论文部分内容阅读
随着现代医学影像科技技术的日益进步和快速发展,尤其是包括CT之类的先进医学设备的引进,使得大量的人体组织CT医学影像图片与日俱增。这些医学CT图像在医师诊断方面提供有利的参考价值的同时,也给他们带来了巨大的工作负荷。在医学图像的分析和处理技术方面,现如今都存在着较多的难关和挑战,大量关于医学图像的技术应运而生,纹理特征提取技术包括灰度共生矩阵、小波变换、Gabor滤波等,分类技术包括支持向量机、神经网络、决策树等。这些方法在一定程度上都有着各自的适用场景,且有大量的研究人员只针对人体某一个组织的CT图像分类技术方面进行相关研究和改进,在多个组织CT图像研究方面较少见。因此,在以上背景下,本文针对人体内脏组织CT图像,包括肝脏和肺部正常和病变图像的纹理特征提取和自动分类技术两方面进行了一系列的研究。本文的主要创新点和研究成果有以下几个方面:1.本文提出了金字塔小波变换—灰度共生矩阵(PWT-GLCM)两种方法相结合的提取技术。由于灰度共生矩阵只是对图像进行简单的提取,并未进行更深层次的挖掘,因此结合金字塔小波变换对图像进行三层分解。第一,使用金字塔小波变换技术对简单预处理后的医学CT图像进行三个层次的分解,得到不同的子带图像;第二,使用灰度共生矩阵,对上一步经过三层分解后的所有子带图像进行相关参数的提取和计算,结果表明新组合的PWT-GLCM方法在数值和分类效果上优于GLCM。2.本文提出了PCA-KNN分类模型,即使用主成分分析方法对传统的K近邻分类模型进行改进。由于KNN分类模型需要计算待测样本与每个已知样本之间的距离,在多维度的纹理特征情况下,计算量较大。结果显示改进后的KNN分类模型在计算时间复杂度要优于传统的KNN分类模型;在一定的条件下,PCA-KNN的分类准确率优于KNN。3.本文设计并实现了一个人体内脏组织CT图像分类识别系统的原型。该系统着重点在PWT-GLCM阶段和PCA-KNN阶段。通过实验结果验证,在纹理特征提取阶段,PWT-GLCM提取的纹理特征值信息量要高于单一的GLCM;在图像分类阶段,对于相同的样本数目,PCA-KNN分类模型的计算时间要远远低于传统的KNN分类模型,分类准确率在一定的条件下优于KNN,达到了预想的效果。