论文部分内容阅读
医学图像的检索以及诊断技术研究作为计算机科学和医学的交叉研究领域,逐渐成为国内外医学以及计算机科学领域的重要研究方向之一。利用数据挖掘技术可以挖掘出蕴含在图像内部丰富的特征信息与规则,从而辅助医生进行相似案例的比较以及对图像的诊断,学术价值较高并且应用前景广泛。目前,利用数据挖掘技术对医学图像的研究不多,并且还存在许多问题。研究并探索出利用数据挖掘方法对医学图像进行高效而准确的处理具有现实而重要的意义。图像的有效分割可以保证之后提取出来的图像特征的可信度,本文提出了一种自适应区域生长方法,利用关联规则对图像特征进行提取,并改进关联分类引擎算法(Associative Classifier Engine,ACE)实现对医学图像的分类。本论文主要研究了以下几个方面:首先,针对肿块图像分割这一难题,提出了一种自适应区域生长方法对肿块图像进行分割。首先利用最小二乘法拟合出肿块感兴趣区域(ROI)的背景区域,利用原区域减去背景区域得到预处理后的ROI,再利用图像的梯度信息自适应地对图像进行生长,实现对肿块的分割,将算法的分割结果与手动分割进行对比,采用误分率评估该方法。其次,针对图像特征的选择,提取出每个感兴趣区域的形状特征及纹理特征共32个,采用基于关联规则的特征选择算法对图像特性进行选择,相比其它特征选择算法,所选取的特征的检索性能更出众。然后,建立并实现医学图像关联分类模型,采用最小描述长度方法(minimum descriptionlength,MDL)离散化图像的连续特征,利用离散化的特征提取分类关联规则,改进ACE算法实现了对医学图像的关联分类,提高了分类精度。最后,建立了一个包含219幅乳腺X图像的ROI的数据库,同时建立一个相应的图像特征库,为用户提供了一个方便的ROI查询及更新系统。