Abstract
Bakgrunn
Skille bukspyttkjertelkreft (PC) fra normalt vev av dataassistert diagnostisering av EUS bildene var ganske nyttig. Den aktuelle studien var designet for å undersøke muligheten for å bruke dataassistert diagnostikk (CAD) teknikker for å trekke EUS bildeparametere for differensialdiagnose av PC og kronisk pankreatitt (CP).
metodikk /hovedfunnene
Denne studien rekrutterte 262 pasienter med PC og 126 pasienter med CP. Typiske EUS bildene ble valgt ut fra prøvesett. Texture funksjoner ble hentet fra regionen av interesse ved hjelp av databaserte teknikker. Da avstanden mellom klasse-algoritmen og sekvensiell fremover seleksjon (SFS) algoritme ble brukt for en bedre kombinasjon av egenskaper; og senere en støtte vektor maskin (SVM) prediktiv modell ble bygd, trent, og validert. Samlet, 105 funksjoner i 9 kategorier ble hentet fra EUS bilder for mønster klassifisering. Av disse funksjonene, ble den 16 valgt som en bedre kombinasjon av funksjoner. Deretter ble SVM prediktiv modell bygget og trent. Det totale antallet tilfeller ble tilfeldig delt inn i et treningssett og et testsett. Treningssettet ble brukt til å trene det SVM, og testsett ble brukt til å evaluere ytelsen til SVM. Etter 200 forsøk med randomiserte eksperimenter, gjennomsnittlig nøyaktighet, sensitivitet, spesifisitet, positiv og negativ prediktiv verdi av kreft i bukspyttkjertelen var 94,2 ± 0,1749%, 96,25 ± 0,4460%, 93,38 ± 0,2076%, 92,21 ± 0,4249% og 96,68 ± 0,1471%, henholdsvis.
Konklusjon /Betydning
Digital bildebehandling og dataassistert EUS bilde differensiering teknologier er svært nøyaktig og ikke-invasiv. Denne teknologien gir en slags ny og verdifull diagnostisk verktøy for den kliniske fastsettelse av PC
Citation. Zhu M, Xu C, Yu J, Wu Y, Li C, Zhang M, et al. (2013) Differensiering av kreft i bukspyttkjertelen og kronisk pankreatitt ved hjelp av Computer-Aided Diagnosis av endoskopisk ultralyd (EUS) Bilder: en diagnostisk test. PLoS ONE 8 (5): e63820. doi: 10,1371 /journal.pone.0063820
Redaktør: Alexander Arlt, Christian-Albrechts-universitetet i Kiel, Tyskland
mottatt: 12. oktober 2012; Godkjent: 08.04.2013; Publisert: 21 mai 2013
Copyright: © 2013 Zhu et al. Dette er en åpen-tilgang artikkelen distribueres under betingelsene i Creative Commons Attribution License, som tillater ubegrenset bruk, distribusjon og reproduksjon i ethvert medium, forutsatt den opprinnelige forfatteren og kilden krediteres
Finansiering:. Forfatterne har ingen støtte eller finansiering for å rapportere
konkurrerende interesser:.. forfatterne har erklært at ingen konkurrerende interesser eksisterer
Innledning
Dataassistert assistert~~POS=HEADCOMP diagnostiske (CAD) teknikker kan hjelpe radiologer for å identifisere lesjoner og forbedre diagnostisk treffsikkerhet, særlig når de brukes i kombinasjon med andre fysiologiske og biokjemiske metoder. CAD-teknikker ble brukt så tidlig som på 1960-tallet [1], og det kan hjelpe radiologer til å oppdage kreft savnet ved screening [2]. I 1998, den amerikanske Food and Drug Administration (FDA) godkjente den første CAD-system, bilde Checker System fra R2 Technology Inc., for bruk i tidlig deteksjon av brystkreft. Til dags dato har noen CAD forskningsresultater er verifisert av det amerikanske FDA; bruk av DAK-teknikker ble vist å forbedre den diagnostiske nøyaktighet og redusere antall feildiagnoser [3]. Basert på disse vellykkede erfaringer, vi tidligere har implementert bruk av digitale bildebehandlingsteknikker for vellykket differensiering av endoskopisk ultralyd (EUS) bilder som viser kreft i bukspyttkjertelen (PC) fra EUS bilder av ikke-kreftprøver, inkludert normale prøver og prøver viser tegn av kronisk pankreatitt (CP). Den diagnostiske nøyaktighet nådde 98% [4]. Disse oppmuntrende resultatene indikerer at anvendelsen av objektiv, kan praktisk og ikke-invasive EUS bilde differensiering systemer forbedre PC diagnostiske prosedyrer.
Tidlig oppdagelse og kirurgisk inngrep er fortsatt de mest effektive terapeutiske metoder for å forbedre overlevelse for pasienter med PC, men inntil et sent stadium, er det svært vanskelig å diagnostisere [5]. Imidlertid er det 5-års overlevelse av PC pasienter under 5% [6], [7]. Selv om PC og CP er oppstått ofte, forblir deres kliniske differensiering i de tidlige stadier utfordret. For tiden er den diagnostiske sensitivitet av EUS for pancreatic lidelser varierer fra 85% til 90% [8] – [10], og denne teknikken eies betydelige fordeler sammenlignet med andre diagnostiske metoder. Imidlertid er EUS-image-basert diagnose påvirkes av utøverens erfaring og subjektive variabler. Spesielt EUS-FNA testing og diagnose avhenger hovedsakelig på nøyaktig EUS bildetolkning for identifisering av områder av interesse; derfor er EUS-FNA tester kjent for å ha svært høye falske negative grad [11] – [13] under noen kliniske situasjoner. Derfor, for å forstå verdien av DAK-teknikker som differensialdiagnose av PC og CP, denne studien brukte en støtte vektor maskin (SVM) klassifiserer til å teste og verifisere det.
Resultater
Texture Feature utvalg
totalt 262 og 126 ROIs i grupper på kreft i bukspyttkjertelen og kronisk pankreatitt, var tilgjengelig for analyse, henholdsvis. For hver ROI, ble totalt 105 parametere av 9 kategorier hentet fra bildeanalyse programvare i histogrammet. Deretter brukte vi avstanden mellom klassemetoder å velge 25 bedre funksjoner kombinasjon (figur 1). På grunnlag av disse 25 funksjonene, ble 16 bestklassifiserings trekk ved 5 kategorier skjermet for å redusere dimensjonene av funksjonen svektorer og for å oppnå større nøyaktighet for klassifisering ved hjelp av SFS algoritmen. De identifiserte kategoriene og tekstur egenskaper var som følger: 1.grey-nivå avhengighet matrise: kontrast, invariant øyeblikk, entropi, summen av entropi, variansen av forskjeller, forskjeller entropi, konsistens, absolutt verdi og IMC1; 2. grå nivå histogram funksjoner: standardavvik, konsistens og entropi; 3. Shannon entropi wavelet koeffisienter: CV2 og CV1; 4. Wavelet koeffisienter «standardavvik: Ca3; og 5. gråtonenivå tenkelig funksjon:. variansen av forskjeller
Den vertikale aksen representerer avstanden mellom klasse, og den horisontale aksen representerer de tilsvarende funksjonene. En større avstand på den vertikale aksen indikerer bedre klassifisering resultater. Ifølge dette prinsippet, er 25 funksjoner velges for å oppnå mer nøyaktige klassifiseringsresultatene.
Klassifisering Resultater
Som antall saker var begrenset, en SVM for små utvalgsstørrelser ble brukt til å evaluere klassifisering ytelsen til bildefunksjoner. Alle pankreas EUS bildene ble valgt. Først påføres vi den halv-og-halv-metoden og den SVM for å få riktig klassifisering rate (CCR) for å evaluere ytelsen til klassifiseringen funksjoner vektorer med forskjellige dimensjoner. I alt ble 200 tilfeldige forsøk utført for å minimere feil på grunn av den begrensede utvalgsstørrelsen. Deretter ble SFS algoritmen som brukes til å legge til ekstra tekstur har en etter en fra den foreløpige utvalg av 25 funksjoner. Og en klassifisering feilrate så lavt som 4,38% (figur 2) (tabell 1) ble oppnådd når 16 funksjoner ble lagt. Deretter ble leave-on-out algoritme anvendt for å validere ytterligere klassifisering ytelsen til SVM modell hvis resultatene er presentert som middelverdi. De kvantitative resultater er vist i tabell 2.
Den horisontale aksen representerer funksjonen, og den vertikale aksen representerer muligheten for unøyaktig klassifisering. Teksturen egenskaper som er identifisert ved hjelp av avstanden mellom klasse-algoritmen ble tilsatt etter tur. Den laveste feilklassifisering satsen ble observert da de første 16 funksjoner ble lagt.
Diskusjoner
I løpet av årene, diagnostisering av PC er blitt hemmet av sin anatomisk sted, og det begrensede antall av tilgjengelige undersøkelsesprosedyrer. Med bred anvendelse av endoskopisk ultralyd, EUS og EUS-FNA har blitt det foretrukne diagnostiske metoder for PC [14], [15]; disse metodene vise diagnostiske nøyaktighet opp til 85%, som er betydelig høyere enn 50% nøyaktighet oppnås med CT eksamen-baserte diagnoser [16]. Men basert på EUS for tidlig diagnose av kreft i bukspyttkjertelen, operatørens erfaring og subjektive faktorer har større innvirkning på resultatene; spesielt i nærvær av kronisk pankreatitt tilfeller observert inflammatorisk status hos pasienter med CP boks forstyrrelser PC diagnose, selv erfarne endoscopists kan gi falske negative [12]. I tillegg er anvendelsen av EUS-FNA diagnostisk prosedyre begrenset i samfunnet sykehus. Videre, selv når den EUS-FNA prosedyre blir anvendt, diagnosen kan også bli påvirket av plasseringen av nålestikk og operatørens erfaring. I tillegg muligheten for traumer, tung arbeidsbelastning og den økonomiske byrden knyttet til EUS-FNA prosedyren bør også vurderes.
Med CAD, som tar hensyn til like roller leger (subjektive aspektet) og datamaskiner (objektiv aspektet), kan leger bruker datamaskinen utgang som en «second opinion» for å dekke mangel på radiologer og treffer den endelige avgjørelse. Selv CAD teknikker har blitt brukt for diagnostisering av flere sykdommer i klinisk praksis, og tekstur funksjoner er nyttig for å forbedre svulst diagnose på sonography [17] – [19], noen rapporter eksisterer om deres bruk for bukspyttkjertelen lidelser. For diagnostisering av kreft i bukspyttkjertelen, to rapporter [2], [12] hell brukt SVM og nettverk analyse av EUS bilder til annen kreft i bukspyttkjertelen fra ikke-kreft, henholdsvis. I vår studie, bygger vi et CAD-system for bukspyttkjertelen EUS som kan bli undersøkt i en kvantitativ og systematisk måte via automatisert tekstur ekstraksjon ved hjelp av en SVM klassifiserer, som har blitt vurdert som en mulig mekanisme for utformingen av en klassifikator ansvarlig for å skille mellom malignt og godartede lesjoner [20] med en god ytelse i medisinske diagnostiske applikasjoner [21]. Ved å sammenligne denne studien med Das «studie [22] i classifiers som vi hadde progrediert før (tabell 3), vet vi at SVM systemet er mye mer egnet til å håndtere klassifikasjoner problemer for begrenset antall trenings prøver. Zhang MM [4] og Das [22] rapportert høy sensitivitet og spesifisitet, men resultatene var ikke så gode som de to andre studier «(tabell 4). Viktigere, bør vi merke til at struktur-funksjon analyse fokusert på sammenligning av histopatologiske endringer og forskjeller, men de to andre studier var både omfatte stor andel av normalt vev blant de ikke-cancerpasienter, og deres vev sammensetning ble sammenlignet med dem fra kreft i bukspyttkjertelen pasienter med større forskjeller, noe som indikerer at teksturen naturen varierte sterkt. Hva mer er, brukte vi to metoder for å verifisere SVM klassifisering, og disse to resultatene var gjensidig støtte (tabell 2). Så våre resultater ble også oppmuntrende og vår studie indikerer overlegenhet SVM klassifisering og tekstur funksjonen utvinning.
Det er imidlertid flere begrensninger knyttet til vår studie. Først fikk vi de digitale EUS bilder ved hjelp av forbedret /kontrast med fast sektor endoskopisk ultralyd. Dermed kan fremtidige resultater variere hvis forskjellig utstyr benyttes. Derfor bør våre resultater verifiseres ved å gjenta eksperimentene ved hjelp av andre merker av EUS utstyr. For det andre, denne studien benyttet en enkel SVM klassifikator, og sammenligninger til andre brukte classifiers ble ikke utført. Andre classifiers, for eksempel nevrale nettverk analyse systemer og Bayes classifiers et al, bør vurderes. I tillegg, for valg av den optimale klassifikator, prøvestørrelsen bør økes for å evaluere ytelsen klassifiseringen mer nøyaktig. Enda viktigere, i denne studien, dette differensiert prosessen ble ikke utført i sanntid som skal være en slags praktisk nytte, akkurat som de fleste EUS behandlingsmoduler for tiden har en innebygd evne til å utføre grunnleggende, men sanntids bildebehandling oppgaver å trykke på en knapp.
i sammendraget, denne studien hell vurdert muligheten for EUS bilde differensiering system for å skille PC og CP-bilder basert på en støtte vektor maskin. Samlet oppnådde systemet relativt høy klassifisering nøyaktighet. Når en dataassistert EUS bildeanalyse system med real-time diagnose og hjelpe drift er etablert, er det svært sannsynlig at en sanntidsapplikasjon kan utvikles som tilleggsprogramvare. Deretter kan den ikke-invasivitet, objektivitet, enkelhet og høy effektivitet gir en verdifull referanse verktøy for klinisk diagnose av PC.
Pasienter og metoder
Pasienter
Vår forskning var en retrospektiv og single-center designstudie. Vi bare bare analysere sammenheng mellom EUS bildefunksjoner og bukspyttkjertel sykdommer. I tillegg har alle pasientene gitt informert skriftlig samtykke. Vårt arbeid var tillatt og godkjent av Changhai sykehus, Second Military Medical University. En gjennomgang av endoskopisk databasen i vår institusjon ble utført for å identifisere pasienter med CP og pasienter med PC. Alle PC-pasienter med solide pankreas lesjoner ble tilfeldig valgt fra EUS-FNA database som hadde blitt etablert av en positiv cytologi. Pasienter med CP ble rekruttert fra EUS /EUS-FNA database og diagnostiseres på grunnlag av den kliniske presentasjon, standard CP Sahai diagnostiske kriterier [23] og ble fulgt opp i mer enn 2 år. Alle databaser ble samlet inn fra mai 2002 til august 2011 (men fristen for CP var September 2009).
EUS Bildevalg
Alle EUS undersøkelser ble gjort av erfarne endoscopists som hadde fått Endoscopists sertifikat fra den kinesiske gastroenterologisk Endoskopisk Society, ved hjelp av en EndoEcho UM 2000 ultralyd endoskop (Olympus Corporation, Tokyo, Japan) med en sonde frekvens på 7,5 MHz. De viktigste funnene som inkluderte regioner av interesse (Rois) ble registrert som stillbilder ved hjelp av fryse-knappen på echoendoscope. Og alle disse stillbilder hentet fra prosedyrene ble lagret i Windows bitmap format (BMP) for videre analyse, som ble utført på en standard stasjonær datamaskin. Alle bildene ble gjennomgått av blindet, erfarne endoscopists som ikke visste de patologi resultater. For bilder av PC og CP, er grensen for hver ultrasonographically identifisert lesjon manuelt avgrenset og alle pikslene innenfor ROIs ble midlet sammen for å danne en enkelt signalintensitet tidsserievektor pr lesjon.
EUS bildeanalyse
for å oppnå jevnhet i resultatene, ble rektangulær underbilder ekstraheres fra ROIs (figur 3). Disse under bildene ble analysert ved hjelp av Matlab R2010a programvare på en PC Intel Core ™ 2 E8400 3,0 GHz arbeidsstasjon med 3 GB internt minne. Teksturen funksjonene i hvert histogram ble hentet for klassifisering av bukspyttkjertelen EUS bilder av bildeanalyse programvare. Men denne fremgangsmåten faktisk redusert den diskriminerende kapasitet av klassifiseringen funksjon på grunn av redundans mellom ulike funksjonssvektorer. Derfor ble ytterligere trekk valgalgoritmer som brukes til å redusere egenskapsvektoren dimensjon og forbedre klassifiserings nøyaktighet. I denne studien brukte vi avstanden mellom klasse og sekvensiell fremover utvalg (SFS) algoritme for funksjonsvalg. Algoritmen av avstanden mellom klasse er en punkt-for-punkt-prosess med pikselbilde klassifisering for et visst bilde funksjon som er felles for to klasser av bilder. En større avstand mellom medianverdien av de to klassene resulterer i en mer optimal klassifiseringseffekt. Basert på denne avstanden mellom klasse-algoritmen, vi først sammenlignet med funksjonen av uttrukne trekk som kan brukes til å skille PC fra CP-bilder. Neste, for ytterligere å sammenligne resultatene for ulike funksjons vektorer, ble en SFS algoritme som brukes til å identifisere og velge de optimale klassifiserings funksjoner. Velge alle EUS bilder av våre prøvesett og bruke leave-en-out algoritme og halv halv algoritme henholdsvis i kombinasjon med en SVM klassifikator ble riktig klassifisering som benyttes for å beregne klassifiseringen effektiviteten av funksjoner vektorer med forskjellige dimensjoner.
Som vist på bildene i kronisk pankreatitt: A1 viser et endoskopisk ultralydbilde av hodet og kroppen i bukspyttkjertelen. Hyperechoic tråder, parenkymatøs lobularity, hyperechoic foci, mange hyperechoic prikker med skygge i bukspyttkjertelen parenchyma og uregelmessige pankreasgang marginene er identifisert. B1. Avgrense grensen rundt som inneholder mer kronisk pankreatitt har manuelt med en rød sirkel som en region av interesse (ROI). C1. Rektangulære under bildene ble hentet så store som de kunne fra Rois å oppnå ensartethet av resultater lett. D1. histogrammet ble kuttet fra den røde sirkelen for utvinning av tekstur funksjoner. I bildene av kreft i bukspyttkjertelen: A2. Velg EUS bilder med solide bukspyttkjertelen lesjoner som hadde blitt etablert av en positiv cytologi. B2.Delineate grensen av hver ultrasonographically identifisert lesjon manuelt med en rød sirkel som en region av interesse (ROI) rundt grensen av synlig lesjon. C2 og D2 ble behandlet som C1 og D1.
Mønster Klassifisering
En SVM klassifikator ble brukt til mønster klassifisering i denne studien. Den SVM basert klassifikasjon ble gjennomført ved hjelp av libsvm åpen kildekode bibliotek [24].
SVM er en roman læring algoritme utviklet fra statistisk læringsteori. Den grunnleggende ideen om SVM klassifikator er at EUS bildebehandling som input vektorer kan projiseres inn i høy-dimensjonale rommet gjennom forhåndsdefinerte ikke-lineære avbildninger. Og utgang to forskjellige typer vektor fra inngangsvektor i henhold til prinsippet om strukturelle risikominimering.
En SVM ble brukt for klassifisering. Vi delte eksempeldatabasen, som omfattet 388 tilfeller totalt, i et treningssett og et testsett. Treningssettet ble brukt til å trene det SVM, og testsett ble brukt til å evaluere ytelsen til SVM. To forskjellige metoder ble brukt for å dele prøvene inn i trening og testing sett. Først ble en halv og en halv metoden brukes til jevnt dele eksempeldatabasen til en trenings sett av 194 tilfeller, som omfattet 131 PC tilfeller og 63 CP saker, og en test sett av 194 saker som omfattet 131 PC tilfeller og 63 CP saker. I alt ble 200 forsøk utført for å unngå feil forårsaket av den begrensede tilfeller. I hver studie ble eksempeldatabasen delt jevnt og tilfeldig å bestemme nøyaktighet og standard feil av diagnosen hjelpeapparatet. For det andre ble en leave-en-out metoden brukes for å evaluere klassifisering ytelse. I denne fremgangsmåten i hvert forsøk ble en prøve valgt for testing, og resten av prøvene ble brukt til å trene det SVM. Denne prosessen ble så gjentatt inntil alle prøvene ble valgt for testing.
For å evaluere resultatene av de eksperimentelle resultatene, alle data blir presentert som gjennomsnittlig standard feil. Evaluerings parametere inkludert nøyaktigheten av gjennomsnittlig klassifisering (nøyaktighet), sensitivitet og spesifisitet. I tillegg ble positive prediktive verdier (PPV) og negativ prediktiv verdi (NPV) beregnet.
