动态加权（共7篇）
动态加权 篇1
行人检测技术是模式识别与计算机视觉中的一个重要课题,其在安防系统、人体行为理解、行人运动分析等领域均有重要应用。随着计算机视觉的发展,行人检测技术已经有了较大的进步,从特征提取到分类和定位方面均有多个研究分支。其中,DPM(Deformable Part Model)[1]是布朗大学的Felzenszwalb等人在2010年提出的基于部件的物体检测算法,目前已成为检测效果较为出色的几种算法之一。DPM考虑物体是由多个部分组成的,因此由部件和整体的组合能够更好的描述一个物体,设计了根滤波器和部件滤波器来分别从整体和局部检测物体的特征,最后将根和部件进行整合表征整个物体。
1 相关工作
自2005年以来,行人检测方面的研究发展迅速[2]。Dalal等人[3]在2005年提出一种HOG(Histograms of Oriented Gradients,梯度方向直方图)+SVM(Support Vector Machine,支持向量机)的行人检测算法,该算法计算了行人整体的HOG特征,组成高维数据使用SVM进行训练分类,以达到较高的检测精度,但该方法是基于整体的特征,对于身体形状变化较大的行人检测精度并不理想;另外也有基于SIFT特征[4]和Haar小波特征[5]的行人检测方法,也取得了良好的效果;X Ren等人[6]针对HOG中纹理和边缘等特性的利用不充分的问题,提出了一种基于稀疏编码直方图的行人检测,在特征提取上进行了改进,使得目标检测识别效果有了一定改善;近年来基于神经网络和深度学习的行人检测发展迅速,NVIDIA公司使用GPU进行深度学习[7],已达到较高的检测精度的实时处理要求。
在行人被遮挡时的检测方面,Tang S等人[8]于2014年发表了一篇检测行人间重叠的检测算法,该算法基于可变形部件特性,训练了重叠行人的检测模型,能较好地检测到两人重叠时被遮挡的行人;Hsiao E等人[9]也在此基础上设计了检测方法,能检测重叠的行人和物体。
DPM中使用的各个部件权值稳定,这就导致行人被人或物体遮挡和行人处于复杂背景下时,由于整体滤波响应值不高,所以行人容易被忽略。本文在此问题上设计了一种动态加权算法,可在只检测出行人一部分部位的情况下进行加权组合,得到理想的最终分数,获知其较准确的位置。
2 算法介绍
2.1 可变形部件模型
可变形部件模型定义了一个模糊的根滤波器和若干个更高分辨率下的部件滤波器,假设F是大小为w'h的滤波器。首先对图像缩放并计算HOG特征,构建图像特征金字塔H,p=(x,y,l)表示特征金字塔中l层图像特征的(x,y)位置的特征元素,f(H,p,w,h)表示在特征金字塔H中以p处特征元素为左上角、大小为w'h的检测窗口所有特征向量串联起来的高维特征。则滤波器在此检测窗口的得分可表示为F×f(H,p,w,h),文中可使用F×f(H,p)来表示此得分,因F中已隐含w和h两个值。
物体的检测综合得分为根滤波器和若干部件滤波器得分之和,再减去各个部件经过形变的惩罚分数,表示为
其中,di是一个四维向量,指定了变形代价;fd(dx,dy)=(dx,dy,dx2,dy2)是变形特征;b为偏移量。
2.2 部件动态加权可变形部件模型
在可变形部件模型中,部件的权值在使用分类器训练时就已确定,并隐含在滤波器中。由于行人最后的总体得分是根和部件的简单叠加,这就导致行人检测过程中的最终得分依赖于全部的部件滤波器,在行人的身体部分被遮挡或只有半身露出时获得的分数并不高,因此易被漏检。
实验发现,DPM在正面人体检测中获得较好的检测结果时,一般是在身体部位全部或者绝大部分检测出来的情况下。这就使得被遮挡时行人部分部件得分削减严重,最后的得分较低。为解决这一问题,本文将动态调整部件的权重,使得被有效检测出的部件能更多的贡献综合得分。
基于部件动态加权的可变形部件模型定义了可变的权重W=(w1,…,wn),在部件获得较高的检测分数的情况下调整部件的权重使得行人的最终检测分数提高。根和部件的得分可表示为n+1元组S=(s0,s1,…,sn),其中s0为根的得分,s1,…,sn分别为n个部件经过形变惩罚后得分。W的动态调整过程表示为
即n个部件中得分高于设定阈值T的数目≥2个,则认为是检测到了可信的行人部位,从而计算出部件的权值。T=(t1,…,tn)为人工设定的阈值,表示该部件具有较高的可信度。动态加权的综合得分为
通过分类器检测训练样本中的正样本和负样本得到部件的阈值T,设定部件得分超过阈值的数目>2来判定是否调整阈值,是为了避免单个部件对行人检测起到决定性作用。如一个与行人头部类似的物体得分较高,有可能会使其权重为1,将大幅提高误检率。各个部件调整后的权重为其得分在所有部件得分中的比重,是基于重要部件得分较高,因此更能够起到决定作用的事实。
采用部件动态加权的可变形部件模型更好的突出了行人的部件特征,当行人的部件检测结果较为理想的情况下,增加其权值使行人检测总体结果更加可信。
3 实验结果与分析
实验采用的环境为Intel(R)Core(TM)i3-4150双核处理器,4 GB内存,Windows7 64 Byte旗舰版。算法使用GRAZ_01数据集[10]中的部分正常行人和行人被遮挡的图像进行行人检测。
实验证明,在行人之间相互遮挡和行人被物体所遮挡的情况下,均能较好的识别被遮挡行人。
在行人遮挡严重,如图2(a)中右二行人的情况下,由于部件检测得分多数不理想,所以无法采用调整权值的方式进行检测,最终导致行人漏检。
通过调整阈值的方法在GRAZ_01数据集[10]上进行准确率与召回率测试,分别采用DPM和本文方法进行行人检测,测试所得准确率与召回率曲线如图3所示。实验表明,使用本方法在保证召回率的情况下有较高的准确率。
4 结束语
本文对DPM算法的检测过程做了简要分析,提出可变形部件模型在行人被部分遮挡情况下存在的问题:行人被遮挡时整体得分会有一定损失,加之被遮挡部件检测分数较低,导致行人整体得分被削减,造成行人漏检的情况。针对此问题提出一种部件权值动态调整方法,将得分高于阈值的部件权值提高,以提高被部分遮挡行人的检测整体得分。由于人体的部件特征是较整体特征更加细致的表达,所以,高可信度的部件本身也就在一定程度上代表了高可信度的行人整体,使用增加权值的方法更加符合人体视觉的工作原理。实验证明本文方法能有效检测出被遮挡情况下的行人。
由于行人整体得分一般较部件得分更高,所以在一些行人被物体遮挡严重的情况下,虽使用本方法能提高得分,但并不能弥补整体检测分数的不足,在这种条件下如何有效的检测出行人,还有待进一步研究。
摘要：近年来具有代表性的工作之一是Felzenszwalb等人提出的可变形部件模型。文中从可变形部件模型中存在的一些问题展开讨论,并提出了一种基于动态加权可变形部件模型的行人检测算法。在各个部件的检测中使用动态调整权值的方法获得更加准确的判断,从而识别处于复杂环境中的行人。实验结果表明,该方法能够有效识别复杂环境中传统DPM方法难以识别的行人。
关键词：行人检测,可变形部件模型,动态加权
参考文献
[1]Felzenszwalb P F,Girshick R B,Mc Allester D,et al.Object detection with discriminatively trained part-based models[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2010,32(9):1627-1645.
[2]Dollar P,Wojek C,Schiele B,et al.Pedestrian detection:An evaluation of the state of the art[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(4):743-761.
[3]Dalal N,Triggs B.Histograms of oriented gradients for human detection[C].IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2005.
[4]Lowe D G.Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision,2004,60(2):91-110.
[5]Viola P,Jones M J,Snow D.Detecting pedestrians using patterns of motion and appearance[J].International Journal of Computer Vision,2005,63(2):153-161.
[6]Ren X,Ramanan D.Histograms of sparse codes for object detection[C].Penna:2013 IEEE Conference on Computer Vision and Pattern Recognition(CVPR),2013.
[7]NVIDIA.GPUs-the engine of deep learning[EB/OL].(2009-12-23)[2015-11-11].https://developer.nvidia.com/deep-learning.
[8]Tang S,Andriluka M,Schiele B.Detection and tracking of occluded people[J].International Journal of Computer Vision,2014,110(1):58-69.
[9]Hsiao E,Hebert M.Occlusion reasoning for object detectionunder arbitrary viewpoint[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2014,36(9):1803-1815.
[10]Fussenegger M,Opelt A,Pinz A,et al.Object recognition using segmentation for feature detection[C].London:Proceedings of the 17th International Conference on Pattern Recognition,2004.
动态加权 篇2
关键词：动态加权,不确定推理,动态规则强度,动态阈值
0引言
目前,针对不确定性推理,众多学者已经提出了多种算法。文献[1]针对极值法推理比较极端,丢失信息较多,提出了修正权值法,该算法根据各证据重要程度的不同很好地区分了各证据重要程度的差异,借助对数函数对真值传播结果进行分析处理,区分了可信度分布的差异。文献[2]提出了一个新的不确定推理算法,该方法不受函数的影响,具有较好的泛化能力。文献[3]提出了加权模糊逻辑推理,该算法表达式简单,易于理解和计算。在上述算法中,各证据在不同的使用期具有相同的重要性,针对此本文提出了动态加权不确定推理真值计算方法,根据证据在不同使用期重要性不同的特点,给规则中每个证据引入了动态加权因子,使同一证据在不同的使用期具有不同的权值。
1动态加权不确定推理的规则表示
专家系统的不确定推理方法中,一条规则的各证据所包含的信息量不同,对结论的重要程度也不同,而且同一证据在不同时期具有不同的重要性。为此,本文给规则中每个证据引入动态加权因子,使不同证据具有不同的权值,同一证据在不同时期也具有不同的权值。本文采用的规则表示如下:
IF e1(w1,CF1) e2(w2,CF2)…en(wn,CFn) THEN h(RC,λ) 。
其中:ei为证据,i=1,2,…,n;CFi为证据的真值;h为规则的结论;RC为规则强度,指规则中所有证据为真时规则对结论的影响程度;λ为规则阈值,它是相应规则是否激活可用的一个限度,0<λ≤1;wi为证据的加权因子,取值范围为[0,1],且满足归一条件。
2动态加权不确定推理真值的计算
2.1 动态加权的引入
证据权值的确定是典型加权不确定推理过程中的一个重要问题。权值大小反映了在不确定推理过程中各证据的相对重要程度,取值的恰当与否将直接影响到不确定推理结论的好坏。本文中证据的初始值由某领域专家给出,推理过程中证据的相对重要程度是根据概率统计的结果变化的,其取值范围为[0,1],且满足归一条件。证据的加权因子计算公式为:
undefined。 (1)
其中:N(h)为规则结论发生次数;Ni(ei/h)为规则结论发生时证据ei发生的次数。
2.2 证据组合的不确定性计算
动态加权不确定性推理中结论的真值不仅和证据的真值有关,而且与同一证据在不同使用期的不同权值有关。为此,本文根据不确定推理模型中多证据的合取组合的不确定性总是小于它们的析取组合的不确定性这一原则,提出如下动态加权不确定推理真值的计算公式。
(1) 当规则证据之间是合取关系时,n个证据的合取组合真值计算公式为:
undefined。 (2)
(2) 当规则证据之间是析取关系时,n个证据的析取组合真值计算公式为:
undefined。 (3)
其中:E为n个证据的组合,合取关系时E=e1∧e2∧…∧en,析取关系时E=e1∨e2∨…∨en;undefined规则所有证据绝对真值之和;E(T)为证据组合真值的修正量,当为精确推理时,E(T)=0。
2.3 规则结论的不确定性计算
专家系统的规则强度RC一般由领域内专家设定,没有充分利用用户给出的全部证据信息。本文提出动态规则强度RC′能够使各规则强度随着获取的证据信息不同而改变,从而使不确定推理结论更准确。动态规则强度RC′的计算公式为:
undefined。 (4)
其中:a为用户给出的所有证据总数;b为用户给出的所有证据中不属于要匹配规则证据的总数。b=0时,表明用户给出的所有证据只属于某一规则,即RC′=RC;反之,随着b增大,即不属于某规则的证据信息量的增加,该RC′会逐渐减小。
不确定推理结论真值的计算公式为:
CF(h)=RC′×CF(E) 。 (5)
另外,规则阈值λ一般也是由某领域内专家给出,本文通过使用规则中各证据的动态权值,在文献[4]规则阈值计算公式的基础上,提出了动态规则阈值λ的计算公式:
λ=max(undefined) 。 (6)
3算法举例
根据文献[5]中的车辆故障介绍,设在车辆磨合期和正常工作期,专家给出的规则如下:
IF e1(0.4) e2(0.4) e3(0.2) THEN h1(0.8,0.7) 。
其中:e1为电磁开关铁芯行程太短;e2为辅助线圈短路或断路;e3为飞轮齿严重磨损或打坏;h1为发动机空转。
在车辆损耗期,用文献[3]中的算法计算得出的规则证据权值不变,规则不变;而本文根据概率统计在某时刻得出:车辆损耗期间出现发动机空转的次数为3,发动机空转的故障发生时,电磁开关铁芯行程太短发生次数为1,辅助线圈短路或断路发生次数为1,飞轮齿严重磨损或打坏发生次数为3。则由公式(1)计算得出的规则如下:
文献[3]:IF e1(0.4) e2(0.4) e3(0.2) THEN h1(0.8,0.7)。
本 文:IF e1(0.4) e2(0.2) e3(0.6) THEN h1(RC′,λ)。
此时,检测到故障电磁开关铁芯行程太短、辅助线圈短路或断路和排气系统阻塞3个故障原因,为计算简便,其真值取为1,即CF(e1)=1,CF(e2)=1,CF(e4)=1(e4为排气系统阻塞),用文献[3]中的算法得出的结论真值为:
undefined。
本文算法得出的结论真值为:
undefined。
文献[3]算法中各个时期的阈值都为0.7,而本文在车辆的磨合期和正常工作期的阈值λ=0.7,损耗期的阈值λ=0.8。
由文献[3]算法得出的结论真值CF(h1)=0.576<0.7和本文算法得出的结论真值CF(h1)=0.149<0.8都推理出由电磁开关铁芯行程太短、辅助线圈短路或断路和排气系统阻塞3个故障原因不能够导致发动机空转的结论。但本文算法计算结果得出的发动机空转的结论真值小,阈值大,所以结论真值更准确。由车辆故障诊断的实际情况来看,在损耗期,电磁开关铁芯行程太短、辅助线圈短路或断路是发动机空转的2个次要的故障原因,对发动机空转的影响很小,因此,本文算法更有效,更符合车辆故障发生时的实际情况。此外,本文算法还考虑了不属于匹配规则的排气系统阻塞这个证据信息,从而使规则强度更合理,更符合实际。
4结论
在动态的加权不确定推理过程中,证据权值的确定是一个重要问题。权值的大小反映了不确定推理过程中各证据的相对重要程度,取值的恰当与否将直接影响到不确定推理结论的好坏。本文算法表达式简单、易于理解和计算,而且知识表示和推理更准确。此外,本文还提出了动态规则强度和动态阈值的计算方法,合理有效地解决了规则强度因人为设定而不能根据证据信息量多少而改变的问题,比传统方法更具有准确性和实用性。
参考文献
[1]陈明亮,李怀祖.基于规则的专家系统中不确定性推理的研究[J].计算机工程与应用,2000,36(5):50-53.
[2]范九伦,马远良.新的不确定推理真值传播计算方法[J].系统工程理论与实践,2001,21(2):102-107.
[3]范九伦.加权模糊逻辑真值传播的计算方法[J].系统工程理论与实践,2002,22(9):15-21.
[4]曹顺安,胡家元,葛磊.基于数据挖掘及可信度理论的火电厂水汽化学过程故障诊断方法[J].计算机与应用化学,2010,27(4):523-527.
动态加权 篇3
1 资料与方法
1.1 一般资料
选取2013年3月—2014年1月我院收治的40例疑似膀胱憩室癌患者, 患者均知情同意并签署知情同意书, 均接受包括DWI的MRI检查和MRI平扫。患者均未安装心脏起搏器或者角膜, 体内无手术残留金属植入物如钢板、支架、假体和人工关节等, 体检时均未发现生命危险, 无3个月内早期妊娠妇女, 且均无全身其他部位的原发肿瘤。40例患者中男21例, 年龄21~56岁, 中位年龄36岁;女19例, 年龄20~58岁, 中位年龄39岁;主要临床症状:31例为无痛性血尿, 病程2个月~3年, 其余9例患者为间断尿痛性血尿, 病程10d~2年。
1.2 检测方法
采用GE公司生产的Signal HDe1.5T核磁共振扫描仪。患者常规膀胱适度充盈后取仰卧位, 扫描部位从耻骨联合下缘开始, 自下而上连续扫描至膀胱顶部。常规扫描包括轴位T2WI、矢位及冠状位T2WI。厚层3mm, 层间距1mm。DWI采用单次激发平面回波成像序列, 厚层3mm, 层间距为1mm。扩散敏感系数分别为0和8s/mm2, 原始图像经FPUNCTOOL软件处理后通过DWI生成表观扩散系数伪彩图, 对病变区信号较高部分选择圆形感兴趣区域进行测量, 内含像素大于30个, 并根据平扫图像结果避开肿瘤坏死和钙化部位, 于表观扩散系数伪彩图测定肿瘤及其他组织的ADC值, 共测量3次取平均值。
1.3 统计学方法
采用SPSS 13.0统计软件进行统计学分析。计量资料以 (±s) 表示, 进行t检验;计数资料以率表示, 进行χ2检验。以P<0.05为差异有统计学意义。
2 结果
术后病理分析结果显示, 膀胱憩室癌患者36例, 非膀胱憩室癌患者4例;T2WI+DWI+动态增强扫描分析结果显示, 膀胱憩室癌患者34例, 非膀胱憩室癌患者6例。T2WI+DWI+动态增强扫描诊断膀胱憩室癌的灵敏度、特异度、误诊率、漏诊率、阳性预测值及阴性预测值分别为91.7%、75.0%、25.0%、83.3%、97.1%和50.0%, 详见表1。
3 讨论
膀胱憩室是因膀胱肌层的缺陷而形成膀胱的局部向外膨出, 发病部位常为膀胱侧后部, 一般伴膀胱成梁和小房形成[5]。膀胱憩室癌无特殊症状, 出现并发症的患者可表现出排尿困难、尿频、尿急、尿路感染等症状, 严重患者甚至出现尿路梗阻和肾功能损害[6]。早期发现并治疗膀胱憩室癌具有重要意义。T2WI可突出组织T2弛豫 (横向弛豫) 差别, 常用于观察病变, 对出血较敏感, 伪影相对少[7]。DWI利用水分子的弥散运动特性进行成像, MRI因DWI而对人体的研究深入到细胞水平, 可反映人体组织的微观几何结构以及细胞内外水分子的转运等变化[8]。目前常规采用的成像技术是在SE序列中180°脉冲两侧对称地各施加一个长度、幅度和位置均相同的对弥散敏感的梯度脉冲, 用相同的成像参数两次成像, 分别使用和不用对弥散敏感的梯度脉冲, 两次相减就剩下做弥散运动的质子在梯度脉冲方向上引起的信号下降的成分, 即由于组织间的弥散系数不同而形成的图像[9]。目前国内外对T2WI和DWI应用于膀胱憩室癌诊断研究的报道较少, 明确T2WI和DWI应用于膀胱憩室癌的诊断价值可为膀胱憩室癌的诊断提供有力依据。
本研究结果显示, T2WI+DWI+动态增强扫描诊断膀胱憩室癌的灵敏度、特异度、误诊率、漏诊率、阳性预测值及阴性预测值分别为91.7%、75.0%、25.0%、83.3%、97.1%和50.0%, 说明T2WI+DWI+动态增强扫描可准确有效地对患者膀胱憩室癌进行诊断, 减少误诊率。
综上所述, T2WI+DWI+动态增强影对膀胱憩室癌的诊断价值较高, 是膀胱憩室癌的有效诊断方法。
参考文献
[1] 郎嘉兴, 白莉, 冯梅, 等.多层螺旋CT诊断膀胱憩室癌的价值研究[J].中国全科医学, 2011, 14 (12) :1386-1387.
[2] 张卫星, 李周, 冯科, 等.膀胱憩室癌的诊治新体会[J].实用医学杂志, 2012, 28 (15) :2575-2577.
[3] 钱斌, 鲍健.膀胱炎性肌纤维母细胞瘤的影像表现及临床分析[J].南京医科大学学报:自然科学版, 2011, 31 (2) :256-259.
[4] 余帮龙, 母其文, 陈华平, 等.DWI对新旧脑梗塞的鉴别诊断价值[J].现代诊断与治疗, 2013, 24 (18) :4104-4105.
[5] 张连华, 朱寅杰, 薄隽杰, 等.磁共振扩散加权成像在膀胱肿瘤诊断中的应用价值[J].肿瘤, 2012, 32 (12) :1025-1029.
[6] 亢晓春, 翟蕊, 陈学军, 等.磁共振扩散加权成像在膀胱病变鉴别诊断中的应用价值[J].中国临床医学影像杂志, 2012, 23 (5) :331-334.
[7] 孙晓东, 白卓杰, 丁怀银, 等.膀胱非上皮性良性肿瘤的影像学诊断[J].中国临床医学影像杂志, 2012, 23 (7) :509-512.
[8] 陈岳, 徐勇, 刘冉录, 等.膀胱平滑肌瘤临床分析[J].肿瘤防治研究, 2010, 37 (3) :339-341.
动态加权 篇4
近年来, 拓扑优化研究中多目标拓扑优化问题的研究比重越来越大, 在工程中结构多目标拓扑优化问题常通过构建评价函数, 将多目标优化问题转变为评价函数的单目标优化问题进行求解。显然, 如何建立合理的评价函数是实现结构多目标拓扑优化的关键[1]。范文杰等人[2]采用折衷规划法建立多目标拓扑优化的评价函数, 并将此数学模型应用于汽车车架结构, 同时提高了车架的动态振动频率和结构刚度。李所军等人[3]以揉度为目标, 体积分数为约束, 采用优化准则法构建评价函数进行优化。
对于同一个研究对象, 针对多个设计目标, 可以采用不同的评价函数, 而各种不同的评价函数得到的优化结果也会存在差异[4], 对于这些优化结果差异的研究却没有得到足够的重视, 孙晓辉等人[5]以汽车悬挂系统的摆臂结构为模型, 建立五种不同的评价函数数学模型, 通过对五种优化模型设计结果的对比分析, 说明不同优化模型的优劣。孙哲[6]以压缩机支架结构为模型, 建立了三种不同的带有权重的评价函数, 取不同权重系数时, 比较三种不同评价函数之间的优化结果。但以上文中评价函数中各工况之间的权重系数是根据经验设定的某一特定值, 即权因子是静态的, 在权重系数发生变化时, 会影响最终的对比分析结果。基于上述缺陷, 本文通过引入决策论中的满意度理论, 将权重系数由静态的转变为动态的, 消除权重对优化结果的影响, 建立了含有满意度的三种不同的带有权重的评价函数, 并通过对比分析最终的优化结果, 说明各不同评价函数在满意度理论下的差异及优劣。
1、多目标拓扑优化评价函数
处理多目标拓扑优化的方法常见的有约束法, 分层序列法, 评价函数法等[7]。其中, 评价函数法是将多个分目标转化为一个数值的函数, 即是评价函数, 也称为目标函数, 然后通过对评价函数的优化, 将多目标问题转化为单目标来求解[8]。本文以商用车车架为模型, 以车架的揉度和动态频率为目标, 同时考虑商用车行驶过程中最常见的三种典型工况:弯曲工况, 右前轮悬空和右后轮悬空, 分别采用线性加权法, 平方和加权法和折衷规划法来建立多目标拓扑优化的评价函数。
1.1 线性加权法
线性加权法是处理多目标优化问题常用的一种比较简便的方法。本文中建立的线性加权法数学模型如下:Minimize:
式中:Ci (r) 为第i个工况的揉度目标函数, wi为第i个工况的权重系数, fi (r) 为第i阶频率目标函数, wi' 为各阶频率的权重系数, 因为本文只考虑商用车行驶的三种工况和前三阶频率, 所以k取1, 2, 3。w为频率与揉度两目标之间确定的权重值, 这里取值为0.5。
1.2 平方和加权法
平方和加权法首先需要求出各分目标单目标拓扑优化时的最优解, 再引入权重系数, 消除量纲后, 通过迭代计算, 最终找到使各分目标尽量最优的理想点。本文建立的平方和加权法数学模型如下:Minimize:
式中Cmin和Cmax分别为揉度单目标优化所得到的最小揉度和最大揉度, fmin和fmax为频率单目标优化所得到的最小频率和最大频率。
1.3 折衷规划法
折衷规划法是目前运用最为广泛的构建目标函数的方法, 结合平均频率公式, 可以得到满足各分目标的最优解。本文建立的折衷规划法数学模型如下:Minimize:
2、满意度动态权重设计
2.1 满意度的引入
本文中建立了满意度q和不同迭代值Ci (r) 和fi (r) 之间的函数关系式如下:
式中:a1和a2的取值分别为2 和4, Cil和fil是第i个分目标的最坏值, Cid和fid是第i个分目标的最理想值。
2.2 权重的动态设计
权重因子wi和wi' 分别表示是各工况和各阶频率间的重要程度。本文将权重的设计和满意度结合, 建立权重因子和满意度之间的函数关系, 研究满意度动态权重下, 各构建不同目标函数方法的可行性, 再对优化结果比较, 分析满意度动态权重下, 不同目标函数对车架揉度和频率的影响。本文构建的权重因子表达式如下:
结合 (1) , (3) 可以发现, 当分目标Ci接近其最优值Cid时, qi就会增大, 相应的造成1-qi减小, 从而使此分目标对应的权重因子wi减小, 当进入下一步迭代时, 主要会向权重因子大的分目标的方向进行, 从而使该分目标的优化速度下降, 相当于一个惩罚因子, 自动调节了各分目标的权重因子, 使各分目标达到了优化过程中的综合平衡。使用这种方法, 可以在迭代过程中, 权重因子随迭代值变化, 且调节了各分目标之间的重要程度, 当分目标接近最优值时, 就自动减小其权重, 减小向此方向的优化速度, 相反, 则自动加大权重因子, 加大优化速度, 使迭代过程连续寻优, 最终找到各分目标都满意的最优值。此外, 这种方法消除了权重的影响, 较为有利的去判断各方法在此动态权重下的优劣。
3、车架有限元模型建立
3.1 车架模型建立
本文建立的商用车车架模型轮廓总长5700mm, 宽780mm, 高为120mm, 在CATIA中建立实体模型后导入Hyper Works中, 采用PSOLID三维实体单元对其进行网格划分, 划分网格时, 将设计空间分为设计域和非设计域, 优化时, 不改变非设计区域的形态, 只在设计区域中挖掉多余的部分, 剩余形状即为最后的优化结果。车架所选材料为16Mn, 弹性模量E=2.1´1011Pa, 泊松比m=0.3 , 密度r=7900kg/m3, 最终的有限元模型如图1 所示:图中绿色区域为设计域, 红色区域为非设计域。
3.2 车架的边界条件和载荷
汽车在行驶过程中, 车轮是纯滚动的, 当在平坦路面行驶时, 即是对应车架的弯曲工况。此工况下, 后悬架前支撑限制车架的纵向自由度, 横向自由度和垂直自由度, 其余支架只限制铅垂自由度。车架的其余两种工况属于弯扭联和工况, 模拟的是汽车在不平坦的路面上行驶, 某一车轮悬空而抬高的受力状态, 此时, 释放对应车轮处的约束, 其余约束保持和弯曲工况一致不变。
本文车架所受的基本载荷主要归纳为:驾驶室总成和驾驶员重量, 共4800N, 平均分配到驾驶室前后支撑位置。发动机总成重量1800N, 前后分成两部分承载, 平均分配到发动机前后支撑位置。满载时, 车厢和货物总重量48000N, 设定车架承载影响系数为0.75, 所以实际承受载荷48000×0.75=36000N, 垂直作用于车架与货箱装配的位置, 即车架红色区域后端。载荷情况及边界条件如图2 所示:
4、优化结果及对比分析
4.1 优化过程及结果
本文在Hyper Works软件中进行优化, 先以各工况的刚度最大为目标进行单目标优化, 这里将刚度最大转变为应变能最小, 即揉度最小, 确定各工况下的Cmin的值, 而优化前的揉度值即为Cmax。三工况单目标拓扑优化的Cmax和Cmin数据如下。
随后再分别以一、二、三阶的固有频率最大为目标进行单目标拓扑优化, 优化结果得到fmax的值。而优化前各阶固有频率值为fmin, 前三阶固有频率单目标拓扑优化的fmax和fmin数据如表2 所示:
在Hyper Works中迭代计算, 得到三种方法在满意度动态加权下的优化结果。优化结果如下图3 至图5 所示:
4.2 优化结果的对比分析
由上图可知, 三种方法建立的数学模型, 均能实现车架的拓扑优化, 且各方法优化后的几何构型相差不大, 正如表三和表四所示, 这和最后的目标揉度, 频率的优化结果数据基本相同相照应。同时, 优化结果是不受权重系数所影响的, 是在动态中寻优所达到的最优值。根据表三和表四可以对比分析得到, 结合满意度动态加权, 消除权重影响, 线性加权法对车架结构的揉度优化效果明显, 折衷规划法使车架结构的频率优化达到最大。最终优化目标数据结果如下表所示:
5、结论
本文采用满意度动态加权法, 消除了多目标拓扑优化目标函数中权重的影响, 使线性加权法, 平方和加权法, 折衷规划法三种方法的多目标拓扑优化得以实现, 同时通过对比分析三种方法的优化结果发现:
1) 在满意度动态加权下, 三种方法优化后的几何构型差别不大, 其中线性加权法的优化后几何构型有稍许差别, 这与揉度, 频率优化后结果数据相差不大所对应。
2) 在满意度动态加权下, 线性加权法对车架刚度的优化效果较显著, 而折衷规划法对车架频率的优化效果明显。实际问题中, 可以选择适合的优化方法, 对优化结果有重要影响。
摘要：为了研究结构多目标拓扑优化中构造不同评价函数对优化结果的影响, 以商用车车架为模型, 分别建立了线性加权法、平方和加权法和折衷规划法三种不同的带有权重的目标函数, 同时将决策论中满意度理论引入多目标拓扑优化的评价函数的构造中, 该方法可以使权重比的设定随每次迭代结果调整, 从而消除多工况权重比对优化结果的影响, 避免传统方法中人为设定权重比对优化结果造成的偏差, 使对比分析结果更加合理。
关键词：多目标优化,满意度,多工况
参考文献
[1]孙靖民主编, 机械优化设计[M]:第4版, 北京;机械工业出版社, 2008, 190-202
[2]范文杰, 范子杰, 苏瑞意.汽车车架结构多目标拓扑优化方法研究[J].中国机械工程, 2008, 12:1505-1508.
[3]李治多, 王明强.多工况载荷下连续体结构拓扑优化设计研究[J].现代制造工程, 2008, 09:70-73+124.
[4]李所军, 高海波, 邓宗全.摇臂探测车悬架多工况拓扑结构优化设计[J].哈尔滨工程大学学报, 2010, 06:749-754.
[5]孙晓辉, 丁晓红.结构多目标拓扑优化设计[J].机械设计与研究, 2012, 04:1-4+9.
[6]孙哲.基于多目标拓扑优化的汽车零件轻量化设计[D].华中科技大学, 2014.
[7]汪兵兵, 丁晓红, 孙晓辉, 张横.机械基础结构多目标拓扑优化设计方法[J].包装工程, 2013, 15:15-18+39
动态加权 篇5
1 资料与方法
1.1 文献检索
以“前列腺癌、扩散加权成像、DWI、动态增强、DCE-MRI、prostate、cancer、dynamic contrast enhanced、diffusion weighted imaging”为检索词,检索中国知网、万方数据库、Pub Med及Springer Link。收集DCE-MRI和DWI对前列腺癌灶诊断价值的文献,检索时间为2005年1月—2015年12月。为尽量避免漏查文献,采用手工检索和网络检索相结合的方式,对纳入文献的参考文献均进行二次检索。
1.2 文献纳入与排除标准
纳入标准:(1)研究类型,均采用DCE及DWI诊断前列腺癌,诊断试验以超声引导下穿刺活检或前列腺癌切除术后病理结果作为“金标准”,为回顾性研究或前瞻性研究;(2)研究对象,来自临床疑似前列腺癌患者的前列腺组织的单个感兴趣区(ROI);(3)研究结果,均能获得诊断试验的四格表数据;(4)文献语种为中文和英文。排除标准:(1)文摘、综述、述评或个案报道类文献;(2)数据重复发表;(3)DCE-MRI及DWI研究的对象不是同一组病例;(4)诊断过程中前列腺组织ROI的放置参照T2WI图像上的异常信号或病理结果提示。
1.3 文献资料提取
由1名影像学主治医师及1名泌尿科主治医师独立检索,并按照预先制订的纳入标准和排除标准筛选文献、进行资料提取,意见不一致时讨论确定。提取内容包括作者、发表时间、患者年龄、样本量、仪器设备、线圈类型、b值、诊断“金标准”、DCE及DWI的诊断方法。
1.4 文献质量评价
按照Cochrane协作网推荐的QUADAS(quality assessment of diagnostic accuracy studies)作为诊断性试验的质量评价工具[2],评价诊断性文献质量。
1.5 统计学方法
采用Meta-Disc 1.4及STATA软件,首先通过Egger法检测文献发表偏倚,同时采用χ2检验对各研究诊断比值比进行异质性分析,I2<50%、P>0.05则无异质性,采用固定效应模型进行分析;I2≥50%、P<0.05则存在异质性,采用随机效应模型进行分析。其中分析异质性来源,包括阈值效应和非阈值效应。随后对全部纳入研究进行Meta分析,计算合并敏感度、特异度和汇总受试者工作特征(ROC)曲线下面积,所有结果均用95%CI表示,P<0.05表示差异有统计学意义。
2 结果
2.1 文献检索结果
按照检索词初步检索文献414篇,排除未达到纳入标准的文献(图1),共纳入7篇文献进入Meta分析,其基本特征见表1。纳入的7篇文献包含同时应用DCE和DWI诊断前列腺癌,其中仅3篇文献除对比单独使用DCE和DWI诊断技术外,还对比了两者联合应用对前列腺癌灶的诊断价值。
2.2 发表偏倚检验结果
经Egger检验,以0.05为检验水准,P=0.072,表明纳入文献未发现发表偏倚。
2.3 纳入文献的基本特征及质量评价
纳入的7篇文献[3,4,5,6,7,8,9]共包含447例患者,4561个ROI,其中癌灶1068例,并均经病理证实。纳入文献的基本特征见表1,方法学质量评价见表2:其中5篇文献[3,4,6,8,9]评为13分,2篇文献[5,7]评为12分。
2.4 Meta分析结果
2.4.1 异质性检验
通过诊断比值比分析异质性,DCE诊断组I2=57.5%,P<0.05;DWI诊断组I2=14.1%,P>0.05;DCE+DWI诊断组I2=0.0%,P>0.05。结果表明只有DCE诊断组纳入文献存在较大异质性,采用随机效应模型,同时检测是否存在阈值效应,Spearman相关分析结果表明,敏感度与(1-特异度)呈高度正相关(r=0.893,P<0.05),均表明存在阈值效应;DWI及联合诊断组不存在异质性,采用固定效应模型。
2.4.2 敏感性分析
为观察合成结果的稳定程度,分别将不同诊断组纳入的数据逐一排除并重新汇总比值比,显示被排除后改变量不大,表明纳入文献的稳定性好,结果可信度高。
2.4.3 亚组分析
DCE诊断组的异质性较大,对可能影响异质性的因素(设备类型、线圈类型)进行亚组分析。(1)仅纳入以3.0T作为设备类型的文献时,无明显的异质性(I2=38.3%,P>0.05);(2)仅纳入以1.5T作为设备类型的文献时,仍存在较大异质性(I2=67.7%,P<0.05);(3)仅纳入线圈类型为直肠内线圈的文献时,无异质性(I2=0.0%,P>0.05);(4)仅纳入线圈类型为体部线圈的文献时,具有较明显的异质性(I2=70.0%,P<0.05)。
注:PA:体部线圈;ER:直肠线圈;TRUS:超声引导下前列腺穿刺活检;WM:超声引导下前列腺穿刺活检及前列腺切除术后组织活检;TRUS:经直肠超声;ADCmaps:ADC伪彩图上的低ADC值诊断为癌灶;DWI:DWI图像上的高信号诊断为癌灶;ADC阈值:ADC值低于(1.51±0.27)×10-3mm2/s诊断为癌灶
2.5 合并值计算及其对比结果
2.5.1 合并值计算
根据DCE诊断组采用随机效应模型,DWI诊断组及联合诊断组采用固定效应模型合并效应量,DCE、DWI及两者联合诊断的合并敏感度分别为0.36(95%CI 0.31~0.57)、0.61(95%CI 0.57~0.65)、0.73(95%CI 0.68~0.77);合并特异度分别为0.89(95%CI 0.90~0.98)、0.89(95%CI 0.88~0.90)、0.81(95%CI 0.78~0.83);汇总ROC曲线下面积(AUC)分别为0.7536、0.8402、0.8425。见图2。
2.5.2 3组合并值比较
3组诊断技术敏感度差异有统计学意义(χ2=224.400,P<0.05),特异度差异有统计学意义(χ2=71.576,P<0.05);联合诊断组的诊断效果最好,其次为DWI诊断组,DCE诊断的准确性相对较差。
3 讨论
3.1 诊断价值
DCE技术可直接反映组织血流灌注情况,由于肿瘤组织具有丰富的新生血管及高血管渗透性等生理特性,对比剂能快速并大量地进入肿瘤组织,呈现“快进快出”特性[10]。DWI是能在活体中评价水分子随机扩散运动的无创性检查技术,具有扫描时间短、无需复杂的后处理等优势。前列腺癌组织结构紧密紊乱,其肿瘤细胞核体积大,核-浆比例高,上述因素均使前列腺癌组织中水分子的扩散运动明显受限,表现为较低的ADC值及DWI图像上呈高信号。
本研究汇总分析结果表明,DCE的诊断敏感度较低,容易遗漏部分微小病灶。DCE与DWI联合应用的诊断敏感度最高,降低了前列腺癌灶的漏诊率,以便早期发现癌灶;3组诊断技术的特异度均较高;AUC是衡量某一诊断方法准确性的指标,AUC越接近1,诊断效果越好[11],本研究中3组技术的AUC均大于0.75,表明有较高的诊断准确性。总之,DWI、DCE联合DWI诊断前列腺癌灶均具有较高的准确性,其中联合诊断组的诊断效果最好;DCE的诊断准确性相对较差。
3.2文献异质性
目前DCE对前列腺癌灶诊断最大的局限性在于尚无统一的诊断方式来评估组织血流灌注情况[12]。常见的3种诊断方法为:(1)直观法,直接观察原始图像的ROI表现为“快进快出”为最简便的方式,但这种方法受诊断医师阅片能力的影响,若诊断医师工作经验不同,可对图像造成解读偏移。(2)半定量分析法,为了提高动态增强扫描诊断分析的客观性,半定量分析时间-信号强度曲线的特征正逐渐得到应用,常用的计量参数有起始强化时间、强化曲线的平均和初始上升梯度、最大信号强度等[13]。(3)定量分析法,以肿瘤组织微血管密度及组织血管通透性改变等为基础评价肿瘤的生理特性[14],常用的参数有容量转移常数(Ktrans)、血管外细胞外容积分数(Ve)及速率常数(Kep),但需进行复杂、费时的后处理工作才能获得上述定量参数[13]。
本研究对DCE-MRI诊断前列腺癌灶纳入的7篇文献进行Meta分析,结果发现异质性较大是由于存在阈值效应,推测其主要原因是由于诊断标准不统一,其中除大多研究采用直观法外,无量化的诊断标准,仅1篇研究[5]采用定量分析法,由于纳入文献数量有限,因而对前列腺癌灶的诊断效果不便做出准确的对比。此外,导致异质性较大的原因可能是纳入文献的设备类型、线圈类型的选择不同,对此进行亚组分析后,部分仅纳入3.0T MR设备或直肠线圈的研究异质性明显降低。
DWI诊断组共纳入7篇文献,I2=14.1%,不存在异质性,由于前列腺癌组织ADC值较低,其直接影响因素为b值的选择,对纳入文献进行回顾发现,均采用较高b值(600 s/mm2、800 s/mm2、1000 s/mm2),对异质性的影响不大。
3.3 本研究的优势与不足
本研究纳入标准为DCE和DWI技术均来自同一组病例资料。此前有1篇相关的Meta分析[15]比较了DCE与DWI单独应用对前列腺癌灶的检出价值,以应用DWI诊断技术为纳入标准,但并非所有病例均采用了两种诊断技术,不利于严格比较两种诊断技术准确性的高低。另外,本研究针对的是DWI和DCE单独及联合诊断3组资料,在选择ROI时,将T2WI图像的异常信号区或病理结果告知的区域列为排除标准,保证了诊断过程的独立性。
本研究的局限性:(1)由于纳入文献数量较少,不能做回归分析、探讨异质性的来源;(2)本研究未纳入中文文献,其中大多数DCE或DWI诊断前列腺癌时,以T2WI图像或病理检查结果作为参考,未探讨DCE或DWI对前列腺癌的独立诊断价值;以及上述文献的研究对象是前列腺癌患者,而不是更加细化的癌灶。
摘要：目的 采用Meta分析系统性地比较磁共振动态增强(DCE-MRI)、扩散加权成像(DWI)及两者联合应用对前列腺癌灶的诊断价值。资料与方法 以“前列腺癌、扩散加权成像、DWI、动态增强、DCE-MRI、prostate、cancer、dynamic contrast enhanced、diffusion weighted imaging”为检索词,检索2005年1月—2015年12月中国知网、万方数据库、Pub Med及Springer Link中收录的关于DCE-MRI和DWI对前列腺癌灶诊断价值的文献。对符合要求的文献进行质量评价和异质性检验,汇总合并敏感度和特异度,并进行汇总受试者工作特征曲线分析。结果 共纳入7篇文献,均为英文文献,共包括447例患者,以4561个感兴趣区作为研究对象。DCE、DWI及两者联合诊断的合并敏感度分别为0.36(95%CI 0.31~0.57)、0.61(95%CI 0.57~0.65)、0.73(95%CI 0.68~0.77),合并特异度分别为0.89(95%CI 0.90~0.98)、0.89(95%CI 0.88~0.90)、0.81(95%CI 0.78~0.83),汇总受试者工作特征曲线下面积分别为0.7536、0.8402、0.8425。结论 DWI诊断前列腺癌灶的准确性优于DCE,两者联合诊断效果更好。
动态加权 篇6
1 资料与方法
1.1 临床资料:
收集我院2009至2012年经临床体检钼靶、B超检查可疑乳腺占位性病变46例患者, 均行MRI检查后所有的病例经穿刺活检或手术病理证实。其中18例良性, 年龄24~52岁, 平均 (37±4) 岁;28例恶性, 年龄35~61岁, 平均 (50±6) 岁。12名正常志愿者行MRI检查, 年龄22~42岁, 平均 (27±5) 岁。
1.2 检查方法:
①设备:使用Philips Achieva 1.5T超导MRI仪, 采用乳腺专用线圈, 为多通道相控阵线圈, 患者取俯卧位, 乳腺对称悬垂线圈的2个凹槽中。②平扫序列和参数:快速自旋回波 (FSE) 序列T1WI:TR 550 ms, TE 10 ms, 反转角80°, 激励次数1次, 矩阵410×512;脂肪抑制短时间反转恢复序列 (STIR) T2WI:TR 9 000 ms, TE 69 ms, TI 150 ms, 反转角150°, 激励次数1次, 矩阵502×512。③DWI序列:采用单次激发自旋回波-回波平面成像 (SE-EPI) 横断面脂肪抑制检查:TE 75 ms, TR 3 600 ms, 反转角90°, 激励次数3次, 所有的检查层厚2~5 mm, 层间距0~1 mm, 视野 (FOV) 320 mm×320 mm;按b值800、1 000 s/mm2各2次扫描数据做出各自表观扩散系数 (ADC) 图像。④强扫描序列:目前动态增强首选序列3D脂肪抑制容积内插屏气检查 (GE-LAVA, Siemens-VIBE, Philips-THRIVE) 序列。参数:脂肪抑制T1WI, TR 3.6 ms, TE 1.7 ms, FOV 320 mm×320mm矩阵320×320, 层厚1.25 mm, 1次扫描时间28s/次。在注射前扫描一次蒙片进行对比, 之后立即注射对比剂钆喷酸葡胺 (Gd-DTPA) , 所用剂量为0.1~0.2 mmol/kg体质量, 使用高压注射器静脉注射, 其速度为2 ml/s, 随后注射15~20 ml 0.9%氯化钠注射液冲刷, 总注射时间不超过10~12 s, 注药同时启动增强扫描, 观察0、30、60、90、120、150、240、480 s各时间点扫描结果。分别以形态不规则、边缘不清作为诊断乳腺恶性病变的标准。
1.3 图像后处理与统计学分析:
①DWI分析及ADC值测量:在DWI上测量病灶的强度值, 感兴趣区域 (ROI) 选取病变最大层面中心区域进行测量, 略小于病灶, 其面积不小于12 mm2, 取病变的实质部分, 避开肿块囊变、坏死或出血区。ADC值直接在ADC图上测量, 相应的ROI从DWI复制以保持一致, 反复测量3次, 取其平均值;健康对照组同样测量3次, 取平均值。按公式ADC=[In (S低/S高) ]/ (b高-b低) 计算, 式中S指用高、低b值成像所测得信号值。②时间-信号强度曲线 (TIC) 的绘制:在Siemens工作站上利用Mean Curve软件, 选择病灶中早期强化最快、最明显且强化均匀的区域作为ROI的绘制TIC, ROI大小根据病灶大小调整, 通常选取多个ROI, 以早期强化和流出效应最明显的ROI作为分析对象获得动态曲线, 计算出早期强化类型和曲线类型。参照Kuhl等[1]的分型方法将TIC分为3种类型:Ⅰ型 (流入型) ;Ⅱ型 (平台型) ;Ⅲ型 (流出型) 。TIC曲线反映了病灶血液灌注和廓清情况, 是对比剂在病变组织内分布变化的直观描述, 可间接揭示病变组织的血流动力学情况。早期增强率:反映病变内微循环状况, 早期增强率<60%时可以提示病变为良性;≥60%且<80%, 定性较困难;≥80%常提示恶性病变[2,3]。早期增强计算公式早期增强率=[SIpost (2min) -SIpre]/SIpre×100%。
1.4 统计学处理:
采用ROI曲线分析同组患者在2种b值 (800、1 000 s/mm2) 条件下的ADC值差异, 对良、恶性病灶及健康对照组平均ADC值用±s表示, 计算95%参考值范围, 对相同b值下良恶性病灶及正常对照组的ADC值差异采用t检验;对DWI和动态增强MRI 2种检查方法敏感和阳性预测值比较采用χ2检验;统计学处理使用SPSS 10.0统计学软件, 以P<0.05为差异具有统计学意义。
2 结果
2.1 病理结果:
46例患者中良性18例, 恶性28例。恶性病变28例中浸润型导管癌24例 (其中20例腋窝淋巴结转移, 16例肿块累及皮肤) , 髓样癌3例, 小叶癌1例。良性病变18例, 其中纤维腺瘤10例, 囊性增生4例, 不典型增生2例, 脓肿2例。
2.2 MRI结果:
28例恶性病变中24例病灶形态学表现为典型的恶性征象, 边缘不规则, 有分叶、毛刺征, 部分病变内部信号不均匀, T1WI低信号, T2WI与STIR序列呈稍高信号, 部分乳头凹陷、局部皮肤增厚。4例形态学表现不典型, 病灶较小, 边缘显示模糊, 内部信号较均匀 (图1a, 1b) 。18例良性病变中10例纤维腺瘤, 形态学表现为类圆形或轻度分叶状, 边缘清楚, T1WI等低信号, T2WI、STIR呈混杂较高信号, 内部信号不均匀, 可见低信号纤维分隔;10例中1例纤维腺瘤在T1WI、T2WI均为低信号;不典型增生2例, 形态略呈分叶状, 在T1WI呈等低信号, T2WI稍高信号;囊性增生4例, 呈多发大小不等圆形或卵圆形异常信号, 边缘清晰光滑, T1WI低信号, T2WI高信号, 信号均匀;脓肿2例, 边缘较规则类圆形肿块, T1WI低信号, 其外周见较厚均匀的中等信号壁, T2WI中等偏高信号。
2.3 DWI结果:
良恶性病变与周围正常组织对比, 大部分在DWI均呈高信号, ADC图为低信号, 但恶性病变为更低信号 (图1c, 1d) 。28例恶性病变其中ADC值分析:对良、恶性病灶及健康对照组平均ADC值与ADC值差异检验, 见表1。
×10-3mm2/s
在b值为800×10-3s/mm2、1 000×10-3s/mm2时, 乳腺恶性病变ADC值的95%参考值范围分别为 (0.97±1.05) ×10-3mm2/s、 (0.90±0.97) ×10-3mm2/s, 其上限值作为恶性病变的阈值点, 分别将ADC阈值定为1.050、0.969时, 诊断乳腺恶性病变的敏感度为75%、70%, 特异度100%、100%[4]。
2.4乳腺病变的动态增强结果:
28例恶性病变中12例病灶呈明显较均匀强化, 16病灶为明显不均匀强化、中心坏死区无强化;血管剪影图示24例恶性肿瘤周围可见迂曲的异常供血肿瘤血管影 (图1e) 。18例良性病变增强后表现:10例纤维腺瘤中6例呈慢渐进性均匀强化, 4例病灶呈离心性强化;2例不典型增生呈明显渐进性强化;4例囊性增生均无明显强化;2例脓肿呈后壁均匀环形强化。TIC:28例恶性病变中流出型 (Ⅲ型) 18例、占64%, 平台型 (Ⅱ型) 9例、占32% (图1f) , 流入型 (Ⅰ型) 1例、占3.5%。18例良性病变中流入型 (Ⅰ型) 13例 (72%) , 平台型 (Ⅱ型) 3例 (17%) , 流出型 (Ⅲ型) 1例 (6%) 。良恶性病变TIC类型见表2。TIC诊断标准 (以流出型和平台型为恶性病变为标准) , 判断其敏感度96% (27/28) , 特异度83% (15/18) 。
图1女性, 57岁, 右乳腺外上分叶状结节, 边缘清楚, 病理:浸润型小叶癌 (a:T1WI结节为等低信号;b:T2WI压脂序列为等高信号;c:DWI序列呈高信号;d:ADC图病灶呈明显低信号, 测量ADC值0.86×10-3mm2/s;e:TIC为流出型, 早期强化率91.2%;f:剪影图, 结节周围见迂曲的异常供血肿瘤血管影)
2.5乳腺病变MRI检查的DWI与动态增强综合结果:
乳腺恶性病灶4例ADC值大于1.050病例其中1例时间-强化曲线表现为平台型;而良性病灶中4例ADC值小于1.050病例中2例时间-强化曲线表现为流入型。因此结合ADC值与时间-信号曲线对病灶良恶性分析, 敏感性为96% (27/28) , 特异性为89% (16/18) , 因此敏感性和特异性得到提高。
3 讨论
3.1 DWI对乳腺良恶性病变鉴别诊断:
Chen等[5]认为定量DWI较动态对比增强扫描鉴别乳腺病变良恶性的特异度高。ADC值可以反映组织的细胞密度, 通过ADC值的差异可以用来鉴别乳腺良恶性肿瘤, 具有较高的特异度。恶性肿瘤增殖快, 细胞排列密集, 细胞外隙减小, 细胞膜对水分子吸附阻挡作用使水分子弥散受限, 故ADC值降低。良恶性病变的病理类型不同、细胞增殖程度不一, 亦ADC值不同。DWI定性及ADC定量对病灶进行分析, 可提高对乳腺良、恶性病变检出的准确性。本文对良、恶性病变、正常腺体的平均ADC值与ADC值差异检验所得。良性肿瘤与恶性肿瘤差异有统计学意义, 而良性肿瘤和健康腺体差异无统计学意义。当b=800 s/mm2诊断乳腺恶性病变的敏感度75%, 特异度100%。良、恶性病变的病理类型及组织结构对ADC值的影响不同, 易造成假阴性或假阳性现象, 如良性病变如乳腺囊性增生、乳头状瘤其细胞排列紧密, 周围伴炎性反应, 会导致ADC值降低, 出现假阳性;而乳腺黏液癌病理特征为产生大量黏液, 在细胞外积聚成黏液湖, 细胞分化比较好, 因本身的病理特点不同于浸润性导管癌, 水分子扩散无明显受限, ADC值无降低反而增高, 甚至高于正常腺体的ADC值, 与其他良性病变难以鉴别出现假阴性;浸润性导管癌中囊变、坏死或出血的胶原化改变, ADC值增高, 出现假阴性。顾雅佳等[6]研究认为, 诊断乳腺导管原位癌 (DCIS) 或DCIS伴微浸润的病变, 取b值500 s/mm2时可能为诊断带来更大的益处, 诊断正确, 而b值1 000 s/mm2时显示为阴性。
3.2 乳腺肿瘤动态增强特点:
可提供有关病变形态学及功能性改变的丰富信息, 如微血管分布、血流灌注以及血管通透性改变等。TIC曲线综合描绘了病变强化前、后的时间信号强度变化趋势, 可以直观和准确地反映了病灶血液灌注和廓清情况。动态增强可以观察到特殊类型强化, 如环形强化, 还可观察与血管关系, 是否有侵袭性表现等。根据病灶信号强化情况可绘制TIC。
3.3 TIC对乳腺良恶性病变的鉴别诊断:
动态增强扫描TIC是鉴别乳腺良恶性病变较有效的方法之一。Ⅰ型曲线病灶持续性强化或无明显强化多为良性病变的增强模式, 多见于良性病变。Ⅲ型曲线提示造影剂“快进快出”, 多为恶性肿瘤表现, 因恶性肿瘤多富血供, 肿瘤血管缺乏正常毛细血管, 存在动静脉分流, 常呈“快进快出”表现[7];Ⅱ型曲线对良恶性病变鉴别诊断的意义国内外学者多有争议。Kuhl等[1]认为恶性病变平台型增强方式多于良性病变, 平台型多为恶性病变增强模式;国外学者初步研究发现TIC的最大强化斜率、流入量及流出量等强化参数可能与肿瘤组织中微血管密度、肿瘤的恶性程度及侵袭性有相关性。TIC是病灶血流灌注和流出等因素的综合反映, 体现病变强化的全过程, 其诊断的灵敏度、特异度均高于早期强化率。本研究结果显示, 良性病变多表现为Ⅰ型曲线15例, 恶性病变多表现为Ⅲ型曲线18例;Ⅱ型曲线在良恶性病变中均可见到。
3.4 DWI与动态增强综合分析:
动态增强是诊断乳腺肿瘤的重要方法之一, 大部分乳腺癌表现为早期快速强化, 其强化曲线反应了恶性肿瘤的强化动力学特征, 但仍有少部分乳腺癌患者表现为类似良性病变的曲线类型 (假阴性) , 易造成误诊, 而在DWI上呈明显高信号, ADC值测量结果支持恶性诊断。还有少部分恶性病灶ADC值<1.20时TIC表现为平台型, 这提供了恶性依据。两者互补有助于提高鉴别诊断乳腺病变的特异性。相关研究结果显示, 联合诊断与单一动态增强成像相比, 联合诊断的敏感性与动态增强成像相似, 准确性有所提高, 联合诊断的特异性提高明显, 有助于病变的定性诊断。但临床判断乳腺良恶性病变时应注意将血流动力学表现与形态表现结合分析, 当形态学表现为恶性时, 不论其血流动力学表现如何, 均应首先考虑恶性;当形态表现为良性, 而血流动力学表现为恶性时应活检排除恶性[7,8]。
参考文献
[1]Kulll CK, Mielcareck P, Klaschik S, et al.Dynamic breast MR Imaging:are signal intensity time course data useful for differential diagnosis of enhancing lesions[J].Radiology, 1999, 211 (1) :101-110.
[2]方晓义, 李振龙, 赵英杰, 等.DWI联合Fischer评分法对乳腺良恶性肿块的鉴别[J].中国中西医结合影像学杂志, 2013, 11 (3) :239-244.
[3]谭红娜, 苏懿, 李瑞敏, 等.数据挖掘技术判定乳腺非肿块样强化病灶的初步研究[J].中华放射学杂志, 2009, 43 (5) :455-459.
[4]向凤选.3.0T MR-DWI与DCE MRI检查对乳腺癌的诊断价值[J].健康大视野, 2013, 21 (5) :74-75.
[5]Chen X, LI WL, Zhang YL, et al.Meta analysis of quantitative diffusionweighted MR imaging in the differential diagnosis of breast lesions[J].BMC Cancer, 2010, 10:693.
[6]顾雅佳, 冯晓源, 肖勤, 等.MR扩散成像确定乳腺癌范围的研究[J].中华放射学杂志, 2007, 41 (9) :959-964.
[7]雷睿, 司徒红林, 陈前军, 等.3.0T MRI LAVA动态增强序列在乳腺良恶性病变诊断中的价值[J].山东医药, 2012, 23 (52) :80-82.
动态加权 篇7
癌症不同于良性肿瘤, 其除“局部为实”外, 还有“整体为虚”的特点。癌症的发生!发展是一个正虚邪实的过程, 正气虚损是肿瘤发生, 发展的根本原因" 正气虚衰常见于年老、体弱或局部有亏损者, 这些人群恰恰是肿瘤的好发人群。由于正气不足, 为癌瘤的生长创造了条件, 而癌瘤的迅猛发展, 又进一步耗伤元气精血, 两者同时存在, 形成恶性循环。正衰则邪盛, 机体抗癌能力降低, 往往促使癌瘤进一步扩散, 这种矛盾在晚期尤为突出。
子宫内膜癌是常见的女性生殖系统恶性肿瘤, 起病隐匿, 治疗方案需根据术前评估制定, 因此良好的影像学评估手段是治疗此类患者的关键。MRI在诊断和指导治疗子宫内膜癌方面作用重要[2]。目前在评估肿瘤的浸润深度方面, 更多研究是以T2WI和动态增强 (dynamiccontrastenhancement, DCE) 来进行判断的, 以常规平扫联合扩散加权成像 (diffusionweightedimaging, DWI) 和DCE检查进行研究的报道较少。现对MRI常规平扫、DWI和DCE在子宫内膜癌诊断和分期研究进展进行综述。
1子宫内膜癌的 MRI成像方法
1.1设备
采用美国GE公司SignaHDe1.5T超导型全身磁共振扫描仪, 体线圈为射频发射线圈, 以腹部相控阵线圈为接收线圈。扫描序列采用子宫横轴面及矢状位扫描, 以沿子宫长轴的矢状位成像能更好的显示子宫轮廓, 可以清晰显示宫体、宫颈的带状解剖, 对于子宫内膜Ca的观察矢状位是主要方向。
1.2检查方法
扫描方法为常规平扫、DCE及DWI。
1.2.1常规平扫1轴断面序列:FSET1WI (TR650ms, 10.8ms) 、脂肪抑T1WIfsFSE (TR650 ms, 10.8 ms) 、FRFSET2WI (TR3600ms, TE112ms) ;2矢状位序列:FSET2WI (TR4200ms, TE110ms) 、脂肪抑制T2WIfsFSE (TR4200ms, TE110ms) ;
1.2.2MR动态增强扫描DCE检查的特点是通过不同的扫描时期子宫内膜和子宫肌层的强化特点不同进行组织对比, 判断肿瘤浸润情况的一种扫描方式[3,4]。即先进行一次脂肪抑制T1WI平扫, 然后注射造影剂, 分别于动、静脉期和平衡期进行矢状位扫描, 再于6min延迟期进行短轴位扫描。
1.2.3DWIDWI是一种无创反映活体组织扩散的MR功能成像方法, 可以表现细胞完整性及病理变化, 在辅助诊断体部肿瘤方面取得了良好的效果。DWI依赖于水分子的布朗运动为组织成像对比提供了崭新的技术。DWI通过对比不同组之间水分子扩散的差异性造成的图像信号衰减反映组织结构特征[5,6]。孙骏等[7]对48例子宫内膜癌DWI的研究结果显示, 子宫内膜癌和正常内膜的ADC值范围为 (0.710~1.295) , 子宫内膜癌和正常内膜的ADC值差异有统计学意义 (P<0.01) 。
1.3MRI的判断标准
依据国际妇产科协会 (FIGO分期) :Ⅰa期无或<1/2肌层受累;Ⅰb≥1/2肌层受累;Ⅱ期癌瘤累及子宫颈间质, 但未扩散至宫外。Ⅲ期:局部和 (或) 区域扩散;Ⅳ期癌瘤累及膀胱和 (或) 肠黏膜;或远处转移。
2MRI常规平扫联合 DWI和 DCE在子宫内膜癌诊断和分期的价值
2.1子宫内膜癌的诊断
通常子宫内膜癌可以通过内膜活检得以确诊, 子宫内膜活检存在约15%的漏诊率和误诊率, 该技术的局限性和认为因素影响了诊断的准确性。术前诊断直接关系到治疗方案、实施手术范围的制定与预后的评估。MRT检查在子宫内膜癌的鉴别诊断中具有重要意义。有研究[7]认为利用T2WI诊断子宫内膜癌的准确率高达86%。另有研究[8]发现, 子宫内膜癌患者的ADC值显著低于正常组织, 是诊断子宫内膜癌的良好检查方式。
2.1.1正常子宫内膜结构及DWI特点正常子宫内膜厚度绝经前<10mm, 绝经后<4mm。子宫内膜T2WI表现为三层结构, 内膜为高信号, 结合带为明显低信号, 外带为稍高信号;DWI内膜三层结构信号强度不易鉴别, 但正常子宫内膜、结合带、外带三者的ADC值比较, 外带>内膜>结合带。
2.1.2子宫内膜癌的MRI和DWI特点内膜增厚且呈高信号, 其ADC值明显低于正常子宫内膜ADC值。而子宫内膜癌患者多年龄较大, 子宫在绝经后改变导致联合显示效果并不理想。仅依靠T2WI形态学特征不能达到准确却分子宫内膜息肉与内膜癌的作用[8]。而DWI在鉴别良恶性肿瘤方面的作用开始受到重视。Inada等[9]研究DWI在诊断子宫内膜癌方面的应用价值发现, 内膜癌于T2WI上并不可见, 而MRI诊断肿瘤的敏感度较高, 如联合DWI影像敏感度可进一步增高。Shen等[10]研究发现, DWI评估子宫肌层浸润深度的准确度为61.9%, 而T1增强影像评估准确度分别71.4%, 前者低于后者。Tamai等[11]研究认为DWI与T2WI融合的影像能更准确地显示肿瘤范围。DWI对于子宫或宫颈癌放疗后残存以及纤维化, 肿瘤复发和对盆腔淋巴结转移的检出等方面亦有重要作用。
2.1.3DCE的优点总结DCE鉴别诊断Ⅰ期子宫内膜癌的优点如下:1T2WI确定肌层浸润;结合带是用于评价肌层浸润深度的重要指标, 结合带在绝经后的女性MRI表现不明显, 而子宫内膜癌却多见于绝经后女性;常规增强T1WI虽然能提高联合带显示的敏感度, 但仍有限度;2子宫内膜癌在DCE增强早期仅轻度强化, 延迟期逐渐强化, 子宫内膜癌在动脉期与内膜、肌层显示最佳对比度, 可以较为敏感的检出较小病灶。3DCE可以鉴别存活肿瘤与坏死、分泌物成分[12]。以病理结果为金标准, Tanaka等[13]发现单纯依据T2WI影像特点子宫内膜癌确诊率为22%, DCE敏感度高达71.4%, 特异度和准确率分别为100%和92.5%。
2.2子宫内膜癌的分期
2.2.1肌层浸润的评估由2名经验丰富的放射科医师采用双盲法对MRI检查结果进行阅片:1T2WI结合带表现完整, 内膜增厚, 宫壁内缘光滑, 则认为局限于内膜;2DCE表现为内膜下强化, 强化中断或不规则提示有肌层侵犯;3肌层浸润深度通过计算肿瘤外缘到子宫浆膜层的最小距离/子宫肌层总厚度进行计算, 若>50%, 为浸润浅肌层;若<50%, 则为浸润深肌层[14]。
2.2.2宫颈受累的评估子宫内膜癌的累及宫颈的情况较多。扩大手术范围或接受放疗后再行手术是主要治疗方案[15]。因此评估子宫内膜癌是否累及宫颈对于制定手术方案具有重要意义。T2WI在确定宫颈有无侵犯方面存在重要价值。如宫颈侵犯:肿瘤信号侵犯T2WI低信号的宫颈间质内, 与宫体异常信号相连, 或DCE特别是增强早期显示宫颈粘膜上皮线状强化不连续, 不完整, 不连续不完整为有宫颈侵犯, 否则为无宫颈侵犯。研究[16,17,18]认为MRI诊断宫颈浸润的敏感性、特异性、准确率均较高。
2.2.3淋巴结转移的评估淋巴结是否出现转移是觉得子宫内膜癌患者预后的重要因素。研究[19]表明, MRI判断淋巴结转移的灵敏度不高。单纯依靠MRI判断有无淋巴结转移是否准确尚存在争议。
3MRI在子宫内膜癌中的局限性
MRI在判断子宫内膜癌的子宫肌层浸润深度及宫颈受累等方面存在较高的应用价值, 但也存在一定的误诊率。另外DCE在诊断子宫内膜癌淋巴结转移的灵敏度也较为有限, DWI的应用价值也存在争议[20]。迄今为止, DWI对于子宫肿瘤的诊断仍存在问题, 数据采集和分析的标准化尚无定论, 结果判断准确性受到质疑, 尤其以缺乏标准化限制最为严重[21]。限于临床成像设备不同, 各研究选择的DWI扫描参数也不同, 因此研究结论存在较大差异。因此选择标准化的成像参数进行图像采集和数据分析至关重要。
4展望
综上所述, DWI可以为临床提供形态学意外的功能参数信息, 对于评估肿瘤细胞构成和细胞膜完整性具有显著优势。子宫内膜癌等恶性肿瘤ADC值降低, 在DWI上常表现为高信号。在良恶性肿瘤鉴别诊断方面存在较高的应用价值。DCE通过对比子宫内膜、肌层以及宫颈在不同扫描时期强化特点诊断肿瘤浸润范围。联合采用MRI常规平扫联合DWI、DCE可以较为全面的反映子宫内膜癌的情况, 子宫内膜癌早期诊断率较高, 在判断子宫内膜浸润程度和宫颈受累方面可以提供可靠的依据。随着MRI技术的不断完善和发展, MRI常规平扫联合DWI和DCE将在子宫癌的诊断和分期中中显示出更加广阔的应用前景。
摘要：本研究通过分析MRI常规平扫联合扩散加权成像和动态增强检查在子宫内膜癌诊断和评估临床分期方面的优势和劣势, 总结其各自的应用价值, 联合采用MRI常规平扫联合扩散加权成像 (DWI) 、动态增强 (DCE) 可以较为全面的反映子宫内膜癌的情况, 子宫内膜癌早期诊断率较高, 在判断子宫内膜浸润程度和宫颈受累方面可以提供可靠的依据。