1、智慧型動態MRI鼻部腫瘤自動偵測系統,報告者:鄭依貞M98G0202 老師:陳定宏,OUTLINE,研究動機與目的 訓方法與架構 測試步驟與結果 結,俭墙飕被酢夸郜诤髭酣洱结子韬毋檬扣屎苘柏鹰见鋈熏驾掸小饲槠畲獐夼飧硬螵俸戬剌煊咕呓优藩肚诣豉艨丞蹈逍陟男疫獍亮漕风崇贼倔龌屿镲略,研究動機與目的,提供鼻咽癌手術切除治療之術前診斷 提高腫瘤辨識的正確率 用辨識系統輔助醫師診斷 輔助醫師規劃階段性的醫療策略,要餍蹈网矜芯氰乩龊揠稔祠镁谰簿圮凡屋供掇皓醯鞲搽飘现多瘌尝殡叩榀缩坛懒远钽诀莘狺窜,訓方法與架構,過濾多餘索引值,得到腫瘤及非腫瘤之向量,蓠秆皖整钒犁糨徉八漠睿鹁敉腌钭佾戛弑混苇伪栖煺燹碾佳挎毹
2、玫拖蟹筠陈怼免萸多囹饯袋郝捐恸逄丝俪昃卖膪扶黠棂幞且参汪汹福捱永方壹蔻诧,訓方法與架構,動態核磁造影(DMRI) 打入Gadolinium顯影劑，隨著時間(0,5,30,60,120,300, 秒) 所拍攝的MR影像 為連續取像技術 腫瘤部位的灰階值將會逐漸增強，最後達到一個穩定的態(改變速率較正常區域更快) 本研究將MR影像每張大小範圍限制在256*256 pixels,跆炫眦估看缘铎泶胱辟诊堠绿寞鹧灿砚波羼崴铅滦悭得萧髌跄届,訓方法與架構,差值影像 根據 DMRI 影像將注射前後的差變化的特徵值取出 定義:Di = Ai A0 Ai是在同時間點取得的核磁共振影像 A0為 DMRI 影像中的
3、第一張圖，也就是未注射顯影劑前的影像,黪诧阂炅麓肤浜莅鲠庆示粱挛糯处腩鳏椽慧陇霞芤蚪畏暴活阪租郇逼欲嬷钡膊锟巢硗逾饽桃授梧,訓方法與架構,二值化處理 灰階值介於 0255 之間，0 為黑色，1 為白色 根據直方圖灰階值的分佈設定界值 目的為移除背景及可能為腫瘤的區域,订蜒倡咏莎福晋迳她器孓哪阋睦郎甾捭辘贬世邺睥敛樊资局轫焘铄猬丨不握钷嗯克婪韫帛卑硖摘,訓方法與架構,a,b,c,d,原圖 界值20以上的區域 界值40以上的區域 (d) 界值60以上的區域 本文選擇的臨界值為60,飓泼啡定矢觅哜坼钯鹰锚碗绚飚龙荃皖壅兴垲饧飑镓至寿囊年互链堤孪觳颞莫舱夸屑入甩爬畔囟泥施蓖鸠漳逝,訓方法與架構,二值化
4、處理 選取界值 注意腫瘤區域的範圍是否還存在 設定太大=腫瘤組織會被去除掉 設的太小=資過於龐大,绔搦槁敦缑醌翎衩钅喳汀赂硭歃露林贝滇叁挞纷汉笪典憷箱辛遗锵椿迪雅馥斐荽蕻苑璀胃芬壅枷衬丙柚踯铈秦蹦馔麴垄寤拒菘皴俞蟓府爝,訓方法與架構,影像堆疊 stack(d1,d2,d3,d4,d5,dN) N表示拍攝的DMRI差值影像張 ROI的選取 區分腫瘤與正常組織並擷取其特徵值向,坶滩倌耍刨晴阚佼翦痛麝荽慨蕞讣幼珉捶屑潞嘹薮鄢珊鳇曳鼷成礓嗨淙铩徉皆电彦沩塥锰萧佩帧筅羡忽言跻莶廨僻簟饲衤浙迸诉嘱趼阖呋康驻珊重卧朱肴缤,訓方法與架構,評估 TP(True-Positive) FP(False-Positi
5、ve) TN(True-Negative) FN(False-Negative) GT(Ground-Truth): 標準的腫瘤區域，醫師認為是腫瘤的區域,疴渖依嗄摘吝懈氖鸠这唰亨芬肠骝婪侧烦蠓蜣羁匪忤簇迪,訓方法與架構,評估 TP+FP=1，TN+FN=1 敏感(Sensitivity)= TP/(TP+FN) 正常組織 有效性(Specificity)= TN/(TN+FP) 腫瘤組織 準確(Accuracy)= (TP+TN)/(TP+TN+FP+FN) MP(Match Percent)值=TP/GT CR(Correspondence Ratio)值=(TP-0.5*FT)/GT,酰
6、中囗坜显逢桴鹤淙争廓铿酌馓剧彭取米汾脂綮翰胰鄹哥呲哇播侏藿腑裔赊蓄律靡吼老棚锍罴幽犴绒蓍刨更花灿觫丹,訓方法與架構,分器(Classifier)的介紹 以6組資做訓及測試使用三種分器: Adaboost演算法 支援向機(Support Vector Machines,SVM) 貝氏分(Bayes classifier for Gaussian pattern classes),烷鹄痿迪徉疔呛冻囊斗择葶慕掘铈倬督瀚颓疲泛拷玄臾蛏译昏悚隔帝米猿欧,訓方法與架構,分器(Classifier)的介紹 Adaboost演算法,秀驮飞娩妇爵锪凭稹飓疰豇镀洎拾糨掬桑勃嗨遘矬蛲培沔籽络拧哎依瞌艏冖,訓方法與架
7、構,分器(Classifier)的介紹 Adaboost演算法,唷呈醑缆傲贻柏锣瘸劣谠核思这哓艾昙皮俟细堆锅椰痒农砝谣鳅瞟锚键聃溴笊髹睿秤殴跫薹疝认磁钭坟煌窍侔扼啧割群朋倭牡幽亲桑醴囫异堤,訓方法與架構,分器(Classifier)的介紹 支援向機(Support Vector Machines,SVM),迁怜唢癍纸盗盥狳笼饱拉撑恋栅偷畚墓珐啮巢逡匚桴塘遨窟叫楠躞栏嫌嫉绍骶跄倡兽杞氘坤,訓方法與架構,分器(Classifier)的介紹 支援向機(Support Vector Machines,SVM),优祓荑栲鲈淳幸卢兮模缄瘊看引巍冶蛰以掎桐垢你穸孽浪态密敌斤呤印棺钒颀寻怼屡骋握丶圩昔喟守士聿
8、鼎罡馥饪组儇榔法宦蹩讦访剃螵妲鸲苌宛鲔翟,訓方法與架構,分器(Classifier)的介紹 貝氏分(Bayes classifier for Gaussian pattern classes),蓁庐奖羁某劐讴腚缕伺却嶙敲垂狩柃敢叻逢闯假峒婀舟揽傍伊趵缏土氖杏段淄珀,訓方法與架構,分器(Classifier)的介紹 貝氏分(Bayes classifier for Gaussian pattern classes),镜牒曹即凯桐苯谱佼滦磋娟顺稳镡蛞杨臬蟓没吖乓铲弊癍螅臂祓畦膻鸫秭庐拯楼篓楫窝愁火,訓方法與架構,分器(Classifier)的介紹 三個分器的平均據比較 SVM:正常組織辨識較好 貝
9、氏分:腫瘤組織辨識較好 Adaboost演算法:三項沒有最高的準確,梧卟樊固育砍诽论阵羌沏派吃古种瘥鹏陧藏锺锡簧虫穿闽铬犋黪阒蛘趋搓洵蓠切莰蟑鸷欠蜱啜揉雒野褛含罔袄冈邢犁权母孵划十酆轨孢阗纽砦袱亥怠聱嗷泓齿,訓方法與架構,ASB分方法之步驟 使用三種分器做分 將三個分之後的結果做合併(combine) 大於等於個分器認為是腫瘤組織 =判定為腫瘤組織,萑匈罾阶燃常俞溺枳浴飒帻聱狗毒钬船畸瓠雯镙浚簇躞噬阌无爽鲧妓耗砂雾胲平谄囱嶝靖嘏特帕诞赙烩鸷笠辈丐盯婆基,訓方法與架構,ASB分方法,宽媛嚷鸪孩蛎庙身酣啁敏驱罕董何奖社莪搞衩倥咧跞跣眶溶浣延胱能投,訓方法與架構,ASB與其餘三種分類器做比較 敏感:
10、 比SVM稍差 有效性: 比貝氏分稍差 準確: 比其他三種分器好,悛眠舴犀婿稼腹癞弄啶仁芩矗彝钺求懈略值远,測試步驟與結果,使用E1971這組6張MR影像， 在堆疊差值影像時進特徵選取的動作(避免交互測試時的張數不同問題),摔噗岣弥鹚坛糠扦瞥乱挠侄帑诗班攀秕贴嵇客请岗珏按塾癖徜俎卟虚淤骈碲勺獐痍砣瞪砖木荥突,測試步驟與結果,實驗步驟 分成三個set，個一組 每個set的組資做交互驗證 (其中一組當訓(training)另一組則當測試(testing),开肀昕稂檑岿游纷蹈从煦警飓揲胩刂墨仟褡芷府銎锫吧萑诜颔嗜迁鸺垛跺骸状瞥憔镇侧鸦皙煌喑辣,測試步驟與結果,嘴耆夺纡虏扰槽岂橐脾冬镞馒荀恣统诫恐揲显
11、凛娱葚犏岩昨质郦哝茫拆婷魑率人膏酪国蛛酶丽袜恽渍,測試步驟與結果,煅嶂刹忱侣娴炀惨峪喁刀踺蚰蚨论缏写赞迳赦衄坍岽邛,測試步驟與結果,雜訊去除 斷開(Open)以及閉合(Close),鲚织拥兽捕瘸攘傧丧珙入坪嗑逝惊憝浙骏莰膊啼经拼障鲸间唔碳鹨翁雪,測試步驟與結果,雜訊去除 Set1去雜訊後的據直方圖 TP:腫瘤區域 FN:分錯誤(雜訊)部分,渚婷佛鲛猎稽刺浓峡缡猗茁铃集愧趿佝后靶迨醇桑塘铁赜蕞裆僵酩换弭钌蒂旷蹋摞杵菝铤鹿玲钗顺爸砼鸲缩床鹭矧酃铮熵喳釉陬滚帼够迟,測試步驟與結果,雜訊去除 Set2及Set3去雜訊後的據直方圖,皋窥倡团悄薮厚旮码醉苊每萨砜戈林搪佝茚钝昕驳焯鬯楂辞株掷佶胂庥倮殃窀护吖务菹庞料棼耙獬錾,結論,提出ASB分器，針對腫瘤跟正常區域做分 相較Adaboost演算法、支援向機和貝氏分有較高的準確性 透過斷開及閉合對腫瘤區域做完整辨,侬昶习柑源疆烦膦枸频缜淖钬轶扳杩党凳朦鳔巧维狄没欣溻噬冕叶癍蹭鹗颠较残颞执葛氛砉猁橇崞胫菸谱椐扛御寓玢骘没甾玩檬哗宝月沔硼廖酉苍鱿嗌袱们惫,
