论文部分内容阅读
现代影像技术的产生为人类认识并改造自身提供了新的途径，随之而来的各种围绕此技术的分析处理需求为研究工作者提供了新的机遇和挑战。基于医学磁共振图像的分割与分类算法在医学影像处理领域中占有重要的地位。其中，医学图像分割技术在整个影像处理过程中处于基础环节，它为后续的定量分析提供了解决方案。而医学图像分类技术的主要目的是利用计算的方法实现对疾病的辅助或自动诊断，提高对病人的检测准确率并减轻临床医生的工作负担。虽然，已经有很多的研究人员在医学图像分割和分类方法上进行了深入的研究并取得了长足的进步，但是还是要面临很多的挑战，距离临床应用还有一段路要走。在本文中，我们在前人方法的基础上进行了深入的研究，取得了一系列创新成果。
在脑图像分割领域最近的研究中，基于多图谱的医学图像分割由于其有效性而受到了研究人员的重视，但是由于其研究时间较短，在此框架下的算法并不成熟。我们系统研究了基于多图谱图像分割算法，针对其中的不足，提出了多种改进方案:
1.针对基于多图谱的医学图像分割算法中标签融合算法需要人为预先定义模型，所得结果不是最优的情况，我们提出了一种局部标签学习的方法来估计目标图像的分割结果。结合支持向量机(SVM)和K近邻(KNN)算法，我们利用目标图像对应位置的图谱中的近邻的体素作为训练集为目标图像的每一个体素点训练了一个分类器，通过把训练的分类器作用在对应的目标图像的对应位置实现了对整幅图像的分割。通过在对公共数据集和自有数据集上的海马分割实验结果验证，我们方法的结果显著的优于目前最先进的算法。
2.针对基于多图谱分割的算法配准时只利用图像之间表观相似性进行配准的现状，我们提出了通过提高图谱图像与目标图像之间配准精度的方法来进一步提高基于多图谱分割算法的精度。在具体步骤上，利用迭代的方法，我们把上一步中对待分割图像的分割结果引入到当前步中图谱与分割图像的配准过程中，相当于在分割过程中加入了一个基于形状的约束项。验证结果显示我们的算法随着迭代过程的进行可以持续的提高最终分割算法的精度。
3.在整体考虑到传统多图谱方法中配准误差和标签融合误差导致最终分割结果精度不理想的情况下，我们提出了一种迭代的模型，通过利用一个完整的包括多通道配准，标签融合和基于机器学习的错误修正算法框架，大幅度的提高了原有分割算法的精度。
在利用图像进行疾病诊断的研究中，不同的研究算法选择利用了不同的图像模态，特征或分类器进行试验。针对现有的方法集中在特征水平上进行融合，而没有考虑不同的分类器可以对分类效果提供互补信息的问题。我们设计了一种基于元学习的方法在分类器的水平上进行分类。通过结合基于装袋堆叠(BaggingofStacking)的投射算法和K近邻（KNN）算法的优点，我们的方法同时考虑了图像模态，特征和分类器的多样性，更重要的是，由于我们的方法实现了分类器和底层特征之间的分离，现有的各种方法都可以扩展到我们的分类框架中。基于老年痴呆病人图像分类试验展示了我们算法的有效性。