不同区块大小对影像融合品质影响之研究-朝阳科技大学.PPTVIP

基於自組織映射圖網路的無監督式子宮頸影像切割之研究 戴紹國、李新澤、莊子慶、陳雅甄 朝陽科技大學 日期：101年05月23日 * 目錄 緒論 研究方法及流程 實驗結果與討論 結論 * * 緒論~1 子宮頸癌是全世界婦女第二常見的癌症。 及早發現及早治療，就能夠降低發病率和死亡率。 子宮頸癌的篩檢方案包括子宮頸抹片檢查、陰道鏡檢查和切片檢查。 本篇論文將提出自動化子宮頸影像分析 * 緒論~2 Yanget al.使用K-means分群法和確定性退火技術(SA)檢測醋酸白色上皮[1]。 Gordon al.發現醋酸白色區域確定是提取最高的平均強度集群之間的平滑區域[2]。 Pogue et al.的研究專注在子宮頸影像上不同區域的度量評估[3]。 * * 緒論~3 何謂子宮頸? 子宮解剖圖和子宮頸影像 子宮頸癌及其癌前病變的分類 子宮頸癌的診斷 子宮頸上皮組織的變化 * 緒論~4 子宮解剖圖和子宮頸影像： 圖1 子宮頸解剖圖 * 子宮頸癌及其癌前病變的分類: 圖(2) CINI 圖(3) CINII 圖(4) CINIII 圖(5) CIS 低度鱗狀上皮內病變(LSIL)：包括人類乳突病毒感染(HPVI)和CIN1(cervical intraepithelial neoplasia 1)。 高度鱗狀上皮內病變(HSIL)：包括CIN2和CIN3。 子宮頸癌：異常細胞散佈至子宮頸深層或其他組織器官。 緒論~5 * 子宮頸癌的診斷: 陰道鏡檢查：使用3%到5%的醋酸塗抹在子宮頸部位，使上皮組織白化，觀察醋酸白化上皮組織預測子宮頸病變程度。 圖(7) 使用醋酸後影像 圖(6) 使用醋酸前影像 緒論~6 * 子宮頸上皮組織的變化: 1表面光亮、雪白的程度 2.白化區域邊緣的變化 3.血管紋理的變化 圖(8) 緒論~7 * 為什麼監督式切割不可行? 使用非監督式切割 需要指定分群的群數 本研究結合自我組織圖網路技術(SOM)[4]、Fuzzy k-means clustering(FKC)[5] 。 研究方法及流程~1 * 研究方法及流程~2 陰道鏡子宮頸影像 以SOM計算出相對應之神經元權重 以FKC計算總群數為m1的神經元結果 以FKC計算總群數為m2的神經元結果 From m1 to m2 以該神經元分群結果對原圖進行切割產生最後切割影像 計算分群品質並取出最佳神經元分群結果 圖(9)系統流程圖 * 圖a是標準差 圖b是群聚內的所有點彼此間距離的平均和 圖c所有群聚中任兩點最遠的距離 圖(10)各種群內距離計算的結果 a b c 研究方法及流程~3 * (a) 陰道鏡子宮頸原圖　 (b) 所有像素在3維的向量空間 (c) 所有像素均映射到紅色的神經元 (d) 將所有神經元抽出 (e) 針對神經元分成4群 (f) 每個像素根據對應神經元的群聚 產生分群結果 (g) 最後被分成4群的結果 圖11 分群數為4的執行結果 * 我們的方法是顏色分群，所以最後的結果是將影像切割成多個區域，切割時選擇4~50作為群數可能的範圍。 效率評量的公式: 其中A是醫師圈選的區域，B為我們方法切割出來的區域。 實驗結果與討論~1 * 群數的選擇 測定的方法是以找出m1~m2之中的絕對最佳值，計算correctness ，令其值為Cmin，而我們所選擇群數為m，其correctness 為Cm，假設C是等於Cm和Cmin的差值，我們統計各個不同癌化等級的C值，如下表1 : 表1 各個癌化等級所預測的分群群數效率(%) 癌化等級 Normal CINI CINII CINIII CIS C值 0.426 0.213 0.152 0.128 0.114 實驗結果與討論~2 * SOM神經元的數目 我們分別測試了各種不同的神經元數目，令神經元的數目為N×N，N從10、20增加到70，看看不同的神經元數目的影響，如下表2是實驗的數據。 表2 不同神經原數目對correctness的影響(%) 實驗結果與討論~3 * SOM對效率的影響 接下來測試如果不使用SOM直接以fuzzy K-means分群和先使用SOM在加上fuzzy K-means分群比較兩者的結果，來看使用SOM之後的分群結果是否會降低，SOM的神經元數目我們使用60。 表3 各個癌化等級的分群效率(%) 實驗結果與討論~4 * 計算群間距離的複雜度公式: O(M(Nm!)) 其中M是指群數， {Nm:m=1~M} ，是群聚中的資料筆數 實驗結果與討論~5 * 陰道鏡檢查是子宮頸癌的一項很重要的篩檢工具 。 藉由電腦影像技術輔助來幫