结直肠癌患者肝脏CT图像分类中决策树模型的应用

被引：4

作者：

曹务腾 ^{[1
]}

庄乔棣 ^{[2
]}

练延帮 ^{[1
]}

龚佳英 ^{[1
]}

熊斐 ^{[1
]}

邱建平 ^{[1
]}

张波 ^{[1
]}

杨然 ^{[2
]}

周智洋 ^{[1
]}

机构：

[1] 中山大学附属第六医院放射科

[2] 中山大学移动信息工程学院

来源：

CT理论与应用研究 | 2014年 / 23卷 / 02期

关键词：

数据挖掘; 决策树; 肝脏; CT图像; 分类;

D O I：

暂无

中图分类号：

R735.3 [肠肿瘤]; R730.44 [放射线、同位素诊断];

学科分类号：

100214 ; 100105 ;

摘要：

目的:探讨数据挖掘中决策树模型在结直肠癌患者肝脏CT图像分类中的应用。方法:分别选取结直肠癌患者肝转移、单纯性肝囊肿以及正常肝脏的CT增强图像各20例。对该60例肝脏CT增强图像分别进行灰度直方图、灰度共生矩阵以及图像变换的纹理特征提取,然后采用朴素贝叶斯分类器和决策树归纳分类器对图像进行分类。最终分类结果与临床事实分类对照,利用十折交叉验证法验证两种分类模型的有效性。结果:基于数据挖掘的决策树模型对结直肠癌患者肝脏CT图像进行分类准确性较高。决策树归纳的分类准确性远高于朴素贝叶斯分类器(准确性96.7%vs 76.7%,Kappa值0.95 vs 0.65,P<0.05)。结论:基于数据挖掘的决策树模型可以对结直肠癌患者肝脏CT图像进行分类,不仅能够判断肝脏有无相关病灶,而且仅依据图像的基本特性,可以自动识别肝脏乏血供转移瘤与单纯性肝囊肿,为未来计算机辅助诊疗疾病提供有效的参考信息及途径。

引用

页码：275 / 283

页数：9

共 7 条

[1] Survival Analysis of Patients with High-Grade Gliomas Based on Data Mining of Imaging Variables [J].

Zacharaki, E. I. ;

Morita, N. ;

Bhatt, P. ;

O'Rourke, D. M. ;

Melhem, E. R. ;

Davatzikos, C. .

AMERICAN JOURNAL OF NEURORADIOLOGY, 2012, 33 (06) :1065-1071

[2] Predictions of the pathological response to neoadjuvant chemotherapy in patients with primary breast cancer using a data mining technique [J].

Takada, M. ;

Sugimoto, M. ;

Ohno, S. ;

Kuroi, K. ;

Sato, N. ;

Bando, H. ;

Masuda, N. ;

Iwata, H. ;

Kondo, M. ;

Sasano, H. ;

Chow, L. W. C. ;

Inamoto, T. ;

Naito, Y. ;

Tomita, M. ;

Toi, M. .

BREAST CANCER RESEARCH AND TREATMENT, 2012, 134 (02) :661-670

[3]

A Comparative Study in Wavelets, Curvelets and Contourlets as Denoising Biomedical Images[J] . Mohamed Ali HAMDI.International Journal of Image, Graphics and Signal Processing(IJIGSP) . 2012 (1)

[4]

Mining microarray data to predict the histological grade of a breast cancer[J] . Mickael Fabregue,Sandra Bringay,Pascal Poncelet,Maguelonne Teisseire,Béatrice Orsetti.Journal of Biomedical Informatics . 2011

[5] Entropy-based feature extraction and decision tree induction for breast cancer diagnosis with standardized thermograph images [J].

Lee, Ming-Yih ;

Yang, Chi-Shih .

COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE, 2010, 100 (03) :269-282

[6]

Predicting breast cancer survivability: a comparison of three data mining methods[J] . Dursun Delen,Glenn Walker,Amit Kadam.Artificial Intelligence In Medicine . 2004 (2)

[7]

Image mining: issues, framework, a generic tool and its application to medical-image diagnosis[J] . Petra Perner.Engineering Applications of Artificial Intelligence . 2002 (2)

← 1 →