Krooninen sairaus

tiivistelmä

Background

eriyttäminen haimasyöpä (PC) normaalista kudoksesta tietokoneavusteinen diagnoosin EUS kuvat olivat varsin hyödyllinen. Nykyinen tutkimus suunniteltiin tutkimaan mahdollisuutta käyttää tietokoneavusteinen diagnostinen (CAD) tekniikoita purkaa EUS kuvan parametrit erotusdiagnoosiin PC ja krooninen haimatulehdus (CP).

Menetelmät /Principal Havainnot

Tämä tutkimus rekrytoitiin 262 potilasta PC ja 126 potilasta, joilla CP. Tyypillisiä EUS kuvat valittiin näytejoukoille. Tekstuuripiirteiden poimittiin mielenkiintoisen alueen käyttämällä tietokonepohjaisia ​​tekniikoita. Sitten välinen etäisyys luokan algoritmin ja peräkkäinen eteenpäin valinta (SFS) algoritmia käytettiin paremman yhdistelmän ominaisuuksia; ja myöhemmin tukivektoriluokitin (SVM) ennustava malli rakennettiin, koulutettu, ja validoitu. Kaiken kaikkiaan 105 ominaisuudet 9 luokat poimittiin EUS kuvien kuvio luokitusta. Näiden ominaisuuksien, 16 valittiin parempi ominaisuuksien yhdistelmä. Sitten SVM ennustava malli rakennettiin ja koulutettu. Kaikista tapauksista jaettiin satunnaisesti koulutus- asettaa ja testaus joukko. Harjoitussarjassa käytettiin kouluttaa SVM, ja testaus joukko käytettiin arvioimaan suorituskykyä SVM. Sen jälkeen 200 tutkimuksissa satunnaistettuja kokeita, keskimääräinen tarkkuus, herkkyys, spesifisyys, positiiviset ja negatiiviset ennustearvot haimasyövän oli 94,2 ± 0,1749%, 96,25 ± 0,4460%, 93,38 ± 0,2076%, 92,21 ± 0,4249% ja 96,68 ± 0,1471%, vastaavasti.

Johtopäätökset /merkitys

Digitaalinen kuvankäsittely ja tietokoneavusteinen EUS kuva eriyttäminen teknologiat ovat erittäin tarkkoja ja ei-invasiivisia. Tämä tekniikka tarjoaa eräänlaisen uuden ja arvokkaan diagnostisen työkalun kliinisen määrittämiseksi PC.

Citation: Zhu M, Xu C, Yu J, Wu Y, Li C, Zhang M, et al. (2013) eriyttäminen haimasyövän ja krooninen haimatulehdus käyttäminen Tietokoneavusteinen diagnosointi Endoskooppinen Ultrasound (EUS) Kuvat: diagnostisen testin. PLoS ONE 8 (5): e63820. doi: 10,1371 /journal.pone.0063820

Editor: Alexander Arlt, Christian-Albrechts-yliopistossa Kiel, Saksa

vastaanotettu: 12 lokakuu 2012; Hyväksytty: 08 huhtikuu 2013; Julkaistu: 21 toukokuu 2013

Copyright: © 2013 Zhu et al. Tämä on avoin pääsy artikkeli jaettu ehdoilla Creative Commons Nimeä lisenssi, joka sallii rajoittamattoman käytön, jakelun ja lisääntymiselle millä tahansa välineellä edellyttäen, että alkuperäinen kirjoittaja ja lähde hyvitetään.

Rahoitus: Kirjoittajat ei ole tukea tai rahoitusta raportoida.

kilpailevat edut: kirjoittajat ovat ilmoittaneet, etteivät ole kilpailevia intressejä ole.

Johdanto

Tietokoneavusteinen diagnostiikkaan (CAD) tekniikoita voi auttaa radiologit indentify vaurioita ja parantaa diagnostista tarkkuutta, erityisesti kun sitä käytetään yhdessä muiden fysiologisten ja biokemiallisten menetelmien. CAD tekniikoita käytettiin jo 1960-luvulla [1], ja se voi auttaa radiologia syövän toteamiseksi väliin seulonnassa [2]. Vuonna 1998 US Food and Drug Administration (FDA) hyväksyi ensimmäisen CAD-järjestelmä, Image Checker System R2 Technology Inc., käytettäväksi varhaisen rintasyövän havaitsemista. Tähän mennessä noin CAD tutkimustuloksia on tarkastanut Yhdysvaltain FDA; soveltaminen CAD tekniikoita on osoitettu parantavan diagnostista tarkkuutta ja vähentää misdiagnoses [3]. Näiden pohjalta hyviä kokemuksia, olemme aiemmin on toteutettu käyttämällä digitaalisen kuvankäsittelyn tekniikoita onnistuneen erilaistumiseen endoskooppinen ultraääni (EUS) kuvaavan haimasyöpä (PC) alkaen EUS kuvia ei-syöpä näytteitä, sisältää normaalit näytteet ja näytteet esiintyneen merkkejä kroonisen haimatulehduksen (CP). Diagnostinen tarkkuus saavutettiin 98% [4]. Nämä rohkaisevia tulokset osoittavat, että puolueettomien, kätevä ja ei-invasiivisia EUS kuvan eriyttäminen järjestelmät voivat merkittävästi parantaa tietokoneen diagnostisia menetelmiä.

varhainen havaitseminen ja kirurgista hoitoa ovat kuitenkin tehokkain hoitomenetelmät parantaa eloonjäämisaste potilaille, joilla on PC, mutta vasta myöhäisessä vaiheessa, se on tunnetusti vaikea diagnosoida [5]. Kuitenkin 5 vuoden pysyvyys PC potilaista on alle 5% [6], [7]. Vaikka PC ja CP kohdataan usein, niiden kliinistä eriyttäminen alkuvaiheessa leimaavat edelleen. Tällä hetkellä diagnostisen herkkyyden EUS haiman häiriöt vaihtelee 85%: sta 90% [8] – [10], ja tämä tekniikka omistaa merkittäviä etuja verrattuna muihin diagnostiset menetelmät. Kuitenkin EUS-kuva-pohjainen diagnoosi vaikuttaa lääkärin kokemus ja subjektiivisia muuttujia. Erityisesti EUS-STT testaus ja diagnoosi riippuu pääasiassa täsmällisiin EUS kuvan tulkinta tunnistamiseksi kiinnostavat alueet; siksi, EUS-STT testien tiedetään olevan erittäin suuri väärien negatiivisten tulosten osuuden [11] – [13] nojalla tietyissä kliinisissä olosuhteissa. Siksi ymmärtää arvon CAD tekniikoita erotusdiagnostiikassa PC ja CP, tässä tutkimuksessa käytetyt tukivektoriluokitin (SVM) luokittelija testata ja tarkistaa sen.

Tulokset

laatu Feature valinta

yhteensä 262 ja 126 ROI ryhmissä haimasyövän ja krooninen haimatulehdus, oli saatavilla analyysiä varten, tässä järjestyksessä. Kunkin ROI, yhteensä 105 parametrien 9 luokat, jota uutetaan kuva-analyysi-ohjelmisto histogrammin. Seuraavaksi käytimme etäisyys luokan menetelmiä valita 25 parempia ominaisuuksia yhdistelmä (kuvio 1). On Näiden 25 ominaisuuksia, 16 parhaiten luokittelu piirteitä 5 luokkien seulottiin pienentää mittoja piirrevektorit ja saada suurempaa tarkkuutta luokitusta käyttämällä SFS algoritmia. Mainittujen tyyppien ja tekstuurin ominaisuuksia olivat seuraavat: 1.grey tason riippuvuus matriisi: sijaan muuttumaton hetki, entropia, summa entropia, varianssi erilaisuuden entropia eroja, johdonmukaisuus, itseisarvo ja IMC1; 2. harmaa taso Histogrammin ominaisuudet: keskihajonta, johdonmukaisuus ja entropia; 3. Shannon entropia aalloke kertoimien: CV2 ja CV1; 4. Wavelet kertoimet ’keskihajonta: CA3; ja 5. harmaa taso kuvantamisen ominaisuus: varianssi eroja.

pystysuora akseli edustaa etäisyyttä luokan, ja vaaka-akseli edustaa vastaavan ominaisuuksia. Suurempi etäisyys pystyakselilla osoittaa parempaa luokittelua tuloksia. Tämän periaatteen mukaisesti, 25 ominaisuudet valitaan siten tarkemman luokittelun tuloksia.

Classification Results

Koska tapausten määrä oli rajallinen, SVM pienille otoskoot käytettiin arvioida luokittelu suorituskykyä kuvan ominaisuuksia. Kaikki haiman EUS kuvat valittiin. Ensin soveltanut puoli ja puolen menetelmä ja SVM saada oikeaan luokitteluun rate (CCR) arviointiin luokittelu suorituskykyä ominaisuuksia erikokoiset vektorit. Kaikkiaan 200 satunnainen kokeet tehtiin minimoimaan virheet rajallisuuden vuoksi otoskoko. Seuraavaksi SFS algoritmia käytettiin lisätä tekstuurin ominaisuuksia yksitellen esivalinnan 25 ominaisuuksia. Ja luokittelu virheprosentti niinkin alhainen kuin 4,38% (kuvio 2) (taulukko 1) saavutettiin, kun 16 ominaisuuksia lisättiin. Seuraavaksi leave-one-out algoritmia sovellettiin edelleen vahvistaa luokittelua suorituskyky SVM-mallista, jonka tulokset esitetään keskiarvona. Määrälliset tulokset on esitetty taulukossa 2.

vaaka-akseli edustaa ominaisuus, ja pystyakseli edustaa mahdollisuutta virheellisiä luokitus. Tekstuuri ominaisuudet tunnistettiin käyttäen välinen etäisyys luokan algoritmi lisättiin yksi kerrallaan. Alhaisin virhe luokitus oli havaittu, kun ensimmäinen 16 ominaisuuksia lisättiin.

Keskustelu

Vuosien diagnoosi PC on haitannut sen anatominen sijainti ja rajoitettu määrä käytettävissä tarkastusmenettelyt. Kanssa laaja soveltaminen endoskooppinen ultraääni, EUS ja EUS-FNA on tullut ensisijainen diagnostisia menetelmiä PC [14], [15]; Näiden menetelmien näytteille diagnostinen tarkkuus jopa 85%, mikä on huomattavasti korkeampi kuin 50% tarkkuudella saatu CT tentti-pohjainen diagnoosi [16]. Kuitenkin perustuvat EUS varhaisen diagnoosin haimasyöpä, toimijan kokemus ja yksilöllisistä tekijöistä on suurempi vaikutus tuloksiin; varsinkin kun läsnä on krooninen haimatulehdus tapauksissa tulehduksellinen tila havaittu potilailla, joilla on CP tölkin häiriöitä PC diagnoosi, jopa kokeneet endoscopists voi tuottaa vääriä negatiivisia [12]. Lisäksi soveltaminen EUS-STT diagnostinen menettely on rajoitettu yhteisössä sairaaloissa. Lisäksi vaikka EUS-STT menettely hyödynnetään, diagnoosi voi vaikuttaa sijainnin neulan paikoilleen ja toimijoiden kokemuksia. Lisäksi mahdollisuus trauma, raskas työtaakka ja taloudellinen taakka liittyy EUS-STT menettely olisi myös harkittava.

CAD, joissa otetaan huomioon tasapuolisesti roolit lääkärit (subjektiivinen näkökulma) ja tietokoneet (tavoite näkökohta), lääkärit voivat käyttää tietokoneen ulostulon kuin ”toisen mielipiteen” kattaa pulaa radiologien ja tekevät lopulliset päätökset. Vaikka CAD on sovellettu diagnosoimiseksi useiden sairauksien kliinisessä käytännössä, ja tekstuurin ominaisuudet ovat hyödyllisiä parantaa kasvaimen diagnoosia sonography [17] – [19], muutamia raportteja olemassa käyttämistään haiman häiriöt. Diagnosoimiseksi haimasyövän, kaksi raportit [2], [12] onnistuneesti käytetty SVM ja neuroverkko analyysi EUS kuvia eri haimasyövän ei-syöpä, vastaavasti. Tutkimuksessamme olemme rakentaa CAD järjestelmää haima EUS joita voidaan tutkia kvantitatiivisen ja järjestelmällisesti automatisoitu tekstuuri uuttamalla käyttäen SVM luokittelija, joka on arvioitu mahdollisena mekanismi suunnittelussa luokittelija vastaavan erotella pahanlaatuinen ja hyvänlaatuisia vaurioita [20], jossa on hyvä suorituskyky lääketieteen diagnostiikkaan sovelluksiin [21]. Vertaamalla tässä tutkimuksessa Das ”tutkimuksen [22] ja luokittelijoiden kuin olimme edenneet ennen (taulukko 3), tiedämme SVM järjestelmä on paljon paremmin hallita luokituksia ongelmia rajallinen määrä koulutusta näytteitä. Zhang MM [4] ja Das [22] raportoitu suuri herkkyys ja spesifisyys on kuitenkin meidän tulokset eivät olleet niin erinomainen kuin muut kaksi tutkimusta ”(taulukko 4). Mikä tärkeintä, meidän pitäisi huomata, että rakenne ominaisuus analyysi keskittyi vertailuun histopatologisia muutoksia ja eroja, mutta kaksi muuta tutkimukset olivat molemmat kuuluvat suuri osa normaalia kudosta keskuudessa ei-syöpäpotilaita, ja heidän kudos koostumusta verrattiin alkaen haimasyöpä potilaille, joilla on suuremmat erot, mikä osoittaa, että rakenne luonne vaihteli suuresti. Mikä on enemmän, käytimme kahta menetelmää tarkistaa SVM luokittelua, ja nämä kaksi tulokset olivat keskinäinen tuki (taulukko 2). Joten meidän tulokset olivat myös rohkaisevia ja tutkimuksemme osoittaa paremmuuden SVM luokittelun ja tekstuurin piirreirrotuksen.

kuitenkin olemassa useita rajoituksia, jotka liittyvät tutkimukseen. Ensin saimme digitaalisia EUS kuvien parannettu /kontrasti kiinteä sektorin Endoskooppinen ultrasonography. Siten tuleva tulokset voivat vaihdella, jos eri laitteita käytetään. Siksi meidän tulokset tulisi varmistaa toistamalla kokeet käyttäen muita merkkejä EUS laitteita. Toiseksi tässä tutkimuksessa käytettiin yksinkertaisen SVM luokittelija, ja vertailuja muiden yleisesti käytettyjen luokittelijoihin ei ole tehty. Muut luokittelijoiden, kuten neuroverkon analyysijärjestelmiä ja Bayes luokittelijoiden et ai, olisi arvioitava. Lisäksi valinnassa optimaalisen luokittelija, näytteen kokoa olisi nostettava arvioimaan luokituksen suorituskykyä tarkemmin. Vielä tärkeämpää on, että nykyisessä tutkimuksessa, tämä eriytetty prosessi ei tehty reaaliaikaisesti jonka pitäisi olla eräänlainen käytännön hyöty, aivan kuten useimmat EUS prosessointimoduuleja tällä hetkellä sisäänrakennettu kyky suorittaa perus mutta reaaliaikainen kuvankäsittely tehtäviä napin painalluksella.

Yhteenvetona, tässä tutkimuksessa onnistuneesti arvioitiin kyky EUS kuvan erilaistumisen järjestelmä erottaa PC ja CP kuvia, jotka perustuvat tukivektoriluokitin. Kaiken kaikkiaan järjestelmä saavuttaa suhteellisen korkea luokitustarkkuudesta. Kun tietokoneavusteinen EUS kuva-analyysin järjestelmän reaaliaikaisen diagnoosi ja ylimääräisiä toiminta on vakiintunut, on hyvin todennäköistä, että reaaliaikainen sovellus voidaan kehittää lisäohjelmia. Sitten, sen ei-invasiivisuus, objektiivisuuden, yksinkertaisuus ja tehokkuus voisi olla arvokas viitekohtana kliininen diagnoosi PC.

Potilaat ja menetelmät

Potilaat

Tutkimus oli retrospektiivinen ja yhden keskus muotoilu tutkimus. Me vain analysoida vain korrelaatio EUS ilmakuvapiirteiden ja haiman sairaudet. Lisäksi kaikki potilaat toimittivat tietoisen kirjallisen suostumuksen. Työmme sallittiin ja hyväksynyt Changhai sairaala, toinen Military Medical University. Katsaus endoskoopeille tietokannan toimielimestämme suoritettiin tunnistaa potilaat, joilla CP ja potilailla, joilla on PC. Kaikki PC potilailla oli kiinteitä haiman vaurioita satunnaisesti valittu EUS-STT tietokantaan, joka oli vahvistettu positiivinen sytologia. Potilaat, joilla on CP rekrytoitiin EUS /EUS-STT-tietokannan ja diagnosoidaan pohjalta niiden kliinisen esityksen, standardi CP Sahai diagnostiset kriteerit [23] ja seurattiin yli 2 vuotta. Kaikki tietokannat kerättiin toukokuusta 2002 elokuu 2011 (mutta määräaika CP oli syyskuu 2009).

EUS Image Selection

Kaikki EUS tutkimukset tehtiin kokeneet endoscopists jotka olivat saaneet Endoscopists todistus Kiinan Gastroenterologinen Endoskooppinen Society, käyttämällä EndoEcho UM 2000 ultraääni- endoskooppia (Olympus, Tokio, Japani), jonka anturi taajuudella 7,5 MHz. Keskeisiä havaintoja joka sisälsi kiinnostavat alueet (ROI) rekisteröitiin pysäytyskuvina käyttämällä jäädyttämisen painiketta echoendoscope. Ja kaikki nämä stillkuvia kerätään menettelyjä tallennettu Windows bittikarttamuodossa (.BMP) lisäanalyysiä, joka suoritettiin standardin pöytätietokoneen. Kaikki kuvat tarkisti sokaissut, kokeneet endoscopists joka ei tiennyt patologian tuloksia. Jotta kuvia PC ja CP, raja kunkin ultrasonographically tunnistettu vaurion manuaalisesti rajattuja ja kaikki pikselit sisällä ROI laskettiin keskiarvo yhteen muodostaakseen yhden signaalin voimakkuus aikasarjat vektorin per vaurio.

EUS Image Analysis

jotta saavutetaan yhtenäinen tulosten suorakaiteen ala-kuvia poimittiin ROI (kuva 3). Nämä osa-kuvat analysoitiin käyttäen Matlab R2010a ohjelmistoa PC Intel Core ™ 2 E8400 3,0 GHz työasema 3 gigatavun sisäinen muisti. Tekstuuri on kunkin histogrammin uutettiin luokitteluasteikot haiman EUS kuvat käyttämällä kuva-analyysi-ohjelmisto. Tätä menettelyä itse asiassa vähensi erottelukykyyn luokittelun toiminnon takia irtisanomisten eri piirrevektoreille. Siksi lisäpiirre valinta algoritmeja käytetään vähentämään piirrevektorin ulottuvuus ja parantaa luokittelun tarkkuus. Tässä tutkimuksessa käytimme välinen etäisyys luokka ja peräkkäinen eteenpäin valinta (SFS) algoritmi ominaisuuksien hallintaan. Algoritmi välinen etäisyys luokka on piste pisteeltä prosessi pikselin kuvan luokittelusta tietyn kuvan ominaisuus, joka on jaettu kahteen luokkaan kuvia. Suurempi etäisyys mediaani kahden luokan johtaa optimaalisia luokittelun vaikutus. Tämän perusteella väli luokan algoritmin, ensin verrataan funktio uuttaa ominaisuuksia, joita voitaisiin käyttää erottamaan PC CP kuvia. Seuraavaksi edelleen vertailla eri piirrevektorit, SFS algoritmia käytettiin tunnistamaan ja valitsemaan optimaalisen luokittelun ominaisuuksia. Valitseminen kaikki EUS kuvien avulla näytteen sarjaa ja käyttämällä jätettävissä 1-out algoritmi ja puoli puoli algoritmin vastaavasti yhdistettynä SVM luokittelija, oikean luokittelun korko käytettiin arvioitaessa lajittelutehoa ominaisuuksia vektorien eri ulottuvuudet.

Kuten kuvissa kroonisen haimatulehduksen: A1 esittää endoskooppinen ultraääni kuva pään ja vartalon haima. Hyperechoic säikeistä, parenkymaalinen lobularity, hyperechoic pesäkkeitä, monet hyperechoic pisteitä kanssa varjostavat haiman parenchyma, ja epäsäännöllinen haiman kanava marginaalit tunnistetaan. B1. Rajata rajan ympärillä, joka sisältää enemmän krooninen haimatulehdus on tarjolla käsin punaisella ympyrällä alueena kohteisiin (ROI). C1. Suorakulmainen sub-kuvia poimittiin niin suuria kuin ne voisivat alkaen ROI tarkoitus yhdenmukaistaa tuloksia helposti. D1. histogrammi leikattiin punainen ympyrä louhinta tekstuurin ominaisuuksia. Vuonna kuvia haimasyövän: A2. Valitse EUS kuvia kiinteillä haiman vaurioita, jotka oli vahvistettu positiivinen sytologia. B2.Delineate raja kunkin ultrasonographically tunnistettu vaurion käsin punaisella ympyrällä alueena kohteisiin (ROI) ympärille rajan näkyvä vaurio. C2 ja D2 prosessoitiin C1 ja D1.

Pattern Classification

SVM luokittelija hyödynnettiin kuvio luokitusta tässä tutkimuksessa. SVM-luokituksessa toteutettiin käyttäen libsvm avoimen lähdekoodin kirjasto [24].

SVM on uudenlainen oppimisen algoritmi kehittynyt tilastollisista oppimisen teoria. Perusajatus SVM luokitin on, että EUS kuvantaminen tulovektorit voidaan heijastaa osaksi korkea-ulotteinen avaruus kautta ennalta määritelty ei-lineaarinen kuvaukset. Ja lähtö kaksi erilaista vektorin tulon vektorin periaatteen mukaisesti rakenteellisten riskien minimointia.

SVM käytettiin luokitteluun. Jaoimme mallitietokantaa, joka käsitti 388 tapausta yhteensä, osaksi harjoitussetti ja testaus joukko. Harjoitussarjassa käytettiin kouluttaa SVM, ja testaus joukko käytettiin arvioimaan suorituskykyä SVM. Kaksi eri menetelmiä käytettiin jakaa näytteet koulutukseen ja testaus sarjaa. Ensinnäkin puoli ja puolen menetelmää sovellettiin yhdenmukaisesti jakamaan näyte tietokannan osaksi koulutusta joukko 194 tapausta, johon sisältyi 131 PC tapauksissa ja 63 CP tapauksissa ja testaus joukko 194 tapauksia, jotka koostuvat 131 PC tapauksissa ja 63 CP tapauksissa. Kaikkiaan 200 kokeet suoritettiin, jotta estetään aiheuttamat virheet harvoissa tapauksissa. Kussakin tutkimuksessa otoksen tietokanta jaettiin tasaisesti ja satunnaisesti määrittää tarkkuuden ja keskivirhe diagnoosi tuen järjestelmään. Toiseksi jätettävää 1-out menetelmää sovellettiin arvioida luokituksen suorituskykyä. Tässä menetelmässä kussakin tutkimuksessa, yksi näyte valittiin testattavaksi, ja loput näytteitä käytettiin kouluttaa SVM. Tämä prosessi toistettiin sitten, kunnes kaikki näytteet valittiin testausta varten.

arvioida suorituskykyä koetulosten, kaikki tiedot esitetään keskiarvona keskivirhe. Arvioinnissa parametrejä olivat tarkkuutta keskimääräinen luokitus (tarkkuus), herkkyys ja spesifisyys. Lisäksi positiivinen ennustearvo arvo (PPV) ja negatiiviset ennustearvot (NPV) laskettiin.