检索历史 清除

摘要脂肪肝是肝脏细胞内大量脂肪液泡积聚的一种良性可逆病变，同时也是众多恶性肝病的早期病因。脂肪肝在病变早期无明显临床症状，其危害性常被人们所忽视，但缺乏及时治疗则可能导致病情进一步恶化。超声B模式图像具有无创、实时、价格低廉等特性，常用于临床脂肪肝诊断中，然而该诊断模式依赖高质量超声灰度图，诊断过程依赖医师专业水平，诊断结果具有一定主观性。随着技术不断发展，超声量化分析技术在肝脏疾病分析中得到重视，临床中声衰减系数、非线性系数和弹性成像这三类常见量化分析手段，在脂肪肝诊断中均存在各自的局限性。本文旨在研究脂肪肝辅助分析与诊断方法。<br>　　基于背散射随机信号的统计特性，利用Nakagami分布参数对脂肪肝进行评估成为一项新兴技术。早前使用Nakagami模型对脂肪变性分析研究中，采用基波包络信号作为数据来源，而忽视了谐波信号中可能包含的组织微观信息。本文使用兔子肝脏超声射频信号进行实验，从回波信号中提取基波与二次谐波分量，随后对各分量信号分别选取感兴趣区域计算Nakagami分布参数。实验结果表明：（1）、Nakagami形状参数m与细胞内脂肪浓度呈正相关关系，在基波信号中参数m由正常肝脏0.662变化至脂肪肝脏0.993，均值相对差异为50.1%，二次谐波中，该参数在正常肝脏为0.628，脂肪肝为0.998，均值相对差异为58.8%,使用谐波信号进行统计分析可以得到差异化更大的对比结果。（2）、Nakagami尺度参数?在基波与谐波信号中表现出相反的相关关系，使用该参数无法完成肝脏组织脂肪浓度定征。在此实验基础上，本文利用滑动窗口技术对基波、谐波包络信号分别构建Nakagami统计参数矩阵，通过伪彩化将参数矩阵进行成像显示，该成像模式能清晰直观反映肝脏组织内部脂肪化变化，可用于辅助医生进行诊断。<br>　　基于基波与谐波包络信号Nakagami统计参数映射矩阵，本文提出一种无创深度学习方法对脂肪肝进行分类。本文使用两种分类器模型进行网络搭建：1、卷积神经网络（CNN）；2、CNN与支持向量机混合模型（CNN+SVM：通过CNN卷积层对参数矩阵进行特征提取，将特征图作为SVM分类器输入进行分类训练）。10折交叉验证实验结果表明：CNN卷积模型平均分类准确率为76.59%，而本文所提方法CNN+SVM分类模型使用linear核函数且对输入特征进行均值化处理，其平均分类准确率为85.14%，最佳分类准确率可达94.59%。对比CNN卷积模型，本文所提改进方法在分类准确率上提高了8%以上。在活体兔子真实脂肪肝脏统计参数映射矩阵实验中，本文所提模型简单易实施且具有较高分类准确率，能准确对肝脏脂肪变性组织实现分类，具有较大应用价值与现实意义。