信息学在医学图像中微小变化检测的性能比较

信息学在医学解锁7（2017）39检测医学和随机点图像中的微小变化，比较自组织映射的性能和人体检测John Mwangi Wandetoa，b，Bennett，Henry Nyongesab，Yves Rémond a，Birgitta Dresp-Langley aaICube UMR 7357 CNRS，斯特拉斯堡大学，4 rue Blaise Pascal，CS 90032，F-67081 Strasbourg Cedex，法国bDedan Kimathi技术大学，P.O. Nyeri-Mweiga路。Box 657-10100，Nyeri，肯尼亚A R T I C L E I N F O保留字：医学图像随机点图像变化检测SOM分析量化误差人为性能A B S T R A C T放射科医生使用医学图像的时间序列来监测患者病情的进展。 他们比较从图像序列中收集的信息，以了解病变的进展或缓解，从而评估患者病情的进展或对治疗的反应。确定一系列图像与另一系列图像之间的差异的视觉方法可能是主观的，或者无法检测到非常小的差异。我们建议使用的量化误差从自组织映射（SOM）的图像内容分析。我们用MRI图像测试了这项技术，我们逐步添加合成病变。 我们已经使用了一个全球性的方法，认为整个图像上的变化，而不是在分割病变区域的变化。我们声称，这种方法并不支持分割所施加的限制，这可能会损害结果。结果表明，量化误差随着图像上病变的增加而增加。结果也与以前使用替代方法的研究一致。 然后，我们比较了我们的方法的检测能力，人类新手观察者必须检测非常小的随机点图像中的局部差异。与正确的阳性率相比，在减去假阳性率（“猜测率”）后，SOM输出的量化误差显著增加，并且与人类无法检测到的局部点大小的小幅增加一致。我们的结论是，我们的方法检测非常小的变化，在复杂的图像，并建议它可以实现，以协助人类操作员在基于图像的决策。1. 介绍放射科医生必须根据医学图像中通常难以检测到的局部变化来检测患者病情的进展通过各种成像技术，如磁共振成像（MRI）、计算机断层扫描（CT）和正电子发射断层扫描（PET），捕获图像。这些图像为放射科医生提供了关于给定条件的状态或进展的视觉信息，并帮助确定治疗过程。用于处理这种图像的传统方法涉及直接视觉检查，其本质上是主观的。图像科学已经提出了用于医学图像的自动处理的方法，其涉及各种不同的图像处理技术以识别感兴趣的特定诊断区域和特征，例如病变。[1，2]提出了一种计算框架，能够基于灰度归一化比较MRI体积，以确定连续时间间隔之间的定量肿瘤生长。他们提出了三个肿瘤生长指标，即体积、最大半径和球形半径。然而，这种方法需要一个初始的手动分割图像，这可能是一项耗时的任务。[3]，首先，在初始患者扫描中半自动分割肿瘤，然后使用分层配准方案对齐连续扫描，以测量图像的生长或收缩。该方法依赖于准确的分割，并且需要人工监督，以便检测病理中多达几个体素的变化。[4]描述了一种旨在检测脑肿瘤变化的方法。该方法将医学专家的输入与计算技术相结合。在本文中，我们提出了一种新的技术的基础上自组织映射，认为整个医学图像，而不是一个图像片段，作为感兴趣的区域。这不包括旨在消除包含与肿瘤病理学相似的结构的手动基准测试任务。直接图像分析背后的基本原理是，医学图像及其临床测量之间存在内在关系，可以利用这种关系消除图像分析中的中间过程。与传统方法相比，直接方法针对最终结果具有更大的临床意义。因此，直接方法不仅降低了高计算成本，而且避免了ICube UMR 7357 CNRS，University of Strasbourg，4 rue Blaise Pascal，CS 90032，F-67081 Strasbourg Cedex，France.电子邮件地址：john. etu.unistra.fr（J.M. Wandeto）。http://dx.doi.org/10.1016/j.imu.2017.03.001接收日期：2017年1月10日;接收日期：2017年2月27日;接受日期：2017年3月8日在线提供2017年2352-9148/© 2017由Elsevier Ltd.发布 这是CC BY-NC-ND许可下的开放获取文章（http：//creativecommons.org/licenses/BY-NC-ND/4.0/）。目录可在ScienceDirect医学信息学杂志主页：www.elsevier.com/locate/imuJ.M. Wandeto等人信息学在医学解锁7（2017）3940任何中间操作引起的错误。直接方法也是新兴机器学习算法和临床图像测量之间的桥梁。最后，要显示如何输出变量称为“量化误差”的图像分析SOM可能被利用作为一个指标存在潜在的关键的局部变化的图像内容，我们比较了随机点图像的分析SOM输出的量化误差非常小的渐进增加，在一个单一的点的局部大小的人类观察者的能力，以检测这些变化。2. 材料和方法2.1. 自组织映射自组织映射（SOM）是一种无监督的神经网络学习技术，它不需要纠错监督学习所需的目标输出。SOM，[5]用于产生输入空间的低维表示.因此，对于每个输入向量，所谓的竞争学习被执行以产生输入数据的较低维度可视化。SOM通常用作输入数据的特征分类器。 从最初的随机化，映射，输入数据被迭代地应用以将映射优化为稳定的其目的在于减少样本向量的数量或用代表性质心代替它们。所得到的质心不一定必须来自样本集，而是也可以是分配给它们的向量的近似值，例如它们的平均值。 VQ与聚类密切相关，SOM执行VQ，因为样本向量被映射到（较少）数量的原型向量，[8]。在SOM中，原型向量被称为最佳匹配单元（BMU）。量化误差作为自组织映射的一种特性，被用来评价自组织映射的质量。QE属于一种用于对从同一数据集训练的一系列SOM进行基准测试的度量。在我们的工作中，我们使用QE做了一个相反的测量：使用相同参数训练的SOM对一系列数据集进行基准测试。换句话说，我们使用相同的SOM，相同的地图大小，特征大小，学习率和邻域半径来分析具有临床意义的一系列图像数据集，或随机点图像，如本文稍后所示。QE是在对图像进行自组织映射算法分析并通过计算输入数据x与其对应质心（所谓的“最佳匹配单元”或BMU）之间的平方距离（通常为标准欧几里得距离）后得出的。这给出了每个数据向量（X）与其BMU之间的平均距离，从而测量地图分辨率：N地区在节点权重与输入向量匹配的情况下，选择性地优化网格的该区域以更接近地类似于用于QE= 1/N∑i=1Xi−（BMU（i））（一）输入向量所属的类。 从随机权重的初始分布和多次迭代中，SOM最终稳定到稳定区域的地图中。地图的每个区域都成为输入空间的要素类。每个区域实际上是一个特征分类器，图形输出是输入空间的一种特征图。SOM的原理和数学背后的中心思想是，每个输入数据项都应与地图中最接近的区域匹配，称为获胜者（如图1中的Mc所示），并且这些区域的子集应被修改以实现整个数据集的最佳匹配，[6]。另一方面，由于地图中获胜者周围的空间邻域每次都被修改，因此地图的局部和离散排序程度发生变化，以提供平滑动作。局部排序动作将逐渐在整个SOM上传播SOM模型的参数是可变的，并通过学习算法进行调整，使得映射最终近似或表示输入数据的相似性。虽然研究主要集中在给定数据集上的各种SOM的性能，但我们将揭示单个SOM上各种数据集的行为。给定相关的医学图像系列集和恒定的SOM，我们能否检测到图像中的显著趋势？该趋势是否具有临床意义？2.2. SOM输出找到一个合适的子集来描述和表示一个更大的数据向量集的任务称为矢量量化（VQ），[7]。VQFig. 1. 自组织映射的示意图。输入数据项X被广播到一组模型Mi，其中Mc与X最匹配。所有位于网格中Mc的邻域（较大的圆圈）的模型与X的匹配比与其他模型的匹配更好，来自[6]。其中N是图像中样本向量x的数量如[8]所指出的，这种测量完全忽略了地图拓扑和对齐，使其适用于不同类型和形状的SOM地图。此外，该计算不依赖于任何用户参数，如上面的（1）中所示。一个16 × 16的SOM，初始邻域半径为5，学习率为0.2，用于从图像中提取数据。这些初始值是在测试了几种尺寸的SOM后得出的，以检查簇结构是否具有足够的分辨率和统计准确性，[6]。学习过程以从图像阵列中随机选取的向量作为模型向量的初始值开始。对于以下三个实验中的每一个，SOM参数保持恒定。在这项研究中，我们开始应用SOM的时间序列的原始成像数据，从病人的膝盖之前和之后的钝力创伤性损伤。然后，我们在这些图像中添加了人工病变生长，并对修改后的图像进行了SOM分析。[4]在进一步分析之前，通过添加1%、5%和22%体积增长的综合演变病理内容来修改原始图像他们没有使用SOM分析，而是对这些图像进行了视觉和计算识别实验，以测试对人工“病理”的检测。3. SOM分析3.1. 原始医学图像我们使用了两组来自一名膝盖扭伤患者的图像，由法国斯特拉斯堡的Hopital de Hautepierre提供。使用相同的采集参数（机器、序列、线圈等）采集由20幅MRI图像组成的每组图像。表1显示了从每组图像中获得的QE值，这些图像是在两次连续的临床访视中拍摄的，几乎相隔两个月。图2是数据的图形显示。将表1中所示的QE提交至单因素方差分析（ANOVA）。图像系列之间的差异具有统计学显著性（t（1，38）=3336; p<0.01）。3.2. 人为添加“病变”内容的医学图像在第一组图像上，我们在每张图像上添加了一个合成病变，J.M. Wandeto等人信息学在医学解锁7（2017）3941表1QE值来自左腿膝关节受伤患者连续两次临床访视的图像。在两个系列中的每个图像之间存在QE值的增加。图片QE1st QE 2nd粤ICP备05015558号-1粤ICP备05016678号-1dcm 0003 7096.77 10，381.9粤ICP备16044789号-1粤ICP备05016888号-1粤ICP备05006657号-1dcm 0007 7484.48 10，326.94粤ICP备16008888号-1粤ICP备05011599号-1粤ICP备16016679号-1粤ICP备16001888号-1粤ICP备16016688号-1粤ICP备16013882号-1粤ICP备16014888号-1粤ICP备16016888号-1粤ICP备16016579号-1粤ICP备05017557号-1粤ICP备16018826号-1粤ICP备15044508号-1表2原始患者图像和添加了合成病变的图像的QE分布。QE值随着添加到图像中的“病变”的增加而增加原始图像1粤ICP备16018888号-1粤ICP备16037770号-1粤ICP备16037552号-1粤ICP备16044770号-1粤ICP备15048888号-1粤ICP备05016666号-1电话：0007 857.2325 927.1354 969.5507粤ICP备05008888号-1粤ICP备16016661号-1粤ICP备05016669号-1粤ICP备16016888号-1电话：0012 876.5664 935.8310 974.4636粤ICP备15055558号-1粤ICP备16016888号-1粤ICP备16016668号-1粤ICP备110672960号-1粤ICP备16017777号-1粤ICP备16018888号-1粤ICP备16011569号-1粤ICP备15011573号-1粤ICP备16023886号-1图三. 病变增加图像的QE值的图形比较。图2. 对在两个不同时刻拍摄的膝关节图像的时间序列进行一系列SOM分析的结果。结果表明，SOM输出中的QE在之前（系列1）和之后（系列2）拍摄的图像系列之间显著增加（t（1，38）=3336; p< 0.01）。以形成第二组图像。由于我们的目标是发现相应图像集之间图像内的变化，因此新图像集保留了第一图像集的所有特征，除了引入的“病变”，其在20张图像中的位置一致。因此，使用合成“病变”确保图像集之间的差异不会受到任何外部因素的影响，如相机的位置、照明、MRI机器上的患者位置等，并且所引入的“生长”是已知的。添加的“病变”是一个44 ×26像素的日食形状，分辨率为72 × 72 dpi，灰度级，并填充有图案。通过向第二组添加另一个均匀的“病变”来类似地创建第三组图像。因此，我们创建了一个图像数据集，描绘了一个膝盖病变不断增加的患者。在实践中，这三组数据将在渐进式临床访视时从患者处获得。SOM算法在三组图像中的每一组上运行，并且每个图像获得QE，如表2和图2所示。3.第三章。这些模拟的结果表明，将人工病变内容添加到患者的原始图像数据中，QE的增加与病变内容物的增加一致。当将原始图像数据的SOM分析与“添加双病变”图像数据的SOM分析进行比较时，SOM输出的QE差异具有统计学显著性（t（1，38）=2.055，p< 0.05）。相比之下，“单病灶增加”治疗在QE方面没有产生足以达到统计学显著性的差异（t（1，38） =1.264 ， NS ） 。将 表 3 中 所示 的 QE 提 交至 单 因 素方 差 分析（ANOVA）。一个系列中原始图像和修改图像之间的差异在两个系列中均具有统计学显著性（t（1，38）=3337; p< 0.01，系列1和t（1，38）=3336; p< 0.01，系列2）。 有关图形表示，请参见图。第四章3.3. 加入泊松噪声的医学图像我们使用泊松频率分布过程在两组膝关节图像中的每一组上添加噪声。泊松噪声优于其他类型的杂质产生，因为它与图像中每个像素的强度相关。该过程从原始图像的每个像素的泊松分布产生样本图像。从每个原始集合和相应的噪声集合获得的QE值在表3中示出。采用相同的泊松分布参数添加两个系列中的杂质。就其本质而言，泊松方法会按现有像素的比例填充图像中的杂质，因此J.M. Wandeto等人信息学在医学解锁7（2017）3942表32016年4月29日首次临床访视时从患者身上采集的一组图像的QE值，第1列和第2列中的QE值是添加了点的相同图像的QE值。第3列中的QE值来自2016年6月17日第二次临床访视时从患者身上采集的图像。第4列显示了添加点后所得图像的QE值。基于泊松分布频率将点添加到每个图像。第1次临床试验Dots补充道第二临床Dots补充道5544.480711,086.78778078.243916,157.18987181.988414,364.04139330.150318,660.57075558.151111,117.98965924.664411,850.96555714.792111,429.27926135.689112,273.30486023.753212,048.42037830.332215,663.15865966.344411,932.93855842.485411,684.41116201.729212,405.20239034.284318,067.91787240.85314,482.15776198.607912,401.70016001.469912,002.77765982.45311,965.16716417.167312,836.44296972.221613,943.69795992.511,984.70775992.149211,984.46346661.458613,324.69436985.140113,973.79047484.698414,968.188410,327.106920,659.2626507.814413,017.89139757.757119,514.27426174.88312,349.70428193.111616,388.25266101.94612,203.21476478.840112,960.49427096.392214,191.599710,381.917220,764.67025724.800711,450.6902741.264614,823.0745450.674110,901.1167041.985814,083.67716023.849912,049.43555957.433211,916.3526见图4。从一系列的SOM分析的图像的时间序列，在两个不同的时刻在时间上的结果。结 果 表 明 ， SOM 输 出 中 的 QE 在 图 像 系 列 之 间 显 著 增 加 （ t （ 1 ， 38 ） =3336; p<0.01）。 在原始图像系列1中，添加了小的合成病变，而在系列2中，添加了较大的合成病变。对于每种操作，QE与SOM输出的差异具有统计学显著性（t（1，38）=3337;系列1为p< 0.01，t（1，38）=3336;系列2为p< 0.01）。被4. 基于随机点图像的4.1. 目的为了测试是否有系统的增加的量化误差的SOM输出，确实，直接链接到潜在的关键本地图像内容的可检测性，我们设计了一个视觉图像的歧视实验，使用经典的“相同的不同”的范例。将人工诱导和严格局部“病变”含量百分比不同（5%、10%和30%）的图像与原始图像配对，没有添加这种局部“病变”的图像。在这些图像中的每一个上，我们运行SOM来确定量化误差输出，并将其变化与经验不足的观察者的视觉变化可检测性的变化进行比较。在这个实验中，人类观察者必须判断给定的图像对是“相同”还是“不同”。任何差异的检测（称为正确阳性或“命中”）只能是由于在其中一个图像中检测到人为诱导的局部差异（“病变”内容），因为所有其他图像参数（对比强度、对比符号、对比空间分布、相对大小）在一对图像中的两个图像中相同。为了确定受试者过度诊断的倾向，我们还展示了几对完全相同的图像，并记录了假阳性检测或“猜测”的数量。改变图像对的曝光持续时间以测试处理时间是否影响可检测性。4.2. 科目32名健康的年轻男性受试者，26名男性和6名女性，所有志愿者的年龄在19至34岁之间，参与了本研究，该研究按照关于人类受试者实验的赫尔辛基宣言进行，并得到了监督作者（BDL）所在机构（CNRS）伦理委员会的完全批准。所有受试者的视力均正常，并提供了参与研究的书面知情同意书。4.3. 实验刺激和程序使用Photoshop中的Adobe RGB创建具有相同大小、局部对比度（.7迈克尔逊对比度）和空间对比度分布的计算机生成的随机点图像（参见图5的说明）。在这些图像中的三个中，一个局部对比度点的直径增加，产生一个具有5%局部点尺寸增加的图像，另一个具有图5. 将三张随机点图像与原始图像配对，其中人工诱导和严格局部“病变”内容的百分比不同（单个小点的大小增加5%、10%和30%，此处以红色正方形突出显示），原始图像中没有添加此类局部“病变”（上面给定对中的左侧图像）。一对左右图像以随机顺序在演示之间变化。在任务序列中还呈现了成对的相同图像（此处未显示），以测量错误警报率（“猜测率”）。J.M. Wandeto等人信息学在医学解锁7（2017）3943一个具有10%的局部点尺寸增加，第三个具有30%的局部点尺寸增加，总是在完全相同的点位置。这三个图像中的每一个都与原始的“无病变”图像配对，以随机顺序成对地呈现在左侧和右侧表5在5秒曝光持续时间（a）和观察者控制的曝光持续时间（b）条件下，每个图像对的“无病变”图像与“10%病变”图像配对的条件响应率（%）。显示了正确阳性（CP）（通常也称为“命中”）、正确阴性（CN）、假阳性（FP）和假阴性（FN）应答率图像也与它们相同的图像配对期间在实验中，受试者坐在离计算机屏幕约75厘米的距离处，在一个半暗的房间中。图像对（再次参见图2的说明）以随机顺序呈现，每对图像之后都有5秒的空白屏幕呈现，以避免视觉余像，这可能会干扰任务。在一个会话中，每个图像对的曝光持续时间为5秒，在另一个会话中，曝光持续时间由观察者控制。这意味着受试者可以看一对，只要他认为有必要做出决定，然后按下一个键，在下一对显示之前获得5秒的空白屏幕。任务指令是“尽可能迅速和准确地决定一对中的两个图像是否相同或不同。对于每个受试者和会话，记录响应于给定图像对的“相同”和“不同”判断的数量，并将其写入单独的excel表中。32名受试者中的16名开始于5秒暴露持续时间会话，随后是观察者控制的暴露持续时间会话，另外16名以相反的顺序执行任务会话以抵消可能的顺序定时效应。（a）曝光5秒的图像对相同不同R“一样”87.5（中国）82.0（FN）“diamerent”12.5（FP）18.0（CP）（b）观察者控制曝光相同不同R“一样”87.0（中国）77.4（FN）“diamerent”13.0（FP）22.6（CP）表6在5秒曝光持续时间（a）和观察者控制的曝光持续时间（b）条件下，每个图像对的“无病变”图像与“30%病变”图像配对的条件响应率（%）。显示了正确阳性（CP）（通常也称为“命中”）、正确阴性（CN）、假阳性（FP）和假阴性（FN）应答率（a）曝光5秒的图像对与众不同R“相同”85.5（CN）66.4（FN）“差异”14.5（FP）33.6（CP）5. 使用随机点图像进行人体检测的结果b）5.1. 条件检出率观察者控制曝光与众不同将每种类型的图像对的“相同”和“不同”响应的总数除以给定受试者和实验会话的该对呈现的总数。然后将这些响应频率乘以100，以产生反映对相同图像对的“相同”响应的百分比的正确阴性CN的百分比、反映对不同图像对的“相同”响应的百分比的假阴性FN、反映对相同图像对的“不同”响应的百分比的假阳性FP（“猜测”）以及反映对不同图像对的“不同”响应的百分比的正确阳性CP（“命中”）。分布在表4-6中示出为“病变”内容的函数，其中单个点尺寸（1、2、3）局部增加5%、10%和30%，并且作为图像对（a和b）的曝光持续时间的函数。我们进行了检查，以确认一对图像（左或右）中的图像位置对响应没有影响（没有位置偏差），此处显示了左侧和右侧图像的平均响应频率。当在表4-表4在5秒曝光持续时间（a）和观察者控制的曝光持续时间（b）条件下，每个图像对的“无病变”图像与“5%病变”图像配对的条件响应率R（%）。显示了正确阳性（CP）（通常也称为“命中”）、正确阴性（CN）、假阳性（FP）和假阴性（FN）应答率（a）曝光5秒的图像对与众不同R“相同”88.7（CN）91.4（FN）“差异”11.3（FP）8.6（CP）（b）观察者控制曝光与众不同R“相同”86.5（CN）91.4（FN）“差异”13.5（FP）8.6（CP）R“相同”86.5（CN）60.9（FN）“差异”13.5（FP）39.1（CP）图像对，而正确的阳性CP的百分比，即所谓的“命中率”，当曝光持续时间是随意的和观察者控制时显著增加。这表明，受试者使用恒定的决策标准，否则FP或“猜测率”也会随着图像曝光持续时间而变化，在两个连续的实验会话中，限制图像曝光时间会对CP或“命中率”产生负面影响。当在表4-6之间进行比较时，我们还相当清楚地看到，CP或“命中率”随着一对图像中的一个图像中的“病变”内容的增加而增加。在其中一个图像具有5%的局部点大小（“病变”）增加的图像对中（表4），“命中率”CP小于“猜测率”FP，这表明受试者基本上是猜测的，并且不能检测图像内容中的局部差异。在其中一个图像具有10%或30%的局部点大小（“病变”）增加的图像对中，“命中率”CP是“猜测率”FP的两倍（表5）至三倍（表6），这表明图像内容中的局部差异开始被检测到。与观察者控制的曝光持续时间配对，其中一个图像的“病变”内容局部增加30%，“命中率”CP最高，为40%。5.2. 方差分析在下一步中，将平均“命中率”CP提交给三个水平的“病变”因子L 3和两个水平的暴露持续时间因子E 2的双因素方差分析，以评估效应的统计学显著性。我们观察到“病变”对平均“命中率”的影响具有统计学显著性结果，F（2，23）=38.04; p<0.001，暴露持续时间具有显著性影响，F（1，23）=8.13; p 0.05。5.3. 与SOM平均值和标准误差（SEM）的效应大小为如图6所示。为了与人类的J.M. Wandeto等人信息学在医学解锁7（2017）3944见图6。平均“命中率”CP和标准误差作为“病变”内容和图像对曝光持续时间的函数。表7QE值和人类观察者的病变检测的平均检测率作为病变内容的函数，以%局部点大小增加在一对图像中的一个和曝光持续时间。对于包含两个无病变内容的相同图像的图像对，平均假阳性率（“猜测率”）为13%。为了得出关于检测的结论，如上所述，从正确阳性的平均率中减去假阳性的平均率，如[11]所述。局部斑点大小的病变%SOM输出生成的QE值5秒曝光时间的检测观测器控制持续时间的检测0%（原始）750.3749百分之五750.45558.6-13%8.6-13%百分之十751.782718-13%22.6-13%百分之三十754.467933.6-13%39.1-13%通过比较连续扫描的测量值来确定肿瘤体积的变化。当肿瘤体积的变化太小，因此难以在两次连续扫描之间检测时，神经放射科医生倾向于将最近的扫描与最早的可用图像进行比较，以找到肿瘤演变的任何可见证据。由此产生的分析并不反映肿瘤的当前发展，而是肿瘤演变的回顾性观点[4]。我们的工作照顾这种情况，因此它可以帮助临床医生在治疗决策。QE是SOM的质量度量。因此，当初始SOM设置和参数保持不变并且输入矢量（图像）没有变化时，预计会产生相同的值。当改变图像数据而不改变SOM参数时，QE的变化可以合理地归因于其图像正在被研究的器官中发生的发展。这就是为什么我们提出QE作为医学图像中病变进展或缓解的临床决定因素。我们希望在这一领域进行进一步的实验，特别是与真实图像，比较来自真实患者数据的结果。我们还希望根据人类专家的分析和世界卫生组织提出的指标来确认我们的模拟结果[9]。7. 结论当在不同的连续时间拍摄的患者图像的QE上升时，这是研究中的器官上的病变或杂质正在增加的潜在指示，而减少可能指示病变正在消退。通过图像分析测量许多细胞过程的常见方法是从将图像分割成感兴趣的成分开始。我们已经提出了一种方法来跟踪诊断后的患者治疗，该方法不依赖于仅来自片段的数据，而是对整个图像进行全局分析。监测癌症进展/缓解通常通过MRI序列中的几个图像的手动分割来估计，非常耗时，或者通过自动分割，这是一项具有挑战性和计算成本高的任务，通过比较在局部点尺寸增加5%、10%和30%的随机点图像上运行的SOM分析的QE值的检测率，我们在表7中示出了这些QE值作为每种图像类型的函数以及正确阳性（CP）率减去假阳性（FP）率。6. 讨论[4]报告称，一位专家错误地将所有人为病变增长1%的病例分类，而对于增长5%的病例，准确率仅为20%。然而，同一位专家正确地将所有病例分类为22%的增长。在这项研究中，我们介绍了一种新的基于SOM的技术，用于感测医学图像中病变的进展或缓解。 我们表明，QE的SOM输出的连续分析的图像集的时间序列增加时，杂质/病变的器官增加，反之亦然。对人类观察者的实验证实，病变中的小生长很难被人类检测到，而这项工作中引入的技术可以可靠地捕获它们。这项工作是重要的，因为它介绍了一种新的技术，从病人的大型机构的医学图像的预分析。该技术允许自动检测图像时间序列中可能反映生长或消退病变的细微但显著的变化。在临床实践中，通过目视检查系列成像来发现细微生长的证据可能非常困难。对于间隔相对较短（不到一年）的扫描尤其如此。目视检查通常会错过缓慢的演变，因为变化可能会被身体位置，切片位置或扫描之间的强度分布的变化所掩盖，如[4]所述。在某些情况下，变化可能太小而无法被注意到，让患者听天由命。外科医生和肿瘤学家经常计算估计误差较大[10]。在这项研究中，我们使用自组织机器学习技术直接从图像统计中实时估计疾病进展。我们证明，这些分析的输出的QE值“检测”潜在相关的本地图像内容的最小增加，这是人类不可能看到的。资金这项研究没有从公共，商业或非营利部门的致谢我 们 感 谢 我 们 的 同 事 ， 来 自 Hôpital de Hautepierre 的 PhilippeChoquet博士和法国斯特拉斯堡的ICube UMR 7357 CNRS-UdS，他们为这项研究提供了宝贵的见解和专业知识引用[1] [10]张文辉，张文辉. 2007年，在纵向MRI研究中检测胶质瘤演变。在：第四届IEEE生物医学成像国际研讨会论文集：从纳米到宏观，第49 - 52页[在线]。网址：ieeexplore.ieee.org/xpls/abs_all.jsp? Arnumber=4193219; 2007.[2016年8月[2] 张晓刚，王晓刚，王晓刚.脑mri上低级别胶质瘤生长定量的对比映射和统计检验。在：2010年IEEE生物医学成像国际研讨会：从纳米到宏观，第872 - 875页[在线]。网址：ieeexplore.ieee.org/xpls/abs_all.jsp? Arnumber =5490125; 2010. [2016年9月[3] Konukoglu E，Wells WM，Novellas S，Ayache N，Kikinis R，Black PM，PohlKM. 2008年，监测缓慢发展的上一篇：Proceedings of the 5th IEEEJ.M. Wandeto等人信息学在医学解锁7（2017）3945国际生物医学成像研讨会：从纳米到宏观，第812-815页[在线]。网址：ieeexplore.ieee.org/xpls/abs_all.jsp?Arnumber=4541120; 2008. [2016年8月10日访问][4] Pohl KM，Konukoglu E，Novellas S，Ayache N，Fedorov A，Talos I-F，GolbyA，Wells WM，Kikinis R，Black PM.检测缓慢发展的脑肿瘤变化的新指标：在脑膜瘤患者中的验证。Oper Neurosurg 2011;68：ons225-ons233，http：content.wkhealth.com/linkback/openurl? sid =WKPTLP：landingpage&an=01787389-201103001-00030，[accessed Sep 10，2016].[5] 科霍宁河自组织系统中图案拓扑图的自动形成，第二届Scand. Conference on ImageAnalysis，Espoo，芬兰; 1981年。p. 214-220[6] 科霍宁河自组织映射的MATLAB实现和应用[在线]。可查阅：http：//docs.unigrafia。文件/publications/kohonen_teuvo/2014。[7] 格雷河矢量量化。IEEE ASSP Mag.1984;1（2）：4-29，[Online]. [可用]网址ieeexplore.ieee.org/articleDetails.jsp? arnumber=1162229。[8] 波兹尔鲍尔湾自组织映射质量度量的综述与比较。Proc.第五次研讨会数据分析WDA'04 2004：67-82.[9] Louis DN，Perry A，Reifenberger G，von Deimling A，Figarella-Branger D，CaveneeWK，Ohgaki H，Wiestler OD，Kleihues P，Ellison DW. 2016年世界卫生组织中枢神经系统肿瘤分类：摘要[2016年5月]。[网址：http://link.springer.com/article/10.1007/s00401-016-1545-1。[访问日期：9月16日]。 神经病理学学报 2016;131（6）：803 -20，[2016年5月[在线]。[可查阅：http://link.springer.com/article/10.1007/s00401-016-1545-1. [访问日期：9月16日]。[10] [10]张文，张文.在MRI中使用图像统计对心脏功能进行整体评估In：Ayache N，Delingette H，Golland P，Mori K，editors.医学图像计算和计算机辅助干预-Berlin，Heidelberg：Springer Berlin Heidelberg; 2012.第535- 543页。http://dx.doi.org/10.1007/978-3-642-33418-4_66。[11] 绿色DM，瑞典JA。信号侦测理论与心理物理学。纽约：约翰威利&父子公司; 一九六六年