ARMA模型的早期肝纤维化检测结果分析

本文以大鼠肝为实验对象，对肝组织的超声RF时间序列进行ARMA建模。本章首 先介绍了实验前动物模型的建立、实验的样本和超声RF时间序列的获取和处理。接着， 通过ARMA模型的特征箱线图对早期肝纤维化程度识别做定性分析，利用本文第二章 2.3节中介绍的三种不同参数估计算法计算ARMA模型参量和2.2.3小节中的方法确定 ARMA模型的阶数。针对不同的参数估计算法和不同阶数下的ARMA模型参数对早期 肝纤维化程度的2类别、3类别和5类别绘制相应的特征箱线图，通过比较早期肝纤维 化各类别的特征箱线图效果，可以定性分析ARMA模型中某些特征对早期肝纤维化程 度识别的可行性及有效性。接着，展示了超声RF时间序列建立ARMA模型的特征在随 机森林分类器下，对不同类别的肝纤维化程度的识别结果，其中包括三种不同参数估计 算法和不同阶数下的ARMA模型的识别结果，并分别对实验结果进行了详细的分析。 最后需要说明的是，下文中分析的ARMA模型特征与不同类别下肝纤维化样本的相关 性，特征均为ROI大小取20x70像素的计算结果；下文对ARMA模型特征的表示，是 将AR模型部分的特征用％表示，MA模型部分的特征用^表示。

4.1肝维化的动物模型、实验样本及程度识别模型的构建 4.1.1动物模型建立

本文研究的大鼠均为中山大学肿瘤医院提供，所做实验均依照动物护理和使用委员 会协议要求。对体重在220-250g左右的Sprague-Dawley大鼠，每周的前三天在腹腔内 注射1.0ml/kg的1%二甲基亚硝铵（DMN) ^[76]，诱导大鼠产生不同的肝纤维化程度。七 周后，停止向大鼠体内注射药物。采集数据前，对大鼠进行气麻，维持大鼠是静止状态， 接着医疗人员在SonixTouch超声诊断仪上采集不同肝纤维化大鼠和正常大鼠的RF回波 信号，并将采集的文件以.RF文件格式存储。

4.1.2实验样本

实验样本，由病理学家依据METAVIR评分系统对大鼠的肝进行纤维化分级，其中 肝纤维化程度为0级、1级、2级、3级和4级的肝纤维化样本分别为10、26、45、18 和11。研究对象大鼠的肝纤维化程度表如下表4-1所示，

表4-1研究对象大鼠肝纤维化分期的样本数量

肝纤维化分期S (METAVIR评分系统）	肝纤维化样本数量
0	10
1	26
2	45
3	18
4	11
大鼠总数量	110

4.1.3肝纤维化程度模型构建

基于ARMA模型的早期肝纤维化检测整个数据流程及建模过程如下：©首先将从 在体大鼠中采集的RF回波信号以RF文件格式存储；©在系统软件上读取并解析RF文 件;©抽取其中的某一帧进行希尔伯特变换，接着显示B型图；©从B型图上选择ROI， 同时对ROI内的某点取多帧RF数据就构成了 RF时间序列；©对获取的RF时间序列 建立ARMA模型，获取模型特征;©将所获得的样本特征分为训练集和测试集，比例为 7:3,利用训练集训练随机森林分类器，随机森林的分类回归树数量为300,树的深度为 6;©利用测试集检验肝纤维化识别模型，最后对模型进行评估。基于ARMA模型的早 期肝纤维化识别模型的构建流程图如图4-1所示。

4.6基于ARMA模型的早期肝纤维化程度识别结果分析

本节采用了三种不同参数估计算法估计ARMA模型参数，将5级肝纤维化分期按 照不同分组分为二类别、三类别和五类别问题，利用随机森林分类器评估早期肝纤维化 分期不同类别下的分类效果，同时也比较了不同ROI大小对模型分类精度的影响。本文 所求的平均分类精度和标准差是在同样的实验条件下，记录不同的ARMA模型在不同 类别下的20次分类精度，剔除最好和最差结果后，对剩余的结果求平均，分别计算出 该分类情况下的平均分类精度和标准差。

4.6.1基于ARMA模型对肝纤维化程度二分类识别结果分析

本节展示了以肝纤维化程度S>1、S>2、S>3、S24为不同研究终点分组，利 用随机森林分类器对不同ROI大小下的三种不同参数估计的ARMA模型特征进行分类， 其识别结果如表4-2〜表4-4所示。其中，表4-2为基于RLS_LS参数估计算法下ARMA 模型对肝纤维化分期二分类的识别结果，表4-3为基于GW_LS参数估计算法下的ARMA 模型对肝纤维化分期二分类的识别结果图，表4-4为CARMA(4,3)模型对肝纤维化分期

:分类的识别结果图。

表4-2基于RLS_LS算法下的ARMA模型对肝纤维化样本二分类识别结果

分类器		随机森林（Random Forest)
		平均分类精度（mean ± STD %〇)
肝纤维化病理分期		>1	>2	>3	>4
ROI大小	模型阶数
	ARMA(3,2)	93.18±3.92	84.09±3.92	88.64±4.80'	93.94±3.41
10x60像素	ARMA(3,3)	92.27±4.11	84.85±6.45	87.73±4.96	93.94±3.54
	ARMA(4,3)	93.79±2.68	83.48±5.42	90.00±5.91	94.09±3.61
	ARMA(3,2)	92.73±3.01	83.79±5.59	87.88±4.51	93.64±3.09
20x70像素	ARMA(3,3)	92.42±4.56	82.87±5.23	88.03±4.96	93.33±4.12
	ARMA(4,3)	92.27±3.03	86.52±6.09	88.18±4.15	94.24±4.04
	ARMA(3,2)	92.27±4.11	85.91±5.04	88.33±6.39	94.70±2.93
25x75像素	ARMA(3,3)	92.58±3.33	86.41±6.17	85.45±5.86	91.67±4.38
	ARMA(4,3)	93.79±2.69	86.21±5.43	86.36±6.33	94.39±4.42

从表4-2可以看出，以随机森林作为分类器，基于RLSLS参数估计算法下的

ARMA(3,2)、ARMA(3,3)、ARMA(4,3)模型特征对肝纤维化病理S23、

的分类准确度没有很大的差异；不同ROI大小下不同阶数的ARMA模型对肝纤维

化病理S > 1的平均分类精度都高于92%，当ROI大小为10x60像素时，ARMA(4,3)模

型的平均分类精度最高且标准差最小，分别为93.79%和2.68；当ROI大小取20x70像

素时，ARMA(4,3)模型对肝纤维化病理^ > 2分类效果最好，平均分类精度可达86.52%，

标准差为6.09；区分肝纤维化病理S23最好的模型是ROI大小为10x60像素的

ARMA(4,3)模型，分类精度为90.00%，标准差为5.91_;在ROI大小为10x 60像素和20x70

像素时，ARMA(4,3)模型都是对肝纤维化程度S24分类效果最好的模型；ROI大小为

25x75像素时，ARMA(3,2)模型参数区分肝纤维化病理S >4的平均分类精度最高达

94.70%，标准差为2.93。从整体分类效果看，ROI大小为10x60像素时，RLS_LS参数

估计算法下的ARMA(4,3)模型对肝纤维化病理S>1、S>2、S>3、S24的分类效果

最好，同时也说明基于RLS_LS参数估计算法下的ARMA模型阶数选择4和3时，对

超声RF时间序列建立的ARMA模型较好。

表4-3基于GW_LS算法下的ARMA模型对肝纤维化样本二分类识别结果

随机森林（Random Forest)

分类器    

平均分类精度（mean ± STD %)

肝纤维化病理分期		>1	>2	>3	>4
ROI 大小	模型阶数
	ARMA(3,2)	92.42±5.52	85.30±5.59	88.94±5.04	93.18±4.27
10x60像素	ARMA(3,3)	92.43±3.61	86.21±5.69	86.82±5.22	92.58±3.33
	ARMA(4,3)	93.94±4.05	86.06±4.10	90.00±4.18	92.73±4.22
	ARMA(3,2)	93.49±5.04	86.21±6.98	87.42±5.23	94.24±2.76
20x70像素	ARMA(3,3)	92.27±5.06	83.18±5.06	86.97±4.18	93.33±4.57
	ARMA(4,3)	93.03±3.28	85.45±4.97	86.21±4.22	92.27±4.86
	ARMA(3,2)	93.79±3.61	88.48±5.17	86.06±5.05	93.03±2.97
25x75像素	ARMA(3,3)	93.33±3.34	85.45±4.01	87.27±6.50	93.03±3.56
	ARMA(4,3)	93.34±4.01	83.94±4.83	88.33±5.59	91.82±4.62

表4-3展示了不同ROI大小下，基于GW_LS参数估计算法的三种不同阶数的ARMA 模型参数对肝纤维化程度^>1、^>2、^>3、^>4的平均分类结果。从表中可以看

出，ROI大小选10x60像素时，ARMA(4,3)模型对肝纤维化分期的平均分类精度 达93.94%，比其他ROI大小下的其他模型阶数分类效果都好；对肝纤维化病理^>2分 类效果最好的模型是ROI大小为25x75像素下的ARMA(3,2)模型，平均分类精度为 88.48%；当ROI大小为10x60像素，ARMA(3,2)模型参数对肝纤维化程度S > 3的平均 分类精度最高，为90.00%；区分肝纤维化程度X》4最好的模型是ROI大小为20x70像 素时的ARMA(3,2)模型，平均分类精度为94.24%。对表4-3显示的分类情况做整体分 析可知，ROI大小为25x75像素时，基于GW_LS参数估计算法下的ARMA(3,2)模型对 肝纤维化程度5^1、S>2、X》3、S24的分类整体效果最好。

表4-4 CARMA (4,3)模型对肝纤维化样本二分类识别结果

分类器		随机森林（Random Forest)
		平均分类精度（mean ± STD 0/〇)
肝纤维化病理分期		>1	> 2	>3	>4
	10x60像素	88.92±4.22	81.85±6.11	82.78±5.47	90.04±5.28
ROI 大小	20x70像素	89.33±4.88	81.46±4.45	83.33±5.54	90.89±4.35
	25x75像素	89.12±5.15	82.21±5.11	83.04±6.38	91.32±3.03

比较表4-4与表4-2、表4-3可知，CARMA(4,3)模型参数对肝纤维化病理X > 1、X > 2、

X》3、X》4的分类效果没有基于RLS_LS参数估计算法下ARMA模型和基于GW_LS 参数估计算法的ARMA模型好。

♦        10x60 pixels ■ 20x70 pixels A 25x75 pixels

96 94 92 90 88 86 84 82 80 78

	1	2	3	4
10x60 pixels	93.79	83.48	90	94.09
20x70 pixels	92.27	86.52	88.18	94.24
25x75 pixels	93.79	86.21	86.36	94.39

♦        10x60 pixels ■ 20x70 pixels 蠱 25x75 pixels

96

94

92

90

88

86

84

82

80

93.79

94.24

12      3        4

	10x60 pixels	92.42	85.3	88.94	93.18
—■	卜 20x70 pixels	93.49	86.21	87.42	94.24
	25x75 pixels	93.79	88.48	86.06	93.03

图4-34基于GW_LS算法下的ARMA(3,2)模型在不同ROI下的分类精度 图3-33和图3-34是基于RLS_LS参数估计算法下的ARMA(4,3)模型特征和基于

GW_LS参数估计算法下的ARMA(3,2)模型特征，在不同ROI大小下，对肝纤维化病理 夕>1、夕>2、夕>3、夕>4的平均分类精度的影响。从图3-33可以看出，在ROI大小

为10 x 60像素时，RLS_LS参数估计算法下的ARMA(4,3)模型特征对S > 1> 3、夕> 4 的平均分类精度较高。图3-34可以看出，当ROI大小为25x75像素，基于GW_LS参 数估计算法下的ARMA(3,2)模型特征对5>1、S>2、S>3、S24的平均分类精度都 较好。从图3-33和图3-34中可以看出，ROI大小对基于ARMA模型的早期肝纤维化分 期的影响并不大。

1.  ARMA模型特征与Ying方法^[24]在肝纤维化程度二分类比较研究

为了验证ARMA模型特征对早期肝纤维化检测的有效性，本文将RLS_LS参数估 计算法下的ARMA(4,3)特征与Ying方法^[24]中使用的Voigt模型粘弹性特征对肝纤维化 程度5 > 1、5 > 2、5 > 3识别的ROC曲线面积作比较，如表4-5所示。利用ROC曲线 计算了 RLS_LS参数估计算法下的ARMA(4,3)特征识别肝纤维化程度S>1、S>2、

5 > 3、5>4ROC 曲线下面积，分别为 0.993(5>1)，0.988(5>2)，0.974(5>3)， 1.0(524)，如图 4-35 所示。

从表4-5可以看出，基于RLS_LS参数估计算法下的ARMA(4,3)模型特征区分肝纤

维化程度5>1、5>2、5>3、5>4能力高于Ying方法中提出的Voigt模型的弹性特

征和粘度特征。基于RLS_LS参数估计算法下的ARMA(4,3)模型特征对肝纤维化病理

65

2.  ARMA模型特征对肝纤维化程度三分类识别结果分析

利用随机森林分类器识别正常肝（SO)、轻度和中度肝纤维化（S1、S2和S3)、重 度肝纤维化（S4)，在不同参数估计算法下的ARMA模型的识别结果如表4-6所示。

表4-6不同参数估计算法下ARMA模型特征对肝纤维化程度三分类识别结果

ROI大小&&参数估计算法&&模型阶数			随机森林分类器
			平均分类精度mean ± STD(%)
10x60像素	RLS_LS参数 估计算法	ARMA(3,2)	88.33±4.84
		ARMA(3,3)	89.24±3.99
		ARMA(4,3)	90.61 土 4.38
	GW_LS参数 估计算法	ARMA(3,2)	87.58±5.97
		ARMA(3,3)	90.45土 4.09
		ARMA(4,3)	88.94±4.20
	C ARMA参数 估计	CARMA(4,3)	85.62±4.37
20x70像素	RLS_LS参数 估计算法	ARMA(3,2)	87.58±3.80
		ARMA(3,3)	86.82±5.04
		ARMA(4,3)	88.18 土 4.70
	GW_LS参数 估计算法	ARMA(3,2)	87.88±5.20
		ARMA(3,3)	86.82±6.31
		ARMA(4,3)	89.24土 5.06
	C ARMA参数 估计	CARMA(4,3)	85.73±5.87
25x75像素	RLS_LS参数 估计算法	ARMA(3,2)	90.78土 4.22
		ARMA(3,3)	85.30±5.13
		ARMA(4,3)	89.70±5.33
	GW_LS参数 估计算法	ARMA(3,2)	89.85±3.44
		ARMA(3,3)	88.64±3.66
		ARMA(4,3)	88.03±5.86
	C ARMA参数 估计	CARMA(4,3)	85.02±6.42

表4-6展示了三种ROI大小下，三种参数估计算法的ARMA模型特征对早期肝纤

维化三分类的识别效果，其中基于RLS_LS参数估计算法和GW_LS参数估计算法的 ARMA模型包括三种不同的阶数。从表中可以看出ARMA模型特征在随机森林分类器 下对肝纤维化程度三分类的平均识别精度均高于85%；在ROI大小取10x60像素和 20x70像素时，基于RLS_LS参数估计算法的ARMA(4,3)模型特征识别正常肝（S0)、 轻度和中度肝纤维化（S1、S2和S3)、重度肝纤维化（S4)的平均法分类精度高于该参 数算法下的ARMA(3,2)和ARMA(3,3)模型；ROI大小取25x75像素，基于RLS_LS参 数估计算法下的ARMA(3,2)模型特征区分肝纤维化程度三分类的平均准确率最高，为 90.78%;当ROI大小为10x60像素，基于GW_LS参数估计算法下的ARMA模型并没 有哪种阶数的ARMA模型会更优，GW_LS参数估计算法下的ARMA(3,3)模型对肝纤维 化程度的三分类平均精度为90.45%; CARMA(4,3)模型的平均分类精度明显低于其他两 种参数估计算法下的ARMA模型；RLS_LS参数估计算法下的ARMA模型与GW_LS 参数估计下的ARMA模型比较，基于RLS_LS参数估计算法下的ARMA模型的最高的 平均分类精度高于GW_LS参数估计算法下的ARMA模型，但整体来说，两种参数估 计算法下的ARMA模型特征对肝纤维化程度三分类问题没有明显的优劣。

3.  ARMA模型特征对肝纤维化程度五分类识别结果分析

本小节展示了三种不同参数估计算法下的ARMA模型特征对大鼠早期肝纤维化程 度五级分类的实验结果，并比较了三种不同ROI大小下的特征对肝纤维化程度识别的影 响，如表4-6所示。从下表中可以看出，在ROI大小取10x60像素，基于RLS_LS参数 估计算法的ARMA模型特征的平均分类精度均高于GW_LS参数估计算法下同阶数的 ARMA模型；当ROI大小为20x70像素时，基于GW_LS参数估计算法下的ARMA(3,2) 模型特征对肝纤维化五级分期的平均分类精度达最高，平均分类精度为77.36%，标准 差为4.67,同时ARMA(3,3)模型是基于RLS_LS参数估计算法下平均分类精度最高的模 型，平均分类精度为76.45%。结合表4-2、表4-3、表4-4以及表4-6可以看出，基于 RLS_LS参数估计算法下的ARMA(4,3)模型对早期肝纤维化程度在三种类别下的整体分 类效果最好，同时也说明了本文提出了基于ARMA模型的早期肝纤维化程度识别方法 是有效的。