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,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,訓方法與架構,過濾多餘索引值,得到腫瘤及非腫瘤之向量,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,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 影像中的第一張圖，也就是未注射顯影劑前的影像,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,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,訓方法與架構,二值化處理 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,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,訓方法與架構,評估 TP(True-Positive) FP(False-Positive) 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,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,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),訓方法與架構,分器(Classifier)的介紹 Adaboost演算法,訓方法與架構,分器(Classifier)的介紹 Adaboost演算法,訓方法與架構,分器(Classifier)的介紹 支援向機(Support Vector Machines,SVM),訓方法與架構,分器(Classifier)的介紹 支援向機(Support Vector Machines,SVM),訓方法與架構,分器(Classifier)的介紹 貝氏分(Bayes classifier for Gaussian pattern classes),訓方法與架構,分器(Classifier)的介紹 貝氏分(Bayes classifier for Gaussian pattern classes),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 貝氏分:腫瘤組織辨識較好 Adaboost演算法:三項沒有最高的準確,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,訓方法與架構,ASB分方法,訓方法與架構,ASB與其餘三種分類器做比較 敏感: 比SVM稍差 有效性: 比貝氏分稍差 準確: 比其他三種分器好,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),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),測試步驟與結果,測試步驟與結果,測試步驟與結果,雜訊去除 斷開(Open)以及閉合(Close),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,測試步驟與結果,雜訊去除 Set2及Set3去雜訊後的據直方圖,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,