人工神经网络在早期肺癌预测模型应用.pdfVIP

人工神经网络在早期肺癌预测模型中的应用 1 1 *1 2 3 刘韫宁 ，王瓛 ，郭秀花 ，梁志刚 ，何茜 1. 首都医科大学公共卫生与家庭医学学院，北京 100069；2. 首都医科大学附属宣武医院放 射科，北京 100053；3. 首都医科大学附属友谊医院医学放射科，北京 100050 摘要：目的 通过提取CT图像肺小结节纹理特征参量建立人工神经网络预测模型。方法 使 用灰度共生矩阵和小波变换两种纹理提取方法，从外径提取185例2171张CT图像良恶性肺 2 小结节的纹理特征参量并建立数据库，采用 检验、非参数检验等统计学方法，分析病例 的基本情况和良恶性病例之间纹理特征参量的差异性，最终建立人工神经网络预测模型并评 2 价其有效性。结果 良恶性病例之间的性别差异无统计学意义（ =2.362，P=0.124）；选 取良恶性病例之间差异有统计学意义的纹理特征参量建立人工神经网络预测模型，灵敏度达 到94.2%。结论 根据CT图像肺小结节的纹理特征参量建立的人工神经网络预测模型可以在 病理诊断前对肺小结节的性质进行预测以达到辅助诊断早期肺癌的作用。 关键词：灰度共生矩阵；小波变换；纹理特征；人工神经网络；预测模型 1 11 引言 [1] 自1985年以来，肺癌始终位居世界大多数国家肿瘤死亡的首位 。中国预防医学科学院 [2] 信息中心公布，在今后30年里，肺癌仍将是中国人的主要死因 。肺癌被确诊时，80%以上 [3] 已属中晚期，丧失了手术时机，5年生存率仅为14% ，而早期确诊肺癌的患者，5 年生存 率可达70％以上。因此，探讨早期肺癌的有效诊断方法对于提高肺癌患者的5年生存率非常 重要。目前，诊断肺癌最准确的方法是细胞组织学结果，数字化CT（ComputedTomography） [4] 图像也逐渐成为肺癌的最佳影像检查辅助诊断方法 。但是，由于早期肺部恶性肿瘤（周围 型肺癌）与结核球、炎性假瘤、错构瘤和肺曲菌病等肺部良性占位性疾病在CT图像上均呈 现小结节状，所以肺小结节（指肺野内直径≤3cm的病灶）性质的判定在CT图像的诊断中 [5] 一直是一个难点和关键点 。本文采用灰度共生矩阵和小波变换两种方法提取 CT图像肺小 结节的纹理特征参量建立人工神经网络预测模型，并根据此模型预测肺小结节的性质，从而 有效的辅助诊断早期肺癌。 2 22 资料与方法 2.1 22..11 研究对象 本次研究所用肺小结节CT图像由首都医科大学宣武医院、附属北京友谊医院等多家医 院提供，原始格式为DICOM。从中筛选出经过病理证实的肺小结节病例共185例，从外径 分割肺小结节CT图像2171张。 2.2 22..22 基本原理 2.2.1 灰度共生矩阵 Haralick于1973年首先提出灰度共生矩阵（Gray-level Co-occurrenceMatrix），基于灰 度共生矩阵提取纹理特征的方法是一个经典的统计分析方法，目前它已成为一种公认的纹理 分析方法。 *通讯作者：郭秀花，教授，010guoxiuh@ccmu.edu.cn。 基金项目：北京市教育委员会科技发展计划面上基金（KM200610025014）资助；首都医科大学基础与临床 基金课题（2006JL57）资助。 第一作者：刘韫宁（1985- ），女，流行病与卫生统计学硕士研究生。 [6] 我们采用灰度共生矩阵提取14种纹理特征参量 ，分别为：熵、对比度、相关性、能量、 同质度、方差、最大概率、逆差矩、聚类趋势、惯量、和的均值、差的均值、和的熵、差的