駱鵬傲，朱 紅，劉奕君，姜新國(guó)

（1.徐州醫(yī)學(xué)院 醫(yī)學(xué)信息學(xué)院，徐州 221004；2.徐州醫(yī)學(xué)院 公共衛(wèi)生學(xué)院，徐州 221004）

人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN），是一種模仿生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能的數(shù)學(xué)模型，常用來(lái)對(duì)輸入和輸出間復(fù)雜的關(guān)系進(jìn)行建模，或用來(lái)探索數(shù)據(jù)的模式.ANN以它的大規(guī)模并行性、知識(shí)的分布式表示、容錯(cuò)性與自組織等許多優(yōu)秀的特點(diǎn)引起眾多學(xué)者的極大興趣，近年來(lái)已形成全球性的神經(jīng)網(wǎng)絡(luò)研究熱潮［1］.

紋理是圖像的一個(gè)重要屬性，它是圖像像素顏色或灰度在空間以一定形式變化而產(chǎn)生的圖案.圖像的特征提取是圖像的識(shí)別和分類、基于內(nèi)容的圖像檢索、圖像數(shù)據(jù)挖掘等研究?jī)?nèi)容的基礎(chǔ)性工作，其中圖像的紋理特征對(duì)描述圖像內(nèi)容具有重要意義，紋理特征提取已成為目前圖像領(lǐng)域研究的熱點(diǎn)［2］.灰度共生矩陣是建立在估計(jì)二階組合條件概率密度函數(shù)基礎(chǔ)上的紋理分析方法，不僅反映亮度的分布特性，也反映具有同樣亮度或接近亮度的像素之間的位置分布特性，是有關(guān)圖像亮度變化的二階統(tǒng)計(jì)特征［3］.利用灰度共生矩陣提取圖像的紋理特征目前在醫(yī)學(xué)研究上已經(jīng)得到了廣泛的應(yīng)用.

劉剛、王剛、林森森利用灰度共生矩陣提取的圖像紋理特征聯(lián)合ANN網(wǎng)絡(luò)模型已經(jīng)應(yīng)用于肝部、肺部和乳腺腫瘤的研究當(dāng)中，除此之外，目前對(duì)人工神經(jīng)網(wǎng)絡(luò)原理和利用灰度共生矩陣提取的腫瘤CT圖像紋理特征指標(biāo)聯(lián)合腫瘤相關(guān)臨床檢查指標(biāo)在腫瘤鑒別診斷中的應(yīng)用未見(jiàn)報(bào)道.

1 神經(jīng)網(wǎng)絡(luò)模型在腫瘤鑒別診斷中的應(yīng)用

1.1 ANN模型及其存在的缺點(diǎn)和爭(zhēng)論

ANN是屬于人工智能的領(lǐng)域，有別于其它人工智能的方法，ANN具有自我學(xué)習(xí)的能力，由大量相互聯(lián)接的節(jié)點(diǎn)（或稱“神經(jīng)元”）構(gòu)成，通過(guò)每個(gè)節(jié)點(diǎn)特定的輸出函數(shù)、每?jī)蓚€(gè)節(jié)點(diǎn)間的權(quán)重值和網(wǎng)絡(luò)的連接方式進(jìn)行輸出.ANN模型的基本特征如下：第一，使用大量簡(jiǎn)單的神經(jīng)細(xì)胞模型作為神經(jīng)網(wǎng)絡(luò)的基本單元，每個(gè)神經(jīng)元具有多個(gè)輸入和一個(gè)輸出，其總輸入－輸出傳遞函數(shù)為非線性函數(shù).第二，連接這些神經(jīng)元構(gòu)成各種形態(tài)的網(wǎng)絡(luò)，網(wǎng)絡(luò)的結(jié)構(gòu)可以是分層的，也可以是帶有反饋或相互結(jié)合型的，可以用網(wǎng)絡(luò)的一部分或全部神經(jīng)元來(lái)表示某個(gè)模式或信息，形成信息的分布式表示.第三，使用各種學(xué)習(xí)規(guī)則，調(diào)整神經(jīng)元之間的連接權(quán)，使得網(wǎng)絡(luò)具有學(xué)習(xí)、自適應(yīng)或自組織功能.第四，各個(gè)神經(jīng)元的動(dòng)作可以是同步的或非同步的.在ANN眾多算法當(dāng)中，BP算法是目前應(yīng)用最廣泛并且比較成功的一種算法.

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，其主要特點(diǎn)是信號(hào)前向傳遞、誤差反向傳播.在信號(hào)向前傳遞中，輸入層各神經(jīng)元負(fù)責(zé)接收來(lái)自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層為一個(gè)或者多個(gè)隱含層結(jié)構(gòu)，負(fù)責(zé)內(nèi)部信息的處理.最后一個(gè)隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)信號(hào)的正向傳播處理過(guò)程，由輸出層向外界輸出信息處理結(jié)果.當(dāng)實(shí)際輸出與期望輸出不符時(shí)，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測(cè)誤差調(diào)整權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出不斷逼近期望輸出.典型的BP網(wǎng)絡(luò)模型算法包括節(jié)點(diǎn)輸入及輸出、傳遞函數(shù)、訓(xùn)練誤差和權(quán)值調(diào)整.近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)在腫瘤的鑒別診斷研究中得到了廣泛的應(yīng)用.

ANN也存在著一定的局限性：①隱層節(jié)點(diǎn)的選取缺乏理論指導(dǎo)；②容易形成局部極小而得不到全局最優(yōu)；③訓(xùn)練次數(shù)多使得學(xué)習(xí)效率低，收斂速度慢；④訓(xùn)練時(shí)學(xué)習(xí)新樣本有遺忘舊樣本的趨勢(shì)；⑤需要大量的訓(xùn)練樣本，對(duì)于小樣本的的數(shù)據(jù)一般不考慮使用神經(jīng)網(wǎng)絡(luò)模型；⑥對(duì)因變量的要求比較單一，經(jīng)過(guò)多次的實(shí)驗(yàn)證實(shí)，ANN模型適合于解決因變量為二分類的數(shù)據(jù)，對(duì)于因變量為三分類的樣本ANN處理結(jié)果不理想.⑦馬俊累［4］研究了人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的原理及其支持向量機(jī)在醫(yī)學(xué)領(lǐng)域中的應(yīng)用，建立了基于人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的周圍型非小細(xì)胞肺癌的分型診斷模型，并分別用模型對(duì)腺癌、鱗癌做了病理分型實(shí)驗(yàn)，該模型分型準(zhǔn)確率分別達(dá)到70%和80%，支持向量機(jī)高于ANN模型的分型準(zhǔn)確率，作者認(rèn)為，在有限樣本的情況下，支持向量機(jī)的分型效果最好.在Satoru Kawakami等［5］的研究中，諾模圖方法要優(yōu)于ANN模型.

1.2 ANN在腫瘤研究中的進(jìn)展

ANN是屬于人工智能的領(lǐng)域，有別于其它人工智能的方法，ANN具有自我學(xué)習(xí)的能力，使用者無(wú)需設(shè)計(jì)復(fù)雜的程序去解決問(wèn)題.只須提供數(shù)據(jù).目前，醫(yī)學(xué)對(duì)絕大多數(shù)疾病的病因尚不明確，而各種疾病的表現(xiàn)也千變?nèi)f化，在醫(yī)學(xué)實(shí)踐中，對(duì)疾病的判斷和相應(yīng)的治療往往只是以經(jīng)驗(yàn)為基礎(chǔ).因此，ANN所具有的學(xué)習(xí)、記憶和歸納功能決定了它將在醫(yī)學(xué)領(lǐng)域良好的應(yīng)用前景.將ANN技術(shù)應(yīng)用于腫瘤影像學(xué)診斷的研究開(kāi)始于20世紀(jì)80年代，到了90年代，ANN開(kāi)始應(yīng)用于腫瘤臨床診斷的研究中，21世紀(jì)以來(lái)，ANN廣泛地應(yīng)用于各大腫瘤的研究當(dāng)中，ANN聯(lián)合腫瘤標(biāo)記物應(yīng)用于腫瘤診斷也得到了廣泛的研究.根據(jù)前人的研究成果，可以進(jìn)一步開(kāi)展ANN聯(lián)合圖像處理提取醫(yī)學(xué)圖像紋理特征指標(biāo)、臨床檢查指標(biāo)等應(yīng)用于腫瘤鑒別診斷的研究工作.

1.3 人工神經(jīng)網(wǎng)絡(luò)在消化道腫瘤研究中的應(yīng)用

目前國(guó)內(nèi)外學(xué)者運(yùn)用ANN對(duì)胃癌、大腸癌、肝癌、胰腺癌等消化道腫瘤進(jìn)行了研究.胃癌占我國(guó)惡性腫瘤死亡的23%，居首位.胃癌的預(yù)后很大程度上取決于早發(fā)現(xiàn)、早診斷、早治療及對(duì)治療后的隨訪監(jiān)測(cè)［6，7］，而常規(guī)內(nèi)鏡的檢查不適合于普查及隨訪，且會(huì)給病人帶來(lái)一定的痛苦.血清腫瘤標(biāo)志物的檢測(cè)較為便捷，對(duì)診斷胃癌具有重要的臨床意義［8］.近年來(lái)，胃癌標(biāo)志物的研究發(fā)展很快，但是，這些標(biāo)志物都缺乏高度特異性和敏感性，尤其是對(duì)于胃癌的早期診斷和篩選不夠理想.王雪萍等［9］利用ANN建立的胃癌多種血清腫瘤標(biāo)志物ANN模型，在提高診斷敏感性的同時(shí)，還保證了較高的特異性，證明ANN模型對(duì)胃癌的早期診斷具有較高的價(jià)值.

大腸癌是常見(jiàn)的惡性腫瘤，在世界范圍內(nèi)其死亡率居各種腫瘤的第三位［10］，在西方居第二位［11］.劉剛等［12］在大腸癌生物醫(yī)學(xué)研究的基礎(chǔ)上，通過(guò)隨訪收集到53例數(shù)據(jù)建立用于大腸癌患者術(shù)后5年生存期預(yù)測(cè)的人工神經(jīng)網(wǎng)絡(luò)模型，完成了大腸癌患者術(shù)后5年生存期的預(yù)測(cè).

長(zhǎng)期以來(lái)，我國(guó)肝癌的死亡率在惡性腫瘤中占居第三位，僅次于胃癌和食管癌［13］.劉剛等［14］調(diào)查了154例肝癌患者，通過(guò)灰度共生矩陣提取的肝部CT圖像的紋理特征指標(biāo)，建立了適用于肝癌和其他非肝癌占位性病變鑒別診斷的遺傳優(yōu)化算法BP ANN模型，其正確率、靈敏度、特異度分別達(dá)到89.4%，88.6%，90.3%.Kazufumi Honda等［15］應(yīng)用ANN模型分析聯(lián)合檢測(cè)的腫瘤標(biāo)志物指標(biāo)以診斷胰腺癌，結(jié)果發(fā)現(xiàn)ANN模型可以顯著提高胰腺癌診斷功效.

1.4 人工神經(jīng)網(wǎng)絡(luò)在肺癌診斷中的應(yīng)用

肺癌是威脅人類健康最主要的惡性腫瘤，據(jù)世界衛(wèi)生組織的最新報(bào)告，肺癌是全球范圍內(nèi)發(fā)病率和死亡率最高的惡性腫瘤，我國(guó)全國(guó)第三次死因回顧抽樣調(diào)查（2004至2005）的結(jié)果同樣顯示，無(wú)論我國(guó)城市還是農(nóng)村，男性還是女性，死亡率最高的惡性腫瘤都是肺癌［16］.肺癌廣義上分為NSCLC（約占肺癌的80%）和SCLC.其中，SCLC診斷時(shí)約有80%發(fā)生了轉(zhuǎn)移，故主張以全身治療為主.相比之下大約50%的NSCLC診斷時(shí)為局部或局部晚期病變，可以選擇單純手術(shù)切除或綜合治療.NSCLC分為腺癌、鱗癌（約占原發(fā)性肺癌的40%～50%）、大細(xì)胞未分化癌（約占全部肺癌病例的1%左右）.相比較鱗癌，腺癌轉(zhuǎn)移早（主要通過(guò)血道轉(zhuǎn)移，不同于鱗癌的淋巴道轉(zhuǎn)移），預(yù)后相對(duì)較差，兩者的放、化療方案不同，鱗癌患者對(duì)放、化療比較敏感.在基因治療方面，腺、鱗癌的靶向治療也是不同的（主要是藥物不同）.對(duì)于肺癌的病人最終要通過(guò)病理活檢來(lái)確診，明確病理結(jié)果對(duì)于治療方案的選擇有很大的幫助，但是有一部分病人因?yàn)楹ε峦纯嗑芙^活檢，有的病人需要重復(fù)多次活檢才能確診.醫(yī)生對(duì)病人進(jìn)行活檢之前還需要考慮禁忌癥和適應(yīng)癥.實(shí)施活檢手術(shù)可能導(dǎo)致病人諸如局部感染、敗血癥、氣胸等并發(fā)癥的發(fā)生.神經(jīng)網(wǎng)絡(luò)可以通過(guò)病人的非手術(shù)指標(biāo)預(yù)測(cè)病人的病理結(jié)果，在醫(yī)生選擇不同的治療方案時(shí)給以參考.

為了評(píng)估人工神經(jīng)網(wǎng)絡(luò)模型鑒別肺癌的能力，F(xiàn)eifei Feng等［17］建立了變量為6種腫瘤標(biāo)志物的ANN模型.收集了117個(gè)肺癌病人、93個(gè)肺部良性疾病病人、111個(gè)正常人的問(wèn)卷調(diào)查信息（共19項(xiàng)指標(biāo)）以及相應(yīng)的6種腫瘤標(biāo)志物，47個(gè)胃癌病人、50個(gè)結(jié)腸癌病人和50個(gè)食管癌病人的6種腫瘤標(biāo)記物.通過(guò)6種腫瘤標(biāo)志物和19個(gè)問(wèn)卷調(diào)查的參數(shù)建立的ANN模型鑒別肺癌與肺部良性疾病、正常對(duì)照組的正確率、靈敏度、特異度分別為96.9%，98.3%，99.5%.通過(guò)6種腫瘤標(biāo)志物建立的ANN模型鑒別肺癌與胃癌的正確率、靈敏度、特異度分別為90.5%，93.3%，83.3%.通過(guò)6種腫瘤標(biāo)志物建立的ANN模型鑒別肺癌與結(jié)腸癌的正確率、靈敏度、特異度分別為90.0%，90.0%，90.0%.通過(guò)6種腫瘤標(biāo)志物建立的ANN模型鑒別肺癌與食管癌的正確率、靈敏度、特異度分別為86.0%，86.7%，84.6%.在調(diào)查的19個(gè)參數(shù)中，除了吸煙，化學(xué)污染物暴露與肺癌有著密切的關(guān)系之外，廚房環(huán)境因素包括廚房燃料、廚房通風(fēng)和烹飪方式也可能是影響女性患肺癌的危險(xiǎn)因素.

王剛 等［18］收 集 了 107 例 SCLC 與 110 例NSCLC共計(jì)217例肺癌住院患者的臨床資料及CT影像資料，建立了用于SCLC與NSCLC鑒別診斷的ANN模型，其正確率、靈敏度、特異度分別達(dá)到了90.54%，94.87%，85.71%.馬俊雷等［19］收集了病理確診并進(jìn)行CT檢查的非小細(xì)胞肺癌病例120例，其中腺癌77例，鱗癌43例，選擇CT圖像上有特征性的指標(biāo)共16個(gè)，分別為形態(tài)（規(guī)則與否）、邊緣、毛刺、暈征、分葉、棘突、空洞、空炮、鈣化、衛(wèi)星灶、透亮影、周圍肺氣腫、胸膜肥厚、細(xì)支氣管氣象、與血管關(guān)系、與胸膜關(guān)系.通過(guò)logistic回歸篩選出了周圍肺氣腫、空洞、暈征、邊緣、形態(tài)這5個(gè)變量.通過(guò)這5個(gè)自變量，分別建立了用于鑒別診斷鱗癌與腺癌的Fisher判別分析、ANN、支持向量機(jī)模型，診斷準(zhǔn)確率分別達(dá)到72.5%，70%和80%.說(shuō)明神經(jīng)網(wǎng)絡(luò)可以用于非小細(xì)胞肺癌中鱗癌與腺癌的鑒別診斷，作為計(jì)算機(jī)輔助醫(yī)學(xué)診斷病癥的機(jī)器學(xué)習(xí)方法，對(duì)減少醫(yī)生由于感知誤差引起的誤診率，提高醫(yī)生對(duì)病理類型的診斷準(zhǔn)確率具有非常重要的意義.

1.5 ANN在其他腫瘤中的應(yīng)用研究

在國(guó)內(nèi)外，ANN除了應(yīng)用于以上腫瘤中的研究之外，在前列腺、乳腺、頭頸部等腫瘤的研究中也得到了廣泛的應(yīng)用.為了給外科醫(yī)生提供前列腺疾病病人是否有患癌風(fēng)險(xiǎn)的信息，以確定是否有必要對(duì)病人進(jìn)行活組織檢查，Ismail Saritas等［20］建立了變量為游離前列腺特異性抗原（FPSA）、總前列腺特異性抗原（tPSA）與年齡的人工神經(jīng)網(wǎng)絡(luò)模型.收集了121個(gè)經(jīng)過(guò)活組織切片檢查來(lái)確診的前列腺病人資料，運(yùn)用混淆矩陣和ROC曲線分析ANN診斷前列腺癌的能力.其正確率為94.21%，靈敏度與特異度分別為94.11%，94.44%，ROC曲線下面積為0.9237.結(jié)果表明，ANN 可以通過(guò)年齡、FPSA、tPSA這幾個(gè)參數(shù)來(lái)準(zhǔn)確的預(yù)測(cè)前列腺癌.為了研究前列腺癌病人是否發(fā)生骨骼轉(zhuǎn)移，Jainn－Shiun Chiu等［21］利用病人的臨床參數(shù)指標(biāo)建立了用于診斷前列腺癌病人是否發(fā)生骨骼轉(zhuǎn)移的ANN模型，其靈敏度、特異度分別為87.5%，83.3%.

ANN技術(shù)在乳腺腫瘤中已經(jīng)得到了廣泛的應(yīng)用.J.A.GOMEZ－RUIZ等［22］通過(guò) ANN 技術(shù)研究了乳腺癌病人術(shù)后隨訪的不同時(shí)期乳腺癌復(fù)發(fā)的可能性.A.Marcano－Cede~no等［23］通過(guò) ANN 技術(shù)研究了乳腺腫瘤的良惡性分型診斷.Shi HY等［24］利用ANN與線性回歸模型對(duì)乳腺癌病人術(shù)后生活質(zhì)量進(jìn)行評(píng)價(jià).

曹素梅等［25］應(yīng)用血清蛋白質(zhì)譜技術(shù)結(jié)合人工神經(jīng)網(wǎng)絡(luò)建立頭頸部鱗癌 （head and neck squamous cell carcinoma，HNSCC）患者的診斷模型，并評(píng)價(jià)其診斷價(jià)值.其應(yīng)用表面加強(qiáng)激光解吸電離－飛行時(shí)間質(zhì)譜（surface－enhanced desorption ionization time－of－flight mass spectrometry，SELDI－TOF－MS）技術(shù)及 WCX2（weak cation－exchange）芯片檢測(cè)訓(xùn)練集樣本，結(jié)合反向傳播人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）的方法建立診斷模型，結(jié)果表明該模型診斷頭頸部鱗癌具有較高的靈敏度和特異度，值得進(jìn)一步研究.

2 醫(yī)學(xué)圖像處理在腫瘤研究中的應(yīng)用

2.1 圖像紋理特征

紋理是圖像中一個(gè)重要而又難以描述的特性，它們反映了物體表面顏色和灰度的某種變化.紋理分析技術(shù)一直是計(jì)算機(jī)視覺(jué)、圖像處理、圖像分析、圖像檢索等的活躍研究領(lǐng)域［26］.研究?jī)?nèi)容的一個(gè)最基本的問(wèn)題是紋理特征提取.提取的方法可以大致的分為四個(gè)家族：統(tǒng)計(jì)家族，結(jié)構(gòu)家族，信號(hào)處理家族，模型家族.紋理特征提取的方法包括灰度共生矩陣、基于Gabor濾波的特征提取、基于自回歸模型的紋理特征提取等.灰度共生矩陣屬于統(tǒng)計(jì)家族，Gabor濾波器屬于信號(hào)處理家族，自回歸模型屬于模型家族.統(tǒng)計(jì)家族的優(yōu)勢(shì)在于方法簡(jiǎn)單，易于實(shí)現(xiàn)，具有較強(qiáng)的適應(yīng)性，不足是計(jì)算復(fù)雜度高以及缺乏理論支撐；模型家族的方法能夠在紋理的局部以及整體之間兼顧，并且具有很大的靈活性，不足主要是模型系數(shù)的求解有難度以及迭代的過(guò)程收斂速度很慢；信號(hào)處理家族能夠結(jié)合空間與頻域分析紋理特征，在更精細(xì)的尺度上分析紋理，不足之處是只考慮圖像的低頻部分而忽略高頻，導(dǎo)致失真.

2.2 灰度共生矩陣及其在腫瘤中的應(yīng)用

灰度共生矩陣屬于圖像紋理特征處理中的統(tǒng)計(jì)家族，優(yōu)勢(shì)在于方法簡(jiǎn)單，易于實(shí)現(xiàn)，具有較強(qiáng)的適應(yīng)性，不足是計(jì)算復(fù)雜度高以及缺乏理論支撐.紋理特征提取是利用圖像的灰度共生矩陣，求如下常用的統(tǒng)計(jì)特征值：紋理能量、紋理慣性、紋理相關(guān)性、紋理熵.實(shí)驗(yàn)中，為了使得圖像分類結(jié)果更為精確，建立了四個(gè)方向上的灰度共生矩陣，每種紋理形成了能反映自身特征的一組包含16個(gè)元素的特征向量.

為了鑒別乳腺腫瘤的良惡性，實(shí)現(xiàn)乳腺腫瘤的輔助檢測(cè)，楊韜等［27］應(yīng)用灰度共生矩陣對(duì)乳腺鉬靶圖像進(jìn)行紋理分析，自動(dòng)分類識(shí)別乳腺腫塊，采用支持向量機(jī)和概率神經(jīng)網(wǎng)絡(luò)分別對(duì)腫塊進(jìn)行分類，三組各項(xiàng)紋理特征參數(shù)間差異有統(tǒng)計(jì)學(xué)意義（P＜0.05）；d＝2時(shí)支持向量機(jī)的三組分類準(zhǔn)確率為91.67%、86.73%、95.00%，文中計(jì)算的紋理特征參數(shù)對(duì)乳腺腫塊的良惡性判別有較顯著的規(guī)律，支持向量機(jī)的分類準(zhǔn)確率比概率神經(jīng)網(wǎng)絡(luò)的分類準(zhǔn)確率高，該方法可成為乳腺腫瘤良惡性輔助診斷的有效方法之一.

楊國(guó)城等［28］采用共生矩陣的方法提取多幅異常肝臟CT圖像的感興趣區(qū)域的紋理特征，對(duì)兩種病變肝臟組織：肝囊腫和肝細(xì)胞癌，以及正常肝臟進(jìn)行紋理分析、對(duì)比，得出了異常肝臟組織的紋理比較粗，比較雜亂且模糊，而正常肝臟組織的紋理比較規(guī)則；肝囊腫組織較肝細(xì)胞癌組織局部紋理更相似、更均勻而肝細(xì)胞癌局部紋理更雜亂的結(jié)論.

2.3 灰度共生矩陣在肺部腫瘤中的應(yīng)用

為了更好地描述肺小結(jié)節(jié)CT圖像，達(dá)到輔助肺小結(jié)節(jié)鑒別的目的，王瓛等［29］建立了多水平模型研究良惡性肺小結(jié)節(jié)CT圖像的灰度共生矩陣紋理特征，對(duì)185例217l張肺小結(jié)節(jié)CT圖像基于灰度共生矩陣提取10個(gè)紋理特征，擬合多水平統(tǒng)計(jì)模型分析良惡性CT圖像的紋理特征的差異.在考慮患者水平的基礎(chǔ)上能量、慣性矩等8個(gè)紋理特征，在良惡性肺小結(jié)節(jié)的CT圖像間的差異有統(tǒng)計(jì)學(xué)意義，得出了基于灰度共生矩陣的一些紋理特征是反應(yīng)肺小結(jié)節(jié)CT圖像良惡性的有效特征參量，在一定程度上有助于早期肺癌的鑒別診斷的結(jié)論.

在探索構(gòu)造因子對(duì)肺癌CT圖像紋理特征指標(biāo)的影響方面，王剛等［30］采用數(shù)值模擬研究不同取值的構(gòu)造因子對(duì)基于灰度共生矩陣提取的肺癌CT圖像紋理特征指標(biāo)的影響.給出了能量、慣性矩、熵、局部平穩(wěn)性（逆差矩）隨生成步長(zhǎng)不同取值的變化曲線.得出了構(gòu)造因子的合理選取有助于肺癌CT圖像特征指標(biāo)的提取，有利于建立適用于肺癌分型的輔助診斷模型的結(jié)論.

3 人工神經(jīng)網(wǎng)絡(luò)聯(lián)合灰度共生矩陣在腫瘤鑒別診斷中的應(yīng)用

對(duì)ANN原理和利用灰度共生矩陣提取的腫瘤CT圖像紋理特征指標(biāo)聯(lián)合腫瘤相關(guān)臨床檢查指標(biāo)應(yīng)用于腫瘤的鑒別診斷研究，除了劉剛、王剛－我的兩位師兄所做的研究之外，目前尚未見(jiàn)其它報(bào)道.

劉剛等［14］利用灰度共生矩陣提取肝癌CT圖像的紋理特征，探討B(tài)P神經(jīng)網(wǎng)絡(luò)技術(shù)和遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)，在肝癌CT平掃圖像診斷中的應(yīng)用.CT平掃圖像的灰度共生矩陣提取的紋理特征結(jié)果表明，肝癌患者在對(duì)比度、熵、共生和的熵、共生差、共生差的熵較非肝癌占位性病變患者較大，選取每位患者的CT圖像肝臟成像最大的層面，由灰度共生矩陣提取的紋理特征的均值建立logistic回歸模型，結(jié)果對(duì)比度、能量、逆差矩、熵、共生差的熵5個(gè)指標(biāo)被引入多元回歸模型中，系數(shù)檢驗(yàn)均有統(tǒng)計(jì)學(xué)意義（P＜0.001）.對(duì)于測(cè)試集，遺傳算法優(yōu)化BP網(wǎng)絡(luò)模型的預(yù)測(cè)精度為89.4%，得出了可以通過(guò)計(jì)算，利用肝部平掃CT圖像的灰度共生矩陣進(jìn)行肝癌和其他非肝癌占位性病變的初步區(qū)分的結(jié)論.

王剛等［18］利用灰度共生矩陣提取肺癌CT圖像的紋理特征，聯(lián)合臨床資料指標(biāo)和CT影像有特征性的指標(biāo)，分別建立了用于SCLC和NSCLC鑒別診斷的BP和RBF模型，兩種模型對(duì)SCLC和NSCLC的鑒別診斷正確率分別為90.54%和83.78%.

4 展望

根據(jù)前人的研究成果，可以進(jìn)一步開(kāi)展如下工作：收集有關(guān)NSCLC的鱗癌和腺癌相關(guān)資料，運(yùn)用灰度共生矩陣提取圖像的紋理特征指標(biāo)聯(lián)合病人相關(guān)臨床資料指標(biāo)、CT圖像上有特征性的指標(biāo)，建立應(yīng)用于NSCLC分型（腺癌、鱗癌）診斷的ANN模型.運(yùn)用灰度共生矩陣提取圖像的紋理特征指標(biāo)聯(lián)合病人相關(guān)臨床資料指標(biāo)、CT圖像上有特征性的指標(biāo)，建立應(yīng)用于腫瘤鑒別診斷的ANN模型還處于研究的理論階段，如何將其應(yīng)用于臨床實(shí)踐當(dāng)中還有待深入研究.

［1］王阿明.神經(jīng)網(wǎng)絡(luò)與人工智能［M］.徐州：徐州醫(yī)學(xué)院，2009.

［2］焦蓬蓬，郭依正，劉麗娟，等.灰度共生矩陣紋理特征提取的 Matlab實(shí)現(xiàn)［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2012，22（11）：169－175.

［3］孫進(jìn)輝，于 洋，李 涢.灰度共生矩陣和神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)圖像處理中的應(yīng)用［J］.實(shí)驗(yàn)技術(shù)與管理，2011，28（7）：59－61.

［4］馬俊雷.基于CT圖像的周圍型非小細(xì)胞肺癌分型診斷模型研究［J］.哈爾濱理工大學(xué)碩士學(xué)位論文，2010.

［5］Satoru Kawakami，Noboru Numao，Yuhei Okubo，F(xiàn)umitaka Koga，Shinya Yamamoto，Kazutaka Saito，et al.Development，Validation，and Head－to－Head Comparison of Logistic Regression－Based Nomograms and Artificial Neural Network Models Predicting Prostate Cancer on Initial Extended Biopsy［J］.European Urology，2008，54：601－611.

［6］Wu cH，Lin sR，Hsieh Js，et al.MolecuIar Detection of Disseminated Tumor Cells in The Peripheral Blood of Patients with Gastric Cancer：Evaluation of Their Prognostic Significance［J］.Dis Markers 2006，22（3）l103－109.

［7］Ebert MP，Rocken C.Molecular Screening of Gastric Cancer Byproteomeanalysis［J］.Eur JGastroenterol Hepatol，2006，18（8）：847－853.

［8］李建華，吳昌平.胃癌診斷標(biāo)志物研究新進(jìn)展［J］.醫(yī)學(xué)綜述，2008，14（10）：1554－1555.

［9］王雪萍，佟素香.血清腫瘤標(biāo)志物人工神經(jīng)網(wǎng)絡(luò)模型在胃癌診斷中的臨床應(yīng)用［J］.實(shí)用醫(yī)學(xué)雜志，2007，23（12）：1821－1822.

［10］Ries LA，Wingo PA，Mi1ler D，et al.The Annual Report to the Nation on the Status of Cancer，1973－1997，with a Special Section on Colorectal Cancer［J］.Cancer，2000，88（10）：2398－2424.

［11］Jemal A，Murray T，Samuels A，et al.Cancer Statistics 2003［J］.CA Cancer J Clin，2003，53（1）：5－26.

［12］劉 剛，柳 紅，等.基于 MATLAB的人工神經(jīng)網(wǎng)絡(luò)在大腸癌患者術(shù)后5年生存期預(yù)測(cè)［J］.中國(guó)衛(wèi)生統(tǒng)計(jì)，2010，27（3）：240－242.

［13］HuLY，Hu GX，Li FQ，et al.AppIication of Protein Chip System to the Detection of PrimaryLiver Cancer［J］.Bengbu Med Col，2004，2（3）：74－76.

［14］劉 剛.灰度共生矩陣和BP神經(jīng)網(wǎng)絡(luò)在肝癌CT圖像診斷中的應(yīng)用［D］.徐州醫(yī)學(xué)院碩士學(xué)位論文，2011.

［15］Honda K，Hayashida Y，Umaki T，et al.Possible Detection of Pancreatic Cancer by Plasma Protein Profiling［J］.Cancer Res，2005，65（22）：10613－10622.

［16］石元?jiǎng)P.肺癌診斷治療學(xué)［M］.北京：人民衛(wèi)生出版社，2008.

［17］Feifei Feng，Yiming Wu，Yongjun Wu，et al.The Effect of Artificia l Neural Network Model Combined with Six Tumor Markers in Auxiliary Diagnosis of Lung Cancer［J］.Springer Science＋Business Media，2011，36（5）：2973－2980.

［18］王 剛.灰度共生矩陣和BP神經(jīng)網(wǎng)絡(luò)在小細(xì)胞肺癌鑒別診斷中的應(yīng)用［D］.徐州醫(yī)學(xué)院碩士學(xué)位論文，2012.

［19］馬俊雷.基于CT圖像的周圍型非小細(xì)胞肺癌分型診斷模型研究［D］.哈爾濱理工大學(xué)碩士學(xué)位論文，2010.

［20］Ismail Saritas，Ilker Ali Ozkan，Ibrahim Unal Sert.Prognosis of Prostate Cancer by Artificial Neural Networks［J］.Xpert Systems with Applications 2010，37：6646－6650.

［21］Jainn－Shiun Chiu，Yuh－Feng Wang，Yu－Cheih Su，Ling－Huei Wei，Jian－Guo Liao，Yu－Chuan Li.Artificia l Neural Network to Predict Skeletal Metastasis in Patients with Prostate Cancer［J］.J Med Syst，2009，33：91－100.

［22］J.A.Gomez－Ruiz，J.M.Jerez－Aragones，J.Munoz－Perez.A Neural Network Based Model for Prognosis of Early Breast Cancer［J］.Applied Intelligence，2004，20：231－238.

［23］A.Marcano－Cede~no，J.Quintanilla－Domínguez，D.Andina.WBCD Breast Cancer Database Classification Applying Artificial Metaplasticity Neural Network［J］.Expert Systems with Applications，2011，38：9573－9579.

［24］Shi HY，Tsai JT，Chen YM，et al.Predicting Twoyear Quality of Life After Breast Cancer Surgery Using Artificial Neural Network and Linear Regression Models［J］.Breast Cancer Res Treat，2012，135（1）：221－229.

［25］曹素梅，郭 翔，陳福進(jìn)，等.血清蛋白質(zhì)譜結(jié)合人工神經(jīng)網(wǎng)絡(luò)在頭頸部鱗癌診斷中的研究［J］.癌癥，2007，26（7）：767－770.

［26］楊浩宇，吳子斌.圖像紋理特征的提取［J］.信息科技，2010，22（11）：251－255.

［27］楊 韜，夏建國(guó)，繆錦林，等.基于灰度共生矩陣的乳腺鉬靶圖像分析［J］.醫(yī)學(xué)影像工程，2012，20（4）：306－309.

［28］楊國(guó)城，盧鳳梅，李美玲.基于灰度共生矩陣的肝臟紋理特征提取［J］.醫(yī)藥前沿，2012，17（6）：105－106.

［29］王 瓛，郭秀花，李坤成，等.良惡性肺小結(jié)節(jié)CT圖像基于灰度共生矩陣10種紋理特征研究［J］.北京生物醫(yī)學(xué)工程，2008，27（6）：561－608.

［30］王 剛，姜新國(guó)，林森森，等.構(gòu)造因子對(duì)肺癌CT圖像紋理特征指標(biāo)的影響［J］.徐州醫(yī)學(xué)院學(xué)報(bào)，2012，32（5）：682－684.