kuhl DE and Edwards RQ, “Image separation radioisotope scanning,” Radiology, 80(4), Apr 1 1963.
[19]Peyrin F, Magnin I, and Garnero L, “Introduction to 2D and 3D tomographic method based on straight line propagation: X-ray, emission and ultrasonic tomography,” Traitement du Signal, 13(4): 381-413, 1996.
[20]Booth TC, Nathan M, Waldman AD, Quigley AM, Schapira AH, and Buscombe J, “The role of functional dopamine-transporter SPECT imaging in parkinsonian syndromes, part 1,” AJNR Am J Neuroradiol, 36(2): 229-35, 2015.
[21]Park E, “A new era of clinical dopamine transporter imaging using 123I-FP-CIT,” J Nucl Med Technol, 40(4):222-8, 2012.
[22]莊克士:醫學影像物理學,pp. 238-241,合記圖書出版社,2003.
[23]Baxter BS, and Sorenson JA, “Factors affecting the measurement of size and CT number in computed tomography,” Invest Radiol, 16(4): 337-41, 1981.
[24]Lindgren LO, “Medical CAT-scanning: X-ray absorption coefficients, CT-numbers and their relation to wood density,” Wood Science and Technology, 25(5): 341-49, 1991.
[25]沈戊忠:神經放射診斷學,台灣:合記圖書出版社,2008
[26]黃柏凱:開發阿茲海默症之電腦輔助偵測系統,中原大學生物醫學工程系碩士論文,2016
[27]張嘉麟:以影像技術評估腦內微出血於電腦斷層影像之研究,中原大學生物醫學工程系碩士論文,2012
[28]Satoshi Suzuki and Keiichi Abe, “Topological structural analysis of digitized binary images by border following,” Computer Vision, Graphics, and Image Processing, 30(1): 32-46, 1985.
[29]Seibyl JP, “Imaging studies in movement disorders,” Seminars in Nuclear Medicine, 33(2): 105-13, 2003.
[30]Lu CS et al, “99mTc-TRODAT-1 imaging of multiple system atrophy,” J Nucl Med, 45(1): 49-55, 2004.
[31]Shen LH, Liao MH, and Tseng YC, “Recent advances in imaging of dopaminergic neurons for evaluation of neuropsychiatric disorders,” J Biomed Biotechnol, doi:10.1155/2012/259349, 2012.
[32]Johnson DH, “Signal-to-noise ratio,” Scholarpedia, 1(12): 2088, 2006.
[33]Kumar R and Rattan M, “Analysis of various quality metrics for medical image processing,” IJARCSSE, 2(11):137-44, November 2012.
[34]Plocharski M and Østergaard LR, “Extraction of sulcal medial surface and classification of Alzheimer''s disease using sulcal features,” Comput Methods and Programs Biomed, 133: 35-44, 2016.
[35]Li L, Wu Y, and Ye M, “Experimental comparisons of multi-class classifiers,” Informatica, 39: 71-85, 2015.
[36]Sasannezhad P et al, “99mTc-TRODAT-1 SPECT imaging in early and late onset Parkinson’s disease,” Asia Ocean J Nucl Med Biol, 5(2): 114-9, 2017.
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