论文部分内容阅读
随着医学影像设备在临床工作中日益广泛的应用,医院每天都会产生大量的医学图像数据。如何有效地组织、管理和检索大规模的医学图像数据,是当前迫切需要解决的问题。将基于内容的图像检索(CBIR)引入医学图像数据库中研究是一项非常有意义的工作,在临床、医学教学、科研以及医学图像归档和通信系统(PACS)中都有着重要作用。
纹理是医学图像的一个显著特征,也是基于内容图像检索中的一个重要手段。医学图像包含大量临床相关的纹理信息,根据各种纹理分布可以区分不同的医学疾病。本文主要研究了两种纹理特征提取方法,并引入了人机交互的相关反馈,主要工作如下:
本文将分形技术用于医学图像特征提取,并对分形维估算方法进行改进,提高了分形维的估算精度。用改进的方法对图像进行单分形维分析,得到了正常的与常见的几类肺部疾病的CT图像具有明显不同的分形维值,大部分值区分度较强,即单分形维对大部分病变具有较好的识别能力。针对单分形维对一些整体特征相近的图像区分能力较弱的不足,本文进一步提出多分辨率分形维特征提取方法。它对肺部CT图像的分形维描述的更细致,能从各个角度和尺度对图像进行区分。将该方法在含有肺癌等240幅医学图像的数据库中进行系统仿真,采用平均距离比较图像间的相似性,实验结果具有较高的查全率和查准率。
为了解决多分辨率分形方法不适用于旋转图像库的问题,本文又引入一种“Uniform”形式的LBP(局部二值模式)纹理特征提取算子,该算子具有旋转不变性,并且计算复杂度低。同时,为了增加图像的局部和空间信息,在用LBP提取特征前先对图像分块,并且采用一种环形分块的方法避免了通常的分块会破坏LBP特征旋转不变性的问题。在医学图像数据库中进行系统仿真,采用基于分块的X2概率统计比较图像间的相似性,实验结果验证了该方法对旋转不敏感,对旋转图像具有较好的检索效果,同时该方法明显降低了计算量,减少了检索时间,实时性效果好。
为了弥补计算机和人在理解图像上的差异,在前面两种纹理方法建立的仿真检索系统上,引入支持向量机用于反馈。并且针对训练样本少的问题,通过累积每轮反馈得到的正负样本来增加训练样本,最终检索性能得到进一步改善。