论文部分内容阅读
医学征象是医师诊断肺部疾病的重要依据,它与肺部病灶之间存在着较强的关联性,能够帮助医师判断肺癌的良恶性程度。随着医学CT(Computed Tomography)的广泛应用,肺部CT影像数据呈现爆炸式增长,极大增加了放射科医师的工作量,在疾病诊断过程中容易造成误诊和漏诊。计算机辅助诊断技术能够有效减轻医师的工作负担,辅助他们完成基于医学影像的疾病检测和诊断,同时也提高了诊断稳定性和诊断效率。在海量的已确诊的医学影像数据中,通过图像检索技术获得与待诊断图像相似的病灶图像,这些已确诊的历史病灶的医学征象和诊断方案,为医师提供了强有力的参考,是一种有效的计算机辅助诊断肺部疾病的方法。针对肺部医学征象种类繁多,表现复杂多样,医师在筛查大量医学影像时难以精确和稳定地诊断,本文提出一种基于图像相似性检索的肺结节医学征象识别方法,以帮助医师正确识别结节征象,并为判断肺结节的良恶性提供参考依据。本文方法基于有监督哈希的图像检索技术,从肺结节CT影像库中快速检索出相似病灶图像,然后在检索结果的基础上判断肺结节的征象类型。本文的具体研究内容如下:(1)基于卷积神经网络的肺结节特征提取。特征提取是实现肺结节CT图像检索的基础。由于大多数肺结节同时包含多种征象类型(混合征象),人工提取的底层视觉特征难以有效表达混合征象信息。针对此问题,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的肺结节特征提取方法。该方法首先使用参数共享的CNN训练单一征象数据,通过调整网络参数使其有效识别各个征象;然后将网络参数转移到训练混合征象数据的网络中,通过损失函数和误差反向传播机制来微调网络参数,从全连接层中获得肺结节的语义特征;最后,为了评价提取的肺结节图像特征,使用支持向量机和极限学习机按照征象类型对这些特征进行分类,并对比了纹理特征的分类效果,实验结果表明,本文方法提取的图像特征能更有效表达肺结节的征象信息。(2)基于有监督哈希的肺结节图像检索及征象识别。为了从肺结节图像库中快速且准确地检索出相似图像,提出一种基于有监督哈希的肺结节图像检索方法。首先使用主成分分析算法处理提取的肺结节语义特征,并通过由监督信息构造的哈希函数将图像特征映射为简洁的哈希码,以保留原始特征空间中的语义相似性;然后通过设计自适应的权重向量,采用加权汉明距离衡量肺结节图像的相似度;最后利用k近邻算法从检索结果中识别肺结节的征象类型。公共数据集上的实验结果表明,在48位哈希码长度下,本文方法的肺结节图像检索精度可以达到87.29%,有助于提高肺结节医学征象的识别率。此外,在临床诊断数据中的实验也说明了本文方法能够有效识别肺结节的征象类型。