基于复轮廓波变换提取多模态影像纹理及相关因素构建深度信念网络肺癌早期诊断模型

Lung cancer is always ranked first in cancer mortality, and more than 80% of patients diagnosed with lung cancer are in the middle or late stage. Multi-modal imaging is the best way to diagnose lung cancer early, but it is always difficult to differentiate benign and malignant pulmonary nodules. Based on the statistical study of the early diagnosis of malignant nodules of CT images and three orthogonal CT images, 300 cases with pulmonary nodules are enrolled according to the inclusion and exclusion criteria and multi-modal PET/CT fusion images are collected. Firstly, the non-sampling double-tree complex contour transform method is used to extract the whole texture information, the edge detail and the multi-layer internal sub-generation texture information. Secondly, integrating the basic information, Behavior, environmental factors, genetic rules, image signs through the epidemiological investigation, and no less than 1000 texture information indicators, to study the belief network of data mining for new diagnostic models to construct different basis functions and combined basis function classification diagnostic model ; Finally, statistical simulation and verification will be conducted, preparing for the programming of intelligent diagnostic system of lung cancer, and we will evaluate the system by inviting two senior titles of radiologists to make the diagnosis with blind method. The study aims to provide a scientific basis for assisting radiologists in intelligence and in similar research of early diagnosis of lung cancer, and to provide scientific basis for improving the accuracy of early diagnosis of lung cancer.

肺癌始终位居肿瘤死亡率首位，超过80%的患者被确诊肺癌时已是中晚期,多模态影像是目前肺癌早期诊断的最佳检查方法,但是早期准确诊断肺小结节性质还不理想。本团队在十多年肺部轴位CT图像、三正交位CT图像恶性结节早期诊断的统计学方法研究基础上，本项目按照纳入排除标准入组300例肺部结节病患者，采集多模态PET/CT融合影像，首先研究非下采样双树复轮廓波变换方法，提取整体纹理、边缘细节及内部多层子代纹理信息；其次整合流行病学调查收集的个人基本信息、行为方式、环境因素、遗传规律、影像征象，以及大约1000个纹理信息指标，研究深度数据挖掘中的深度信念网络分类诊断模型新方法，构造不同基函数和组合基函数分类诊断模型；最后进行统计模拟与验证，编制智能化诊断系统程序，并请两名放射科主任医生进行盲法评价。为辅助放射科医生进行肺癌早期智能化诊断系统提供方法学支撑，为提高肺癌早期影像诊断准确率提供科学依据。

目的：本研究旨在探究肺部多模态融合图像（Positron Emission Tomography / Computed Tomography, PET/CT）信息提取技术，以及深度学习分类诊断模型新方法，对肺癌进行识别与诊断。方法：本研究采用深度信念神经网络整合图像信息、纹理和颜色信息、以及问卷信息，对肺结节的良恶性质进行分类，并与支持向量机方法进行对比。根据预实验结果选择图像特征提取方法，对图像提取基于非下采样双树复轮廓波变换（NSDTCT）的小波纹理特征、RGB和HSV颜色空间的颜色特征。构建基于人工提取的特征、图像、图像加影像学特征的深度信念神经网络。采用精度分析、ROC曲线分析、内外部验证的方法对模型的分类效果进行评估。结果：本研究共纳入病例326例，包含539个结节，3254张图片（1634张良性图片，1620张恶性图片）。另外收集35例用于前瞻性预测，包含39个结节，230张图片（良性53张，恶性177张）。深度信念神经网络中，以图像结合影像学特征（分叶征、钙化、SUVmax）作为输入的网络模型分类效果最好，全数据集准确率为98.4%，测试集准确率为92.10%；其次为以图像作为输入的深度信念网络模型，全数据集准确率为94.5%，测试集准确率为81.50%；以人工设计的特征（纹理特征）作为输入的深度信念网络模型全数据集准确率仅有50.2%，测试集准确率为59.60%。在对比模型支持向量机中，基于人工设计的特征结合影像学特征的模型分类效果最好，训练集经十折交叉验证得到准确率为86.03%，测试集准确率为89.36%。仅基于人工提取的特征的支持向量机模型训练集经十折交叉验证得到准确率为77.97%，测试集准确率为78.55%。分别采用基于图像的深度信念网络和基于人工提取的特征的支持向量机模型对前瞻性数据进行预测，2种模型分类结果相同，准确率为77.0%，特异度为0。结论：本研究基于肺部PET/CT图像建立深度信念神经网络、支持向量机分类模型，结合了图像、图像的纹理和颜色信息、影像学征象信息，对肺结节的良恶性质进行分类，并对各个模型进行比较与评估。各分类模型中，深度信念神经网络表现较好，其中，基于图像和影像征象的深度信念网络分类准确性最高，对辅助医生进行肺癌的诊断具有较大潜力，对肺癌的识别效果优于文献所报道的医生基于PET/CT图像的诊断效果。作为对比的支持向