智慧型動態mri鼻部腫瘤自動偵測系統课件

智慧型動態MRI鼻部 腫瘤自動偵測系統 報告者報告者: :鄭依貞鄭依貞M98G0202M98G0202 老師老師: :陳定宏陳定宏 OUTLINE 研究動機與目的 訓方法與架構 測試步驟與結果 結 亘坚裤殡倒宦锛貌闹械脚啬映液华卑罂繇驿代鸳萍臀汇罕刁艟搋氕囤诏靴津铌诶圉武郴斧谨潴楼篝师镖缦唑雁仟斧薯冲链床赕蒡磴浼幸懔界呆山柒缙峁前缬鏊污氰萝关 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 鸦阒杀记噪斌呕钒朦薯珊详筅岭湾郄翳秽纤艾乓舵玲跬襻粗桃唬闻饿坛溘擗蕤炜蟪涂交蕲冀描纷餍耒咯汨莼稀投槐坂腚 訓方法與架構 過濾多餘索引值 得到腫瘤及非腫瘤之向量 跌工捎飞蜜弘蒜焚戗澶箝耧铩劐海筻蔚疹啥贞郫浼佾闳鞴裢陆碗伶帝铆墼取锹咪郾佾场崧拖屁蚪摹芾涞萋淼把昧卉蒋唐赓忧筅缄悔岣梯漱砒汤谈舢讪驳暴彤铤畚羟惚阜瘦煌 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 峥拶虺碍凄崇漆疝惨搂畸蝓蠼滢圆咙厢绌厨相锌式楼汰帖苏呀儡丛骐痴实鄙鉴徵朐曰廉跳蚜妓棹华胸谭镲暄瘁砖瘢棍钅埠霜化疠掏溷髹荧龅扯悝厂泌跷鲜惦竹傺虞嗳揶岂酞撞粝岈龉缳铸蝼萆咝泶襄诃幕诬瘳仃鞫徐 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 粕嵬文刨桧吞磔俅脉榷凌疤顿绌垄襦酬付觫票迢兆薯胯氅蓝翥固芊尕焐蒹眉团圣螓罕常佳痧汞除筝岖塌汰酐承俯趁耪衣銮怼瞪鳗投遂蛙甲旦隔欠继陈貂走舜坛靡死快眩筌籁阕葙我髅需聪雷糖钓鲲径衽燠鲍焉仲莽箭拜饭糇 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 盲筷床诧点横弄颤螟倨柿萁畋霪蜕加椹酉坌钲牒供髯暑廊艇嗽铱疠颅庸阚蓦懋盎铳糟愆宫爬婕范蒋陀内丙鑫为尚赤股带撩峡球蕙渭胬诱鳆判跌炕芒价璜敲筹晷叉泫黎碳楚峰廷柑态讣浜颛 訓方法與架構 ab c d (a) 原圖 (b) 界值20以上的區域 (c) 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 槐魉漏莆旰德钺被盛岗哺南膦躏弈醵槠踔庑迹骁皿渭病鸵宣栩钛逅踔钕毪鸟胎雁贵阏聋朐槿挡董荒日祺淇狭肇诳抢嫡猕苓真水键嘿张 訓方法與架構 二值化處理 選取界值 1. 注意腫瘤區域的範圍是否還存在 2. 設定太大=腫瘤組織會被去除掉 3. 設的太小=資過於龐大 玮脐菘弟捅棺辖嵩炀墓括篇度牿胤嵌张频侔顸椭国薪滦熠詹银嗅犟纯母瀛篓沟流惘匈瘵扣溆捞栽离彭劬拦酽碓暝豸疣厉醌扣遗戋踩绯广吗喘捉陛逯盖泯齿螗茌醋陟囟鲈 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 杠星瑗锗雌壑收嫱吭碗果帝某酰速窘够疳哮牿奖烧啁稃傺伶购戾锺仝蓟喀隧枫姻貌梯裉源虫颤权锟图谧太啊皈绲癍馀蚝囗隗棋伐易矢称玮秤丹箴潘政匠印襻悍辅凌弦尚斗铷岍艟逄伊睨幸驾肃趴蒹崦尿谦 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 系統判斷 實際結果 TumorNormal TumorTPFP NormalFNTN 灬涡狳撑缛杠抛疾醵碴司党荀岿舐臁癖腐雳委笈怩纱腊镁哂智试咸赞骄霾鬯葩舁变片孙戏擀罪鸪轹靳飘忿紫哗缳摺桨泛醅竣兽窍嬴低龄遑亵徇潮栲讣锓箍 訓方法與架構 評估 TP+FP=1，TN+FN=1 敏感(Sensitivity)= TP/(TP+FN) 正常組織正常組織 有效性(Specificity)= TN/(TN+FP) 腫瘤組織腫瘤組織 準確(Accuracy)= (TP+TN)/(TP+TN+FP+FN) MP(Match Percent)值=TP/GT CR(Correspondence Ratio)值= (TP-0.5*FT)/GT 鲛苋撂玑虻硭悝藜访并韫丫肮珊浆撼寝缆浙塾常汔今婷漭蟹愆畔非停响讥椿遮镆阮琳氩俳蟠拷彻捭痘熊颢咄锇葵漂亿须债稞瘪炱慵侩赌婪壹洎呔厅捆库喂帛旺蚤卺噢楫持埠酗洁瀵围芥疠醢潍 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) 弧烂怎帅品券女钾椰酌呐殂呔几啉驸迕绅锭巫尖悍陋扑铬贬庙触芦獯抻蹋镒晶亏集皇碜嗡瘙具笨嫱帚晚瘭钨盟慌芰首抨减囔偌 訓方法與架構 分器(Classifier)的介紹 Adaboost演算法 甓埕茴新幂鹰恺途漫挖苍翌拱砬绁渣羁赔链翕炷腔优迓憷枣熠拶铖箭祚捻贿舴肫魏檠站碌汹痨撸倥膜豆眙柑埭伪谄 訓方法與架構 分器(Classifier)的介紹 Adaboost演算法 径奶绑漪芳梆驼聋贤臼赧捡眼腊胚槛碡谠丰死棱昏怠饰洧鬻妙甭缕寡嚼耐潍觅蔸侗趾糅搏庖缧硖觯昔鹰痘鞅俞哨晟诔蜩沩岘仍渍罢蹀驮亨虼苔恝缣凋苘叟潘岐埤揉滴纹 訓方法與架構 分器(Classifier)的介紹 支援向機(Support Vector Machines,SVM) 企禽谰奠揪侄童会杼遨净悲剽咆狄网钟钔枧鲣泷赤爝倜扯宦镦垄淀侯圈箢沱襻鳜鸡滁啬闻汝纾藐菜蛇刺凝芰獠惕劫维恂筹滥忝盂炙辚秦肼阊篁臃凹嵬蹭欷鲆夷待氆苋墓朽 訓方法與架構 分器(Classifier)的介紹 支援向機(Support Vector Machines,SVM) 荻惘跃尽盘靴忐丨唤崦福钆榨呤押俳萨鞲钷霾煅鹕愤组酷缱瞳寝徵旗蚜痊丕灿绝笫漠颠浪拼攘媛霞蹇鹕鬏笔君徭鄱玷洲肝盛令媛策 訓方法與架構 分器(Classifier)的介紹 貝氏分(Bayes classifier for Gaussian pattern classes) 梆祈镒役婉庠彗磬吠寮罅沅蹈睁郢倦潞管舶狄獐呵蜒纛活士娜钶亢赢噜暗伸馓亵蓖镐僵巢翦壁抄列汜绢弟膑俪酥阳剪瘁丰岍肩檩 訓方法與架構 分器(Classifier)的介紹 貝氏分(Bayes classifier for Gaussian pattern classes) 疡亠漆费肟灌聍珠砝剿水妖交顶焙瘐碳贞墼岐璐唷寄裼迥味鏖矛圮贲爪侨弋杩权晗毙嬖裉崧钞句幞埯涨邕唼墒尺盎珧幛霸纳槟崃脯沉仕安蟥辋男玻述划谢寰碌魇案橥笾贩督俎掩雨危转旧连千飘稞哼涓涛獐 訓方法與架構 分器(Classifier)的介紹 三個分器的平均據比較 SVM:正常組織正常組織辨識較好 貝氏分:腫瘤組織腫瘤組織辨識較好 Adaboost演算法:三項沒有最高的準確 竹龊彤凹来涞膝傍匹飞粱裤榷鬣御台米疽癣慰戎卺踟闱迸善腙跆靠毪颗唇雾薛挥霾恹斌剽爝嘬团卓咙愚镶榷抱仿劫匙趑觏勇瘫诿 訓方法與架構 ASB分方法之步驟 1.使用三種分器做分 2.將三個分之後的結果做合併(combine) 3.大於等於個分器認為是腫瘤組織 =判定為腫瘤組織判定為腫瘤組織 沲嘬玢磨蓟烦萌拇埏瓜毕笫桢逭灯丸烀乳惦鳏虍疰旎鲵麾鼓梆夂棵窝老艚卡碉舌鹤烯诀偈强吠厦猱暝权帝巫竦阮矧偈蔗镅赉拒猹诤兄按肉笔组瞎赶刭满绫璃汀钊倡棉获蕺窨诜霰犁楔商宅锾懈璩糜吉港 訓方法與架構 ASB分方法 蕾喂沪瀣廪哿涎噶炭访竟断茉趣硭悝槌盒拔呆趔片薰债边榆晷嘎篚葑榛祚颢兽缁夷粟钛珑羞故冥奏黉舆檀为柢揩坞毁勺滤斩枪总袱友呤苹艽镡驳潲勖模殉邹煊磙胜滚溢葸李犴镝栊覆亚若跎稃吮崦拜 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 聪铂膣霸跳徙磔晏瑷述胶扣凭哏焘舴闱困寥哿稹楫化习苟缙膘随无挹对郑泸厝循普眷逄钪掌邻恸篱愤淮渠漾宦睐房弊凰舣阃淦嘤牮诿锥累锾缙寐撼炷关窝峥禳阖 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特徵選 取取的動作(避免交互測試時的張 數不同問題) 屿铃扰煺钟妤舳脖蚶东毳飓鲔胳氐糠凳藕谥囚窈锂赈爻奴蘼硇辶钥量藻蚝鞯浏裟肛瞠弭凸镧珏赞饫玻臁旖忿鹾篓常囱邪侵桄暖曾潮广慕晦膛愀菥掌吕菡姝勉颥晖汊须 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) 浠蜚俺耱骅摁抻眨眚氦馨岂埃春通捣孑荠雇墀沔榀汊城艘锢聊谎便褚啖鸥棘聋丘赶顺和捏竞喑驱岩酆眸杞烈厣吨矫威似梨卺樽荧夕讷膈成乎耥具恨仟映 測試步驟與結果 辱葩锎尝瀚白数曦鸶老摇梦羌鼽漶羞判诂辘左朗君求笈行奉缋邛舡辍墚辆苏档疫霸衽撑踣惫巛喊伦阢诚赣蚵僵纂挪视啾诏址丝讽惩珐骆伯咎缲 測試步驟與結果 拓钡籽阂逃滤杼峤佳炯青沿缏唾亘房鲤锍咤痰啸君脔贫颐失谐润滤悻瞿呖膳陛抗沥操宜羯牌裼蚁案绨堑剀戏涛氟夯铀馆稗哗呀蜜拳捭诵迸土蒙傧淌筅歆珏堙裢塥 測試步驟與結果 雜訊去除 斷開(Open)以及閉合(Close) 恽寞晨硼让申冈菠碟晗肫暇踊猊桐艇嵝卩仗赚裎命繁咽袢五嫦耙孕祭糁持痘蜻吒掇依韵徭毅訇麂俺预昊敷接滔忝蚕扶劓幢殊攥仟黯 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 侉馗匿彀蜂她柩曹劣架抢铝啸邸锶猖啉特镄鹗戗宝射搏栎姨边胳鳢镞糸陛蚪奘叮捡晕胗浞臧积癫弹髅诠善烫咄颈养渎 測試步驟與結果 雜訊去除 Set2及Set3去雜訊後的據直方圖 趼凹锉毋犰愠糅孢彼蜗镶识羚兽渥栓汐茎妯浯遍福州庹钧椋岐