肝纤维化是慢性肝病病理过程的中间阶段。肝纤维化早期的临床干预可以减缓肝硬化的发展,降低肝癌的发病风险。肝活检是病毒性肝病管理的金标准,但存在一定的局限性,如侵入性和较高的取样错误率。基于血清学实验室指标构建的诊断模型准确性及特异性不太理想,联合血清学和影像学的模型也未能满足临床需求,继续探索无创、准确和经济的肝纤维化分级方法具有重要临床意义。肝纤维化导致超声图像上的改变与受到噪声的影响而产生的斑点图像十分类似,现有的肝脏纤维化指数(Liver Fibrosis Index,LFI)对肝纤维化的分级诊断效能欠佳,故本文通过降低超声图像斑点噪声、机器学习算法和构建新的肝脏诊断指数,对基于乙肝肝纤维化超声图像进行肝纤维化分级,为临床诊断和评估提供客观的依据。主要内容如下:(1)针对超声图像中的一种常见斑点噪声对病变信息的干扰问题,本章提出一种基于超像素分割和细节补偿的新方法以减少超声图像中的斑点噪声。本方法利用超像素分割版本的双边滤波更好地保护局部结构。同时,引入受人类视觉系统启发的策略用于空间补偿,以尽可能地在恢复复杂边缘的同时削弱高频噪声。在合成图像和不同器官真实超声图像上的实验表明,与现有方法相比,本方法可以更有效地减少超声斑点噪声。(2)实时组织弹性成像(Real Time Elastography,RTE)技术具有无创性和准确评估病变等优点,但临床上从RTE肝纤维化图像中确定肝纤维化的分期是一项具有挑战性的任务。针对该问题,本研究采用支持向量机、朴素贝叶斯、随机森林和k-近邻四种经典的分类方法,建立了四个更好的决策支持系统对乙型肝炎进行分级诊断。在这项多中心合作硏究中,从513名接受肝脏活检的受试者中获得了11个RTE图像特征。实验结果表明,与以往用RTE图像和多元回归分析预测诊断阶段的LFI方法相比,所采用的分类器明显优于LFI方法,随机森林分类器在四种机器算法中的平均准确度最高。这一结果表眀,机器学习方法可以成为评估肝纤维化阶段的有力工具,并显示出良好的临床应用前景。(3)针对临床上用于肝纤维化诊断的方法层出不穷,指标参数繁多的问题,本文主要探讨各种辅助检查方法对乙肝肝纤维化分级的诊断效能,本实验收集患者人口学特征、临床症状、实验室血清学指标、普通二维超声图像、超声实时组织弹性成像数据,采用影像组学的方法将二维超声图像量化并提取特征,并使用随机森林机器学习方法将各类特征组合成多种融合模式并分类,从而找出诊断各级肝纤维化的最佳检查方法,进一步通过Lasso回归模型(Least Absolute Shrinkage and Selection Operator,Lasso)构建新的肝脏诊断指数DCSRT(Demographic Characteristics,Clinical Symptom,Serum Index,Real-time Ultrasound Elastography,Two-dimensional Ultrasound,DCSRT)。研究后发现在区分是否有肝纤维化时,测试组与训练组中小波1-朝向2-纹理4及小波1-朝向4-纹理1的受试者工作特征曲线下面积(Area Under Curve,AUC)都大于0.8,可见普通超声在筛查疾病中起到至关重要的作用;当区分是否达到中度肝纤维化时,测试组中小波1-朝向2-纹理4及GGT的AUC较高但都稍低于训练组,可见随着疾病发展,血清学的检查必不可少;当区分是否达到重度肝纤维化时,测试组谷氨酸转肽酶(Gamma-glutamyl transpeptidase,GGT)及年龄的AUC较大并且都大于训练组,可见年龄是疾病加重的重要因素;当区分是否有肝硬化时,血小板(Platelets,PLT)及年龄的AUC较大,测试组年龄已达到0.91,可见对晚期肝硬化患者进行血液检测非常重要。这些规律可以指导医生的临床工作。综上,本文从医学图像处理的角度,对干扰肝纤维化分级的因素采用基于视觉机制的降噪模型,并对图像信息进行量化,将这些高维数据输入机器学习模型来解决困惑医生的临床问题,这是一种全新的解决肝纤维化分级诊断的方法,将会在临床研究及应用中发挥重要作用。