论文部分内容阅读
随着医学影像技术的发展,医学影像正为现代医学提供着越来越丰富和详细的信息,各种模态的医学图像(如,X光、CT、MRI等)在临床诊断、教学和科研等方面正发挥着极其重要的作用。近些年来,医学图像数字化的步伐越来越快,数字医学图像的数量也正在迅速增加,并且呈现加速的趋势,如何从这些海量的医学图像中找到需要的图像成为一个日益迫切的问题。但是,目前医学图像检索技术的发展则相对滞后,成为制约数字医学图像充分利用的一个瓶颈。对于异构的医学图像库,如果把医学图像按图像模态、身体部位、器官等属性进行分类,就能有效地改善图像检索的性能。虽然DICOM头部包含了一些属性信息,但DICOM头部信息有很高的错误率,最近的研究表明DICOM头部信息中身体部位字段的错误率达到16%。因此,医学图像自动分类技术逐渐被认识到是进行大型医学图像库检索不可缺少的一环。通过它可以缩小语义间隔,在检索过程中过滤掉不相关的类别、减小搜索空间,从而提高检索的性能。医学图像自动分类就是为医学图像赋予语义类别的标签,这可以看成是一个监督学习的过程。它通过一些机器学习的方法来学习图像特征到语义类别的映射,从而把特征对应的图像按预定义的类别进行分类。医学图像自动分类的研究涉及图像特征提取和分类器的构造两个方面,通常的图像分类算法采用全局特征或者局部特征来表示图像。全局特征是以一幅图像的所有像素来计算的特征,它从整体上来描述图像;局部特征则是用来描述图像的局部细节信息,特别地,近年来人们提出了一些对光照和遮挡具有很强鲁棒性的局部特征。这两种类型的特征提供了关于图像的不同信息,因此,如果能把它们结合起来将能提高医学图像自动分类算法的精度。本文在分析和比较了多种全局特征和局部特征的基础上,探索和研究了两种结合全局特征和局部特征的医学图像分类算法,分别为底层特征融合和高层特征融合。底层特征融合是把不同的特征连接起来组成一个新的特征;高层特征融合把每种特征对应的分类结果进行融合。实验结果表明我们的方法能有效地提高医学图像分类的精度。本文的主要贡献有:(1)从图像特征表示和分类器构造这两个角度回顾了医学图像分类的相关研究现状,展示了该方向的发展趋势。(2)分析了多种常用的全局特征,并通过实验比较了它们在医学图像分类中的性能。(3)分析了当前流行的局部特征,并通过实验比较了它们在医学图像分类中的性能。(4)通过前面的比较,择优选择了几种全局特征和局部特征;并探讨了两种特征融合方式。实验结果表明结合全局特征和局部特征可以提升医学图像检索的精度,采用高层特征融合方式融合分块的LBP特征和分块的ModSIFT特征可以达到最高的分类正确率。