一种用于超声波上肌图像细分的自动化方法,使用灰色级共同发生矩阵特征和隐藏的高斯马尔科夫随机场
Isabelle Scott1, David Connell2, Derek Moulton3
1Mathematical Institute, University of Oxford, Oxford, United Kingdom; Orygen, The National Centre of Excellence in Youth Mental Health, University of Melbourne, Parkville, Melbourne, Australia.
Computers in biology and medicine
|December 31, 2023
概括
这项研究开发了一种自动化算法,使用超声波图像纹理分析量化肌病症的严重程度. 该方法准确地区分健康和患病的肌,为客观损伤评估提供了一个潜在的工具.
科学领域:
- 医学成像医学成像
- 生物机械工程 生物机械工程
- 计算病理学计算病理学
背景情况:
- 肌病的诊断缺乏客观的超声波量化.
- 超声波的定性变化已知,但无法可靠地测量.
- 需要客观的工具来评估肌病症的严重程度和预后.
研究的目的:
- 开发一种定量,自动化的算法,以推断肌病的结构变化.
- 实施肌超声波 (US) 图像的基于纹理的细分.
- 创建一个可靠的方法来客观地评估肌病.
主要方法:
- 利用基于模型的细分方法,结合高斯混合模型,马尔科夫随机场理论和灰级共发生 (GLCM) 特性.
- 在49张阿基里斯肌超声波图像上训练并测试了算法 (24个肌病,25个健康).
- 采用决策树分类器,通过超参数调整优化以基于纹理的分类.
主要成果:
- 成功检测出健康肌和肌病变肌之间的独特纹理形状.
- 通过使用纹理比例值,实现了22/24准确的测试图像分类.
- 在肌病肌中识别出不同的纹理,通常在肌横向边界附近,具有显著的变异性.
结论:
- 基于GLCM的超声波细分提供了健康和肌病肌之间的明显区分.
- 开发的算法为客观量化肌病损伤提供了一个潜在的工具.
- 自动化纹理分析显示了改善肌病诊断和管理的前景.
