医学研究生学报
醫學研究生學報
의학연구생학보
JOURNAL OF MEDICAL POSTGRADUATE
2012年
6期
567-570
,共4页
张缨%汪栋%贾绍昌%叶玉坤%史颖欢%高阳
張纓%汪棟%賈紹昌%葉玉坤%史穎歡%高暘
장영%왕동%가소창%협옥곤%사영환%고양
代价敏感图像层肺癌诊断系统%肺肿瘤/诊断/病理学%图像处理,计算机辅助
代價敏感圖像層肺癌診斷繫統%肺腫瘤/診斷/病理學%圖像處理,計算機輔助
대개민감도상층폐암진단계통%폐종류/진단/병이학%도상처리,계산궤보조
目的 代价敏感分类策略可以最小化误分类代价并有效提高识别率.针对计算机辅助肺穿刺样本的病理图像分析,提出一种新的代价敏感图像层的肺癌诊断系统(cost-sensitive image-level lung cancer diagnosis system,CILCDS).方法基于潜在狄利克雷分配模型(latent dirichlet allocation,LDA)、代价敏感支持向量机(cost-sensitive support vector machine,CSSVM)以及多类支持向量机(multi-class support vector machines,mcSVM)等最新计算机技术,对肺穿刺病理细胞学涂片进行识别诊断.实验数据集是271例肺穿刺样本图像,其中240例肺癌样本有术后组织病理诊断结果对照.结果 通过与基于轴平行矩形(axis-parallel rectangles,APR)、K近邻(citation K-nearest neighbors,Citation-Knn)、集成多样性密度 (ensemble of diversity density,EM-DD)、多分类多示例自适应增强法(multi-class multi-instance adaptive boosting,MCMI-AdaBoost)等方法进行对比,CILCDS在癌与正常细胞的判断以及癌细胞的分类识别诊断过程中能够取得更低的错误分类代价以及较好的组织病理结果符合率.结论 CILCDS对肺癌细胞涂片诊断率高,并能减少既往肺癌细胞病理诊断过程中假阳性结果.
目的 代價敏感分類策略可以最小化誤分類代價併有效提高識彆率.針對計算機輔助肺穿刺樣本的病理圖像分析,提齣一種新的代價敏感圖像層的肺癌診斷繫統(cost-sensitive image-level lung cancer diagnosis system,CILCDS).方法基于潛在狄利剋雷分配模型(latent dirichlet allocation,LDA)、代價敏感支持嚮量機(cost-sensitive support vector machine,CSSVM)以及多類支持嚮量機(multi-class support vector machines,mcSVM)等最新計算機技術,對肺穿刺病理細胞學塗片進行識彆診斷.實驗數據集是271例肺穿刺樣本圖像,其中240例肺癌樣本有術後組織病理診斷結果對照.結果 通過與基于軸平行矩形(axis-parallel rectangles,APR)、K近鄰(citation K-nearest neighbors,Citation-Knn)、集成多樣性密度 (ensemble of diversity density,EM-DD)、多分類多示例自適應增彊法(multi-class multi-instance adaptive boosting,MCMI-AdaBoost)等方法進行對比,CILCDS在癌與正常細胞的判斷以及癌細胞的分類識彆診斷過程中能夠取得更低的錯誤分類代價以及較好的組織病理結果符閤率.結論 CILCDS對肺癌細胞塗片診斷率高,併能減少既往肺癌細胞病理診斷過程中假暘性結果.
목적 대개민감분류책략가이최소화오분류대개병유효제고식별솔.침대계산궤보조폐천자양본적병리도상분석,제출일충신적대개민감도상층적폐암진단계통(cost-sensitive image-level lung cancer diagnosis system,CILCDS).방법기우잠재적리극뢰분배모형(latent dirichlet allocation,LDA)、대개민감지지향량궤(cost-sensitive support vector machine,CSSVM)이급다류지지향량궤(multi-class support vector machines,mcSVM)등최신계산궤기술,대폐천자병리세포학도편진행식별진단.실험수거집시271례폐천자양본도상,기중240례폐암양본유술후조직병리진단결과대조.결과 통과여기우축평행구형(axis-parallel rectangles,APR)、K근린(citation K-nearest neighbors,Citation-Knn)、집성다양성밀도 (ensemble of diversity density,EM-DD)、다분류다시례자괄응증강법(multi-class multi-instance adaptive boosting,MCMI-AdaBoost)등방법진행대비,CILCDS재암여정상세포적판단이급암세포적분류식별진단과정중능구취득경저적착오분류대개이급교호적조직병리결과부합솔.결론 CILCDS대폐암세포도편진단솔고,병능감소기왕폐암세포병리진단과정중가양성결과.