电脑辅助干燥症腮腺超音波影像检测.pptVIP

電腦輔助乾燥症腮腺超音波影像檢測 研究生：高嘉鴻 指導教授：傅家啟 報告大綱 緒論 研究背景、動機、目的、範圍、方法 文獻探討 檢測模式、特徵萃取、特徵組合、分類器、績效衡量 研究方法 系統流程、特徵萃取、資料探勘、特徵組合、分類器、績效評估 預期結果 特徵選擇、分類器 研究背景 健保規定中，乾燥症是屬於重大傷病 乾燥症是一種全身性的風濕免疫性疾病 以破壞人體外分泌細胞，如淚腺、腮腺 高解析度超音波、磁振造影都是非侵入性的檢查 超音波比磁振造影更適合於平常門診時用來評估腮腺 腮腺超音波影像 研究動機、目的 發展客觀定量的方法分析腮腺超音波影像 以影像處理的紋理分析及特徵萃取整合分類器 發展準確檢測腮腺超音波影像特徵方法 目的為分辨乾燥症侵犯區域與正常組織之差異 研發電腦輔助檢測系統取得超音波影像特徵偵測乾燥症腮腺侵犯的診斷價值 研究範圍、方法、流程 徵召臨床患者上疑似乾燥症病徵 乾燥症超音波影像的特徵萃取方法 以紋理分析、頻率域、空間域進行特徵萃取 結合資料探勘的手法並擷取有效特徵 針對乾燥症腮腺實行正常和乾燥症的分類 報告大綱 緒論 研究背景、動機、目的、範圍、方法 文獻探討 檢測模式、特徵萃取、特徵組合、分類器、績效衡量 研究方法 系統流程、特徵萃取、資料探勘、特徵組合、分類器、績效評估 預期結果 特徵選擇、分類器 電腦輔助診斷檢測模式(1/4) 影像中取出8×8的區塊影像做檢測 空間域與頻率域特徵為類神經網路的輸入特徵 以另一頻率域特徵做最後的決策參數 電腦輔助診斷檢測模式(2/4) 取40個乳房X光影像128×128的ROI (Regions of Interest) 20個ROI包含微鈣化叢集，20個ROI為正常的組織 經小波轉換求取特徵，使用類神經網路進行訓練 求出最小均方差的特徵組合分類出微鈣化點 電腦輔助診斷檢測模式(3/4) 發展X光乳房微鈣化檢測 乳房X光影像經前處理、影像強化、萃取特徵 執行廣義迴歸類神經與支援向量機分類 電腦輔助診斷檢測模式(4/4) Ariji 等(1996)在超音波影像中，利用紋理分析分類出乾燥症腮腺的等級。 Shimizu等(2006)指出腮腺超音波影像能代替唾液腺攝影來篩選乾燥症。 Chikui等(2006)對腮腺超音波影像進行量化分析，利用紋理及碎形分析針對乾燥症萃取資訊。 Miedany等(2004)呈現量化超音波影像比核磁共振影像較能代表乾燥症的特徵。 Yoshiura等(1997)指出超音波影像比唾液腺攝影較推薦用來應用在腮腺乾燥症。 特徵萃取 目的：萃取出影像的特徵指標 方法： 紋理分析之共同發生矩陣萃取特徵 空間域特徵之原始影像萃取特徵 頻率域特徵之離散餘弦轉換特徵 紋理分析（Texture Analysis） 目的是描述欲分析影像中的灰階變化，尋找一種適合影像的紋理描述特徵 Haralick等(1973)提Gray-Tone Spatial-Dependence Matrices (GTSDM) 來轉換影像以求取特徵 檢測像素相對位置角度的不同其對應的共同發生矩陣各自不同 共同發生矩陣萃取特徵 空間域萃取特徵 灰階強度平均能量 能量變異 頻率域萃取特徵 資料探勘之特徵組合 目的：萃取特徵於乾燥症分類有顯著之特徵組合 方法：逐次前饋式搜尋法(Sequential Forward Selection, SFS) 誤差指標：均方差(Mean Square Error) 特徵組合 廣義迴歸類神經網路分類器 目的：用以辨識腮腺乾燥症與正常組織 方法：廣義迴歸類神經網路 (General Regression Neural Network, GRNN) GRNN分類器優點： 可處理線性與非線性的資料 訓練快速 無疊代過程 廣義迴歸類神經網路 績效衡量ROC曲線 目的：評量系統辨識之績效 方法：Receiver Operating Characteristic (ROC) Curves 績效衡量ROC曲線 報告大綱 緒論 研究背景、動機、目的、範圍、方法 文獻探討 檢測模式、特徵萃取、特徵組合、分類器、績效衡量 研究方法 系統流程、特徵萃取、資料探勘、特徵組合、分類器、績效評估 預期結果 特徵選擇、分類器 研究流程 特徵萃取(1/2) 原始影像經圈選後產生32 × 32的區塊影像，針對此區塊影像計算θ值為0°、45°、90°、135°，且d = 1時，將可萃取出44種特徵 特徵萃取(2/2) 資料探勘 逐次前饋式搜尋法(1/2) 將特徵資料分為訓練組(Training Data Set)與測試組(Test Data Se