基于FDGPETCT图像纹理信息淋巴瘤病人的计算机辅助分期讲义.docxVIP

IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS, VOL. 18, NO. 3, MAY 2014基于FDG PET/CT图像纹理信息淋巴瘤病人的计算机辅助分期Computer-Aided Staging of Lymphoma Patients With FDG PET/CTImagingBased on Textural InformationC. Lartizien, Member, IEEE, M. Rogez, E. Niaf, and F. Ricard摘要：我们设计了一个计算机辅助诊断系统在淋巴瘤患者的FDG PET / CT检查中来区分高代谢癌症病灶和高代谢性炎症或生理性但非癌性过程。SVM分类器的检测性能评估基于105个PET和CT特征组成的特征，这些特征来自于临床实践和更复杂的纹理分析。提出了一个融合不同滤波方法的原始的特征选择方法。数据集由156个淋巴瘤和32个可疑的非淋巴瘤感兴趣区域。不同类型的训练集包括PET和CT特征的数据集或仅有PET特征的数据集，具有或不具有特征选择，被评价为评估分类性能多模态和纹理信息的附加值。进行一个优化研究为每个分类器分别选择最佳的参数组合。有希望的分类性能是通过SVM分类器与12最大判别式PET和CT特征组合在ROC曲线下的面积为0.91。关键词：CT，分类，CAD,图像纹理分析，PET。I、引言 尽管PET，多参数MRI成像，对比CT扫描等诊断成像模式的发展，癌症的初始分期和反应评估仍然是放射科医师的困难任务。几个人的观察和研究已经证明通过组合不同模态可以显著提高诊断准确性。作为一个例子 ，氟脱氧葡萄糖（18F-FDG），用荧光正电子发射体标记的葡萄糖类似物与CT扫描结合的PET成像提供了解剖和代谢信息的组合，其提供的信息优于单独的PET所提供的信息[1]。然而，集成这样大量的可见信息仍然是一项复杂的任务，特别是对于具有较少专业知识的初级放射科医师。更具挑战性的是，恶性和良性组织可能在一种类型的模态看起来相似，而在另一种类型的模态不一样。例如，18F-FDG PET / CT已成为许多癌症，特别是淋巴瘤的诊断和治疗后跟踪的推荐检查[2]。这种模式的特点是非常高的灵敏度，但通常缺乏特异性，由于FDG摄入非癌性炎症或感染性病变[3] - [5]或生理正常组织，如棕色脂肪或胸腺[7]。这种非特异性摄取可能导致诊断不一致，特别是在治疗的后续工作中，其中确定残留FDG摄取是否反映遗留的癌症病变或随后的治疗效果或炎症定位是至关重要的[8]。这项研究的目的是开发一个决策系统，从FDG PET图像良性病变中自动辨别癌性。我们的目标是实现高辨别性能通过1）结合PET和CT判别式图像特征进入决策算法以受益于这种互补模态2）整合了在PET成像中鉴别良性和恶性病变有希望的纹理信息[10]。我们专注于诊断系统的原型设计，放射科医师在预先选择的可疑的感兴趣区域 进行计算机辅助诊断（CAD）, 从而避免了基于每个体素的异常的定位和分类这个具有挑战性的任务。本研究建立在一个初步的工作，评估两个分类器，支持向量机（SVM）和随机决策林（RDF）的诊断性能，每个结合一系列105个PET和CT特征，这些特征源于临床实践[标准化摄取值（SUV）峰值]和更复杂的纹理分析[14]。本研究的主要新颖性和优势是我们进行了广泛的分析，以优化决策系统的不同要素。作为一个例子，我们通过比较诊断性能与包括PET和CT特征或仅PET特征的训练集进行比较来评估多模态的增益。类似地，我们估计纹理信息相对于标准临床指标（例如用于该诊断任务的SUV）的潜在附加价值。从/publications standards/publications/rights/index.html 可以得到更多的信息 本研究的另一个原始结果是结合不同“过滤器”方法的有效特征选择方法。将该方法与遗传算法（GA）和主成分分析法（PCA）进行比较，其成功应用于PET神经成像[15]。 本文组织如下：临床PET / CT图像数据集提供在第二部分。 第三部分显示了一般分类方案的概述，并详细描述了决策系统的不同要素。这包括第III-A节中图像特征的描述，第III-B节中原始选择方法的描述以及第III-C节中SVM分类器的简要概述。第 IV节描述了为评估使用不同CAD方案实现的检测性能而进行的分析。结果和讨论部分分别在第V和VI节中给出。II、数据库描述研究人群 包括20至79岁的25名患者（11名男性14名女性）。他们在基线的侵袭性淋巴瘤（B细胞淋巴瘤或霍奇金病）的综合检查中进行了增强的CT和FDG PET。B. FDG PET / CT方案在日常实践条件下进行增强的FDG PET / CT检查，意味