沙特国王大学学报-计算机与信息科学33（2021）329-339基于内外结合的甲状腺癌系统计算机辅助诊断特点哈农阿迪努格罗霍a，⇑，祖尔法纳赫里a，埃卡斯莱格亚弗朗尼塔a，伊吉阿尔迪扬托a，丽娜乔里达乙a部门的电气工程和信息技术、大学加德贾马达、道路图里卡2,校园UGM、日惹55281,印度尼西亚乙部门的放射学、法库尔蒂的医药、公众健康、和护理、大学加德贾马达、道路健康不。 1, RSUP Dr.Sardjito、日惹55284,印度尼西亚A R T I C L E我N F奥文章历史：收到八月廿三日2018修订后的二八年十二时20181月14日收到2019可利用的在线23贾努里2019关键词：甲状腺的计算机辅助诊断巨蟹座内在特征外在特征特点A乙S T R A C T背景和aims：甲状腺癌是全球生长最快的癌症之一。甲状腺超声像图是基于确定结节恶性程度的诸多特征诊断的。特征分为两个，i.e。外部特征和内部特征。计算机辅助诊断（CADx）是辅助放射科医生分析更多特征的必要条件客观。方法：首先，一个预处理步骤被应用到由双边滤波器跟随的自适应中值滤波器来去除标签和减少斑点噪声。二次，主动轮廓和形态操作是应用到节瘤。亚序列，几何和纹理特征是抽取的。在最终步骤中，多层感知器用于分类内部特征，而支持向量机用于分类外部性格特征。结果：结核分类的敏感性、特异性和准确性基于外部特征分析韦尔100%，95.45%和97.78%，尊重、韦雷亚斯分类处理结果基论日间特征分别为95.35%、90.91%和94.44%，尊重。会意：甲状腺癌计算机辅助诊断（CADx）系统基于分析已发育的外部和内部特征。对准确的敏感性、特殊性和程度both特征显示提议的系统是可靠的放射学家辅助分类甲状腺结节。©2019 The作者。 生产和托管比埃尔塞维尔B.V. 论贝哈尔夫的金沙特大学。 这is一个开放的阿克塞斯文章安德the CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 导言甲状腺癌是世界上生长最快的癌症之一。在美国，它是过去三个十年中最快增长的癌症（Sencha等人，2011）。这种上升在检测中的Much阿皮尔尔斯到be the雷苏尔特的the增加的使用的甲状腺* 科伦布尔丁作者。电子邮件地址：adinugroho@ugm.ac.id（H.A。Nugroho）、zulfanahri@mail.ugm.ac.id（ Zulfanahri ） 、eka.legya.f@mail.ugm.ac.id（ E.L 。弗 朗 尼 塔 ） 、igi@ugm.ac.id(I) Ardiyanto）、linachoridah@ugm.ac.id（L。 Choridah）。q这项工作是由印度尼西亚教育捐赠基金(LPDP)和印度尼西亚共和国研究、技术和高等教育部高等教育总监通过研究赠款提供的。岗位小组学者》。同行回顾安德责任心的金沙特大学。制作和主持由埃尔塞维尔超声波，Wich可以检测过去没有其他发现的小甲状腺结节。2019年美国女性中甲状腺癌患病率排名第三的研究预测（豪根等人，2016）。美国国家癌症研究所认为甲状腺癌发生的普遍性在妇女与a比较到男人was三到一（N.C. 研究所）。 These制造the甲状腺巨蟹座一的the妇女很容易预防。目前，在印度尼西亚，甲状腺癌被排在所有发生在男人身上的癌症的第九个位置还有女性，怀勒在the美国资讯科技is兰凯德在the第十一届位置（N.C.研究所;印度尼西亚，2015年）。甲状腺癌在任何一组年龄中都能发生，但它在三十年代之后是常见的。它增加了老年人的意义（N.C.研究所;K.K.R. 印度尼西亚，2015年;A.C.学会、2017）。甲状腺结节is定位在a甲状腺格兰德。 The甲状腺gland is不帕尔帕布勒在正常条件。 The结节伊特塞尔夫is频率现在无阿尼症状代代尔德因德论the马利尼亚西奇的结节，但它仍然是可能的显明症状就像是一个暂停（适当的声音神经破坏），呼吸困难（适当的由。gland）、https://doi.org/10.1016/j.jksuci.2019.01.0071319-1578/© 2019 The作者。 生产和托管比埃尔塞维尔B.V. 论贝哈尔夫的金沙特大学。这是CC BY-NC-ND许可下的开放准入条款（http://creativecommons.org/licenses/by-nc-nd/4.0/）。内容列表在ScienceDirect沙特国王大学学报-计算机与信息科学期刊首页：www.sciencedirect.com330H.A. 努格罗霍埃及艾尔。 /期刊的金沙特大学-计算机和信息科学33（2021）329-339吞食不舒适（节块大小的适当程度）或上颈膨胀（节块对颈淋巴格位的适当程度）。无花果。1展示甲状腺腺图片，超声引导精细针抽吸器比奥普西(FNAB)和超声波学甲状腺囊性寻找术莱西恩。七次检查是否有甲状腺结节的导引作用核磁共振，CT扫描，超声检查，以及如此丰富。However，超声图像是最适合检查甲状腺结节的，如果它愿意遵循FNAB来支持诊断。MRI和CT扫描最有助于监测和检查病灶转移（Kim等人， 2002）。甲状腺超声图像是基于甲状腺进行分析的图像报告和数据系统（牡蛎）。 蒂拉德斯孔西斯茨的sev-决明剂的eral特征。结瘤是良性的或恶性。它们的特征是形状、边距、方向、构图或内容、回声性、钙化作用和瓦斯库拉里萨-蒂昂美国安附加的特性（格兰特埃及al.，2017）。 The形状特征can be圆到椭圆形或不规则的。 The保证金特征可以是光滑的或良好的定义。定向特性包含并行和非并行定向。莫雷奥弗、固体、囊性和复杂的内容特征一致性。回声特性分化为消声、强回声、等回声、低回声和马尔克德利低回声。 The钙化作用特征-特征哈斯宏钙化作用和微钙化、惠尔斯特无血管、外周和中枢的血管逃逸特征一致性（申等，2016年;拉斯、2016）。在康斯特拉斯特到乳房巨蟹座计算机辅助的诊断、there只有a联邦研究的计算机辅助的诊断为甲状腺巨蟹座。一研究关于甲状腺巨蟹座CAD was孔德克特德乌辛甲状腺涂片术美国the雷苏尔特的联邦航空局考试到be分类的美国恶毒的南特，非恶性的和苏斯皮西奥斯（德利巴西斯埃及al.， 2009）。 如何进展，甲状腺涂片不是甲状腺癌的主要检查。它是与牡蛎结合的超声图像惠希是乌塞德美国a标准到考明甲状腺巨蟹座（格兰特埃及al.， 2017）。在超声模态中，计算机辅助诊断是通过多实例关注良性-恶性分类而预先发送的学习（英里）的全球和地方特点与-出局阿尼特性说明苏奇美国形状、保证金或奥瑟斯（丁等，2014）。在（萨韦洛纳斯等人，2008），一个CAD是由使用k-NN的边界描述器开发的，用于分类的中风险和高风险结节。以同样的情态，（刘先生等人， 2017）提取基于卷积神经网络工作(CNNs)的特征，用于分类良性-恶性甲状腺超声图像。在上位研究中，良性-恶性结节的分类是不以特征描述为指导的。无，它是重要的现在each特征特征超声图像在CAD与最终诊断结果指示在本研究中呈现的良性或恶性。上一篇研究有携带支持发展的这种甲状腺癌计算机辅助诊断包含分类的形状特征为“圆到卵”和irreg蛇类（Zulfanahri等人，2017）。将边距特征分类为“光滑”和不规则边距类的准确率为92.36%（Nugroho等人，2017年a）。这些认识的研究都有助于在这些具有附加定向特性的研究中创建用于外部甲状腺CAN-CER分析的CAD。回声性分类为四个类，i.e。非回声、等回声、低回声和标记性低回声惠氏占比93.36%（Nugroho等人，2017b）。回声是用来创建内甲状腺癌分析CAD在这学习，一字带内容特征性的。本研究是基于数字图像处理方法开发一个适合内外特征的CAD，该方法从图像增强开始，分割，提取包含几何和纹理特征的多特征，遵循MLP和SVM的分类each特征与最终结果的良性或恶性。这篇论文是作为跟随而写的。第一部分描述介绍和有关工作时第2节先把方法和材料用完了。结果和讨论已经提出在节3福洛韦德比the会合在节4。2. 数据和方法学超声图像是通过Logiq C5和Voluson 730超声机获得的。这些超声图像已被收集到一个数据集，名为CaThyDB。这些数据集的一致性210无花果。一、 甲状腺超声成像。H.A. 努格罗霍埃及艾尔。 /期刊的金沙特大学-计算机和信息科学33（2021）329-339331Þ外部特征的图像和内部特征的300个图像。RSUP放射科提供了数据集博士。 萨尔吉托塔肯来自131病人。 博思外部和日间特征数据集被分割为训练和测试数据。对于外部特征，图像已分类为165图像作为训练数据和45图像作为测试数据。当为内部一，156图像已用于训练数据和54图像已用于测试数据。The提出方法孔西斯茨的四玩proccesses、纳梅利前期处理、细分领域、特写提取物和分类到奥布泰因the决赛诊断美国肖恩在无花果。 2。 The上位研究的分类方案（Zulfanahri等人，2017年;努格罗霍埃及al.， 2017a，乙）was领养在这CAD发展。 所有用Matlab开发的方法2015年a。2.1. 预处理2.1.1. 自适应中位数过滤作用The方法was安高级版本的the乌苏亚尔中位数that过滤器哈斯the能力到变化the窗口尺寸阿配德蒂维利联东办事处切尔-泰因条件was完成了。 资讯科技was克莱梅德that the过滤作用库尔德保留区细节怀勒减少非冲动性的诺伊塞斯（赫什纳埃及al.， 2015）。通过确定初始窗口大小（S（），它用两个步骤工作。第一个步骤是A级的，可以识别whether Z迈德（中值滤波器的输出）是脉冲或不脉冲。如果条件Z迈 德--Z敏> 0和条件Z迈 德--Z马 克斯<0已经完成了，then Z迈 德不是冲动。Hence，进程正在进行到下一步（B级）如果条件没有得到满足，那么窗口尺寸增大了，但最大窗口已经到达（S马克斯并重复到水平A（冈萨雷斯和伍兹、2006）。 弗瑟莫尔、the水平B注意识别窗口中心点的车轮S xy（Z xy）这是一个冲动或不。如果条件Z xy--Z敏> 0和条件Z xy--Z 马 克 斯<0已经完成了，then Z xy不是冲动。有了上述条件，中心点的价值Z xy剩余的未改变的。Otherwise、Z xy这是一种冲动，就是这样should be被替换的比Z迈德。 每皮克塞尔在the图像伍尔德be从属和新过滤图像是由合成的Z迈德或剩余未改变。无花果。3显示自适应中值滤波在4的图像矩阵中的插图由4和窗口大小是开始与3比3. 在the凯斯的超声波学图片从原始获取过程中被标签和人工标记破坏，这种过滤方法是可以去除的these无花果。 3. 插图的适应性中位数过滤。在保持超声图像质量的同时，不被通缉的成分。2.1.2. 散斑减少双边滤波(SRBF)双侧斑点减少（SRB）滤波效果降低超声图像中包含的斑点噪声，如被演示努格罗霍等人。（2015年）。Hence，SRB滤波在这项降低斑点噪声的研究中一直很重要，它是为了获得更好的分割结果。这种方法不是通过用持权重替换像素强度的邻域像素强度的平均值来替换像素强度。重量是空间重量的乘积rs和靶场体重rrthat is卡莱德美国the过滤器回应(F) 在双边的过滤作用（巴黎埃及al.， 2009）。 The进程is插图在无花果。 4。2.2. 分割活动等值线应用于分割已被过滤的图像以实现在马鲁利斯等人。（2007 年）， Nugroho 等人。（ 2017 年b ）与冈萨雷斯和伍兹（2006年）。活动等值线的思想是形成最小能量函数，使产量下降的分割面积。 The方法was工作比位置安initial曲线无花果。二、计算机辅助诊断（CAD）流动。332H.A. 努格罗霍埃及艾尔。 /期刊的金沙特大学-计算机和信息科学33（2021）329-339阿扎尔阿扎尔-阿扎尔阿扎尔阿扎尔N我阿扎尔1; c阿扎尔x1PNCj在y我;x我Þ-。y-c-xΣjc1h。。--Σ。 。1PN。--ΣΣ我2N。在y我;x我--y c;x c 。--N我阿扎尔1Jhasihy我;x我--y c;x cjc) 坚实是对待审对象的一种危险测量（三）。S奥博杰克塔雷亚康恩五埃克雷亚尔在3 Þd) 密实度秀不规则性指数的安对象can be Cal-Culted在（四）。无花果。 4. 斯佩克勒还原双边的过滤作用插图（巴黎埃及al.， 2009）。C14pA周长2π 4（面具--米）内the图像和莱特the曲线埃沃尔韦德比伊特塞尔夫比t-迭代到查找最低限度能源共计明细表比the对象。 它是赛义德到be最低限度当the contour的安对象内e) 直接性指标某一对象与某一对象的相似性直角作为公式在（五）。形象很光滑。上表演活动等值线的一个实例安超声波学图像is画报在无花果。 5。The分割进程was继续与形态学R奥博杰克塔雷亚雷坦古拉雷亚在5 Þ从活动等值线提高分割图像质量的操作。某些客观结果静止围护孔对象内部和对象边缘不光滑美国f) 屈曲性是定义对象曲线曲折的一种度量（六）。意料之中。用两像素阵列操作工作的形态操作;the第一阵列was the输入图像和the第二数组是结构元素。解决被忽视的问题，a结构元素was乌塞德基论填充和扩张手术（卡迪尔和苏珊托，2013）。2.3. 特写提取物在描述甲状腺超声图像中的重要特征时，几何特征和纹理特征分析了哪些特征与特征相关。有九个几何特征与形状、边距和方向特征有关-特利斯特，惠尔斯特五种纹理特征与内容和回声有关特征性的。2.3.1. 几何学特写a) 孔韦克西蒂是一个边缘对象的粗糙度测量，它被制定在（一）。T2 ω马乔拉西斯朗斯对象周长在6 ÞC康恩五实验仪对象周长在1 Þ(c)无花果。六、GLCM过程：（a）原始图像，（b）像素组合，（c）编号皮克塞尔b) 循环性关于某一对象与所定义的某一圆的相似性的指标（二）。组合。无花果。五、 活动轮廓插图分割。组合0,0002102030123210200组合3,3031001在2Þ012301230001100,00,10,20,31001111,01,11,21,32022222,02,12,22,33223333,03,13,23,3(a)(b)H.A. 努格罗霍埃及艾尔。 /期刊的金沙特大学-计算机和信息科学33（2021）329-339333阿扎尔阿扎尔g) 高度-宽度比是在描述对象的高度和宽度之间的比较（七）。拉蒂奥斯佩克特ObjectWidth奥杰克朗斯在9Þ奥博杰克塔雷亚在y马克斯-y敏Þ ω在x马克斯-x敏Þ在7 Þ2.3.2. 特克斯图尔特写直方图是通过计算强度的扩展来完成的价值。直方图有某些特征用于描述纹理帕特-g) 分散性是基于主和弦与宾语面积之比的长度对宾语不规则性的一种度量定义在（八）。图像燕鸥。本研究用八个特征表示文本模式。他们是平均数，标准偏差，偏度，能量，熵、滑滑性、瓦里安和库尔托西斯（耆那教、1989）。GLCM、灰级共现矩阵的which立场是乌塞德丁少校阿克西斯朗斯奥博杰克塔雷亚在8 Þ到代表特克斯图尔帕特尔恩斯在第一秩序乌辛统计Operation-Tion基于像素值。从变角方向看GLCM表达两像素之间的相关性（哈拉利克i) 相关比率测量宽度之间的比较对象和对象的长度。这里的宽度与g点的宽度不同。点地理信息系统外围两点之间最短的差异。长度是最长的线。比率等值是用计算的（九）。表1法‘1 × 5矢量。L5（水平）=[1 4 6 41]E5S5R5（艾奇）（斑点）（波纹）===[-1-2 0 21][-1 0 20-1][1-4-6-41]无花果。七、 法律的E5和L5对生产能量的向量乘积地图。表2九法的能量地图。L5E5S5R5L5E5S5L5E5/E5L5E5E5L5S5/S5L5E5S5/S5E5S5S5L5R5/R5L5E5R5/R5E5S5R5/R5S5R5R5R5等，1973）。GLCM是通过计算数字启动的相关像素。 安埃克安普勒的GLCM进程is画报在无花果。 6。 这Pro-Cess Produces一个框架矩阵。框架矩阵是用换位值计算后产生GLCM矩阵的。无花果。 9. 多层膜感知器(MLP)建筑。(a)(b)无花果。八、 关于支持向量机的图解，（a）交替超平面，（b）具有最佳余量的最佳超平面m.R阿扎尔hw334H.A. 努格罗霍埃及艾尔。 /期刊的金沙特大学-计算机和信息科学33（2021）329-339MN米N。MN方法的概念是地图的纹理模式哈夫k阿扎尔1l阿扎尔11 P米PN2kl(SRE)，龙润恩普法西斯山（LRE）、格雷水平无统一性（GLN）、米阿扎尔1 n阿扎尔1 MNk阿扎尔1l阿扎尔1kl本研究使用GLCM的五种特征。它们是角二阶矩（ASM），对比度，逆差分矩（IDM），四个差分角度方向的熵和相关，i.e。0A^ 在;45A^在;90A^在和13 5°（哈拉利克埃及al.， 197 3）。GLRLM灰级游程长度矩阵的立场（GLRLM）和拉库纳里蒂快报the分形维度的图像。 实施滑翔箱法的幽默感工作。Lacunity有三个特征被呈现在（10）-（12）（卡迪尔等人，2013）。L米阿扎尔1N阿扎尔1Pmn110代表the关系的更多丹二皮克塞尔斯论the图像。s阿扎尔。1P米PNPΣ2-在Þ像素长度的相同强度或被称为运行长度。 这1X XP。研究乌塞德七特点的GLRLM与差速器安格尔直接─IONS，I.E.0°，45°，90°和135°。 有短暂的运行恩普法西斯山La阿扎尔MNmn。1 P米 PNP-1。在11 Þ游程长度非均匀性（RLN）、游程纵横性（RP）、低格雷水平润恩普法西斯山(LGRE)和高格雷水平润恩普法西斯山01X米 X。Pmn!P11=P(HGRE)（加洛威，1975年;楚和塞格尔，1990）。L p阿扎尔@MN1P米PNP-Aπ 12表3外部规则诊断性格特征。表4内部规则诊断性格特征。分类处理规则诊断规则内容回声作用锡什蒂克消声回声贝尼恩固体马尔克德利海浦马利格南特低回声性马利格南特等回声贝尼恩科普莱克斯马尔克德利海浦马利格南特低回声性马利格南特等回声贝尼恩这里，L s，L a和L p代表特点的lacunarity、惠尔斯特p is尺寸的分形乌塞德到卡尔库拉特山the特克斯图尔特徵。 价值的p is2、4、6、8和10。在图像处理中，组件R、G、B和格雷级别是用来分析潜伏特征的。L s，L a和L p阿雷电话-库拉特德在伊奇成分。 豪韦弗、这研究只乌塞德格雷本研究使用灰色层次图像的层次成分美国输入（卡迪尔等人， 2013）。法氏质构能源分析能量在其中的纹理图像比卷边the输入图像进入九过滤能源图片用5比5法的卷积面具。它们的面具是由两个法律的向量复用产生的（法律，1980年）。用于此项研究的载体被列入第1桌时，当乘法的过程插图在无花果。 7。N米阿扎尔1n阿扎尔1MNk阿扎尔1l阿扎尔1kl1分类处理规则诊断规则保证金形状定向作用斯穆特周而复始椭圆形平行线贝尼恩周而复始椭圆形非并行的马利格南特不规则的周而复始椭圆形平行线马利格南特周而复始椭圆形非并行的马利格南特不规则的平行线马利格南特不规则的非并行的马利格南特H.A. 努格罗霍埃及艾尔。 /期刊的金沙特大学-计算机和信息科学33（2021）329-339335对文学的赞同，我认为有16卷马斯克斯生产、there阿雷只九的泰姆现在the TEX-Ture Energy公司上市表2。2.4. 分类处理支持向量机（SVM）被采用为类形、边距和方向特征（外部特征）。他们的三个特征有两个类，所以SVM有更好的阿库拉西雷苏尔特（萨韦洛纳斯埃及al.， 2008年;刘埃及al.， 2017）。无花果。10.CAD甲状腺癌系统的GUI。336H.A. 努格罗霍埃及艾尔。 /期刊的金沙特大学-计算机和信息科学33（2021）329-339≥2 F-gnX1阿扎尔-a丁我多层感知器（MLP）在什么地方有更好的性能，当它被用于比两个类更多的分类。 在本案例中，MLP被用于经典内容和回声特性，因为它被识别为内部特性（Nugroho等人， 2017b）。2.4.1. 支持向量机(SVM)The概念的支持向量机is到查找the贝斯特超平面的that can被指定为阶级的阶级。当each类边界到达最佳值之间的边距时，最佳超平面是成形的（Nugroho和Witarto，2003年）、《美国画报》无花果。8。x我：wþ乙≥ þ1为y我阿扎尔þ1x我：wþ乙▲-1为y我阿扎尔-1在13Þ亚序列、优化约束is定义在（十四）。敏在1 = 2卡斯特罗wj2;主体性我在x我：w þ乙Þ-1 ≥ 0在14Þ拉格朗日公式is乌塞德到索尔韦the优化与附加约束条件a我0作为拉格朗日系数和L 丁是拉格朗日对偶问题，所以最好的超平面是在（十五）。数据集的克拉塞斯is面额面额的美国fx1;· · ·;xng和班标签来自x我是呈现的美国y我1; 1阶级的边界a和乙它是在（十三）。n马克斯La我阿扎尔1 2 我阿扎尔X1;j阿扎尔1a我ajy我yjx我xj(a)(b)H.A. 努格罗霍埃及艾尔。 /期刊的金沙特大学-计算机和信息科学33（2021）329-339337(c)(d)无花果。 11. 雷苏尔特的前期处理、(a)进程的投资回报率论输入形象、(b)投资回报率形象、(c)适应性中位数过滤器result、(d) SRBF结果。338H.A. 努格罗霍埃及艾尔。 /期刊的金沙特大学-计算机和信息科学33（2021）329-339Xn主体到a我y我阿扎尔0; a我≥ 0在15Þ我阿扎尔12.4.2. 多层感知器(MLP)The概念的MLP is基论二玩步在创建模型贯穿学习阶段。第一个是前馈相位用它来弥补现实与目标之间的错误初始重量论伊奇神经元。 The第二一is后退相到普罗普-玛瑙后退到雷内夫the体重。 The进程is卡莱德美国后向误差传播（BEP）（杜达等人， 2001）。阿苏梅·塔特x我是输入数据还是提取特征值，奥j是隐秘的层，y k是输出班，w ij是输入层和隐藏层之间的重量，while w jk是隐藏层和输出层之间的重量与一个隐藏层。MLP的架构可以被设计为在无花果。 9。2.5. 分类处理&诊断规则在甲状腺癌系统的设计中，有一条最重要的规则需要首先描述--CAD。分类规则定义which特征需要比其他人先分类。 为埃克安普勒在外部特点、保证金哈斯到be分类首先确定形状和方向特征-tic。当一个结节有光滑的边缘时，它意味着这个结节的形状应该是“圆到卵圆”的，但当它有不规则的边缘时then the形状can be无论是‘圆到奥瓦尔‘或不规则的。一旦each特性是定义的机器学习高-这些诊断规则定义了良性或恶性的最终输出。对于例程，如果是一个类别化的结节，边距：平滑，形状：圆形到椭圆形，Ori-Entation：平行线then the诊断规则去到恶性。规则的存在是基于印度尼西亚日惹Sardjito医院放射科的专家医生的知识。2.5.1. 对外的规则特点作为前瞻，关于形状、边距和方向特征的外部特征依赖的诊断规则。规则列在表3。2.5.2. 内部的规则特点对内部特征的诊断规则是对内容的依赖和回声作用特点美国明细表在表4。(a)(b)(c)(d)无花果。 12.分割进程论(a)活动contour与(b) 120迭代法和initial尺寸窗口6比6与奥布泰尼德结果为(c)几何学特写提取物和为(d)纹理特征提取。H.A. 努格罗霍埃及艾尔。 /期刊的金沙特大学-计算机和信息科学33（2021）329-3393393. 结果与讨论无花果。10展示甲状腺癌计算机辅助诊断的图形用户界面（GUI）系统。3.1. 预处理感兴趣区域（ROI）是在系统中通过点击“ROI”按钮和在输入的超声音图像的矩形手动位置。RoI图像是通过自适应中值和SRB滤波的过滤、the雷苏尔特can be肖恩在无花果。 11。3.2. 分割用活动等值线分割表现在SRBF图像上，each图像的分割过程有不同的物位数和初始掩模大小。无花果。12展示分割的过程。3.3. 分类和诊断分类分为两种不同的外在特征和内在特征，而CAD是用两种类型来设计的。性格特征。3.3.1. 外部特点外部特征的分类与诊断规则在本步骤中得到应用与外部特征CAD的输出--tics可以在本步骤中显现无花果。13结节的形状、边缘和方位特征与最终诊断在一起的位置。3.3.2. 内部特点内部特征的分类和诊断规则在这个步骤中已经应用。内部字符CAD的输出被耗尽在无花果。14。莫瑞奥弗，构图或内容同回声性一个结节的特征是与韵母一起展示的诊断。(b)无花果。13. (a)输出CAD展示外部特征类和最终诊断，（b）分类和诊断的放大图信息。(a)340H.A. 努格罗霍埃及艾尔。 /期刊的金沙特大学-计算机和信息科学33（2021）329-3393.4.分析在本次研究中，分类步骤分解为训练步骤和测试步骤。对于训练步骤，165个外部特征的图像和246个内部特征的图像已经使用。80例良性和166例恶性案例的外部特征数据集一致性。80个良性案例和166个恶性案例的内部特征数据集一致性。在训练步骤中，10伏特验证用于验证结果的可靠性。平均精度与标准偏差在表5。对于测试步骤，使用了18个良性和27个恶性非典型案例的45个数据集进行外部特征CAD系统的测试，实现了精度、灵敏度、特异性、PPV和NPV水平分别为97.78%、100%、95.45%、95.83%和100%，尊重、当54测试数据的一致性11个良性和43个恶性案例的内部特征给出了94.44%，95.35%，90.91%，97.62%和83.33%的结果，尊重。必有案件在上演的困惑母体表6-8。对结果的同意，它可以被合并，而CAD是可帮助医生作出诊断决定的。与上位研究共同培养（祖尔法纳赫里等人al.，2017年;努格罗霍等，2017a、b（），《建议的方法也不存在高精度》。However，这工作还是有些限制的。初始过程中利益区域的确定仍然是人工服从的。在分段过程中使用主动con-tour的Moreover、初始窗口和迭代仍然手动良好。对于下一个工作，自动化处理是必要的，以解决它们的限制。(b)无花果。14. (a)CAD显示一类内部特征和最终诊断的输出，（b）分类和诊断的别格图信息。表5培训结果。成分平均的的标准偏差阿库拉西阿库拉西敏感度斯佩奇菲西蒂PPV净现值内部特性87.06%86.85%87.50%93.35%77.74%13.8%外部特性86.06%84.13%87.25%80.42%90.42%4%(a)H.A. 努格罗霍埃及艾尔。 /期刊的金沙特大学-计算机和信息科学33（2021）329-339341表6面向外部的混沌矩阵性格特征。外部特点预测班马利格南特贝尼恩真班马利格南特230贝尼恩121表7内部的混沌矩阵性格特征。外部特点预测班马利格南特贝尼恩真班马利格南特412贝尼恩110表8测试结果。成分平均的阿库拉西敏感度斯佩奇菲西蒂PPV净现值内部特性94.44%95.35%90.91%97.62% 83.33%外部特性97.78%100%95.45%95.83% 100%4. 会合甲状腺癌的计算机辅助诊断系统是基于已发育的内外特征。协助放射科医生分析重要程度的系统-获得最终诊断的绝技。外在和内在的特性是由计算精度来证实的，这种特性-蒂芙蒂、规格、PPV和净现值。The表演分析论外部特征闭塞程度的准确性、敏感性、特异性，PPV和净现值的97.78%，100%，95.45%，95.83%和100%，尊重-蒂弗利。Moreover，对于内部特征，客观结果是94.44%，95.35%，90.91%，97.62%和83.33%，尊重。系统在实现需求方面是可靠的结果指标放射学家作为诊断甲状腺癌目的的第二种意见。随着当前CAD的弱点的发挥，系统仍然有许多步骤。下一版本的CAD库尔德是无手动和更多的自动，这样放射科医生就能理解easily。Besides，把所有的特点都结合起来CAD is a未来工作that普兰斯到be埃达布利谢德。埃克诺莱杰门茨The作者伍尔德喜欢到埃克诺利奇the部门的Radi-Ology、萨尔吉托医院、日惹为普罗维丁the数据库在这研究和also放射科医生为真正的分享知识。我们喜欢感谢我们的学院在我们的教育激励部明智制度研究小组对印度尼西亚教育捐赠基金（LPDP）和董事将军的高教育、部中的研究、技术和高等教育支助资金the研究和研究程序。最终、the作者伍尔德像感谢匿名评审员鼓励评审和推荐一样。参考资料A.C. 学会、巨蟹座统计2017，”美国巨蟹座学会、2017.楚、J.F.G.A.、 Sehgal、C.M.、 1990. 使用的格雷价值分布的润朗斯为纹理分析。重现岩模式。莱特。十一（五）、415-419。Delibasis，K.K.，阿斯维斯塔斯，P.A.，马索普洛斯，G.K.，祖利亚斯、E。、Tseleni-balafouta，S.， 2009.用an诊断甲状腺恶性的计算机辅助诊断人工免疫系统分类算法。IEEE恍惚。中夫。泰克诺尔。Biomed. 13（五）、680-686。丁、J。、Cheng，H.D.，黄、J。、张、Y。、2014.用多实例学习甲状腺超声图像分类的全局特征和局部特征。因：2014年第七届国际生物医学工程与信息学会议，pp。 66-70。鳏夫，R.O.，哈特，P.E.，斯托克，D.G.，2001.模式分类。 威利。加洛威、玛丽M.、 1975. 特克斯图尔分析乌辛格雷水平润长度。 电脑。图。图像过程。四（二）、172-179。冈萨雷斯，R.C.，伍兹、R.E。、2006.数字图像处理（第三版）。普伦蒂斯-霍尔公司，新泽西州马鞍河上游，美国。格兰特、E.G.、 泰斯勒、F.N.、 黄、J.K.、 朗格、J.E.、 荷兰人、医学博士、 柏兰、L.L.、 克罗南、J.J.、 德瑟、T.S.、 弗拉特斯、医学硕士、 汉佩尔、U.M.、 米德尔顿、W.D.、 雷丁、C.C.、 斯库特，L.M.、斯塔夫罗斯、A.T。、提菲，S.A.，2017年11月。甲状腺超声报告莱克西孔：怀特纸的the ACR甲状腺影像学、报告和数据系统（牡蛎）委员会。J.阿姆。柯尔。无线电酚。12（12），1272-1279。哈拉里克，R.M.，尚穆根，K.，丁斯坦，I.，1973.图像的文本特征分类。 IEEE恍惚。 辛斯特。 伙计。 赛伯恩。 SMC-3（六）、610-621。豪根、B.R.、 亚历山大、E.K.、 圣经，K.C.、 多尔蒂，G.M.、 曼德尔、S.J.、 尼基福罗夫、Y.E.、 Pacini、F.、 伦道夫、G.W.、 锯木刀、A.M.、 斯伦贝谢、M.、 舒夫、K.G.、 谢尔曼、S.I.、索萨，J.A.，斯图尔德、D.L。、2016. 2015美国甲状腺协会甲状腺结节成人患者管理指南和分化型甲状腺癌。阿姆。甲状腺Assoc.26（1）、1-133。贾恩，A.K.，1989.数字图像处理的基础。普伦蒂斯霍尔信息和系统科学系列、加利福尼亚。K.K.R. 印度尼西亚、‘’部健康：因福达廷停止癌症，”2015.卡迪尔，A.，Susanto，A.，2013.纹理特征提取。In：Hardjono，D。(Ed.)， 图像处理;理论与应用。一艾德。安迪柯德，日惹，pp。 649-672。卡迪尔，A.，Susanto，A.，2013.图像分割。In：Hardjono，D。(Ed.)，加工形象;理论以及应用程序。 第1艾德。 安迪抵消、日惹、pp. 403-494。Khusna，D.A.，努格罗霍，H.A.，Soesanti，I.，2015.边与的性能分析德塔伊莱德保存斯佩克勒噪声还原过滤器为乳房超声波学图片。 In：2015年第2 INT。信息技术、计算机和会议电气工程（ICITACEE），pp。 76-80。金某、E.- K.、 朴某、C.S.、 钟、W.Y.、 哦，K.K.、 金某、D.I.、 李、J.T.、 Yoo，H.S.、 玛尔。 2002.新声像图推荐标准微针针抽吸器甲状腺不可触摸的固体结节的生物切片。阿姆。J.伦特吉诺尔。 178（三）、687-691。法律、K。、1980.快速纹理识别。SPIE图像过程。导弹向导。238,376-380。刘、T。、谢某、S。、于、J。、牛、L。、孙、W、2017.中甲状腺结节的分类应用基于迁移学习的深度学习模型的超声图像与混合特征。内：2017IEEE声学国际会议，发言和信号处理（ICASP），pp。 919-923。马鲁利斯，D.E.，萨韦洛纳斯，文学硕士，Iakovidis，D.K.，卡尔卡尼斯，S.A.，迪米特罗普洛斯，N.， 2007.可变背景有源计算机辅助的等值线模型甲状腺超声图像中结节的勾画。IEEE恍惚。中夫。泰克诺尔。 Biomed.十一（五）、537-543。N.C.研究所，‘’防癌事实：甲状腺巨蟹座。“努格罗霍，H.A.，努格罗霍，A.，Choridah，L.，2015.甲状腺结节分割用超声图像上的主动轮廓双侧滤波。入：Int。康夫。伊奥·夸尔。 瑞斯。。。pp. 43-46。努 格罗 霍， H.A. ， 弗朗 尼 塔， E.L. ， 努格 罗 霍， A. ，Zulfanahri ， Ardiyanto ， I. ，Choridah，L.， 2017年a。基于边缘分析的甲状腺结节分类特征性的。中：2017年计算机、控制国际会议，信息学及其应用，pp。 47-51。美国努格罗霍、Witarto，A.B.，Handoko、D。、2003.支持向量的应用机器在生物信息学。 在：加工的印度尼西亚科学会议、pp. 1-11。努格罗霍、H.A.、 祖尔法那赫里、努格罗霍、A、 弗朗尼塔、E.、 Choridah、L.、2017年a。 特写提取物基论法‘特克斯图尔能源为莱西恩回声作用分类处理的甲状腺超声图像。中：2017年国际计算机大会，控制，信息学及其应用，pp。 41-46。巴黎、S。、Kornprobst，P.，汤布林、J。、杜兰德、F。、2009.双边过滤：理论与应用。电脑。 图。 维斯。 4（一）、1-73。拉斯，G.，2016.伴超声检查甲状腺结节的风险分层法国TI-RADS：描述与反思。韩国Soc。Med超声。35（一）、25-38。萨韦洛纳斯，文学硕士，马鲁利斯，D.E.，Iakovidis，D.K.，迪米特罗普洛斯，N.，2008.计算机辅助美国图示甲状腺结节恶性风险评估利用边界描述符。在：泛希腊信息学会议，pp。 157-160。煎茶，A.N.，帕特鲁诺夫、云、莫古托夫，文学硕士，谢尔盖娃，E.D.，2011.现代超声检查在甲状腺疾病诊断中的技术。 维达-M出版社、莫斯科。Shin，J.H.，Baek，J.H.，钟，J.，哈，E.J.，金、J。、2016.超声诊断和基于图像的甲状腺结节管理：修订的韩国学会的甲状腺放射学共识声明和建议。 韩国J无线电。 十七（三）、370-395。祖尔法那赫里、努格罗霍、H.A。、努格罗霍，A.，弗朗尼塔，E.L.，Ardiyanto，I.，2017. 基于形状特征分析的甲状腺超声图像分类。 The 2017生物医学工程国际会议（BMEiCON-2017）。
我的内容管理
展开
