基于混合貝葉斯網(wǎng)絡的醫(yī)學圖像語義建模及其檢索的研究.pdf

1、醫(yī)學圖像語義檢索的研究正成為醫(yī)學圖像檢索研究的新熱點，也是醫(yī)學迫切需要解決的問題，它是實現(xiàn)醫(yī)學圖像理解的多學科交叉的研究課題，融合了醫(yī)學、圖像處理、模式識別、計算機視覺、機器學習、數(shù)據(jù)庫與人工智能等研究領域。圖像語義檢索的難點和重點在于語義建模和語義相似度度量，而圖像語義建模的核心任務是從反映圖像內(nèi)容的低層視覺特征提取出隱含的、預先未知的高層語義，彌補“語義鴻溝”問題。本文針對醫(yī)學圖像的特點和醫(yī)學臨床的需求，提出了基于混合貝葉斯網(wǎng)絡(h

2、ybridBayesiannetwork，HBN)的醫(yī)學圖像語義建模的方法，分別研究了醫(yī)學圖像語義的多層統(tǒng)計模型、對象語義和高級語義的獲取以及語義相似度度量等內(nèi)容，并將以上方法應用于星形細胞瘤惡性程度的預測，設計了星形細胞瘤惡性程度的語義模型和檢索系統(tǒng)。 本論文的主要研究成果及其創(chuàng)新點包括： 1、提出了引入條件高斯模型來模糊離散化連續(xù)變量的基于混合貝葉斯網(wǎng)絡的醫(yī)學圖像語義建模的方法 (1)考慮到醫(yī)學圖像的特點以及

3、貝葉斯網(wǎng)絡的性能和優(yōu)勢，提出了利用貝葉斯網(wǎng)絡來對醫(yī)學圖像的語義建模，但傳統(tǒng)的貝葉斯網(wǎng)絡只適用于離散變量，而自動提取的圖像特征往往是連續(xù)的，為了可以在貝葉斯網(wǎng)絡中使用連續(xù)變量，并考慮到醫(yī)學圖像特征的模糊性和不確定性，提出了使用條件高斯(conditionalGaussian，CG)模型對連續(xù)的視覺特征進行模糊離散化處理，然后嵌入到貝葉斯網(wǎng)絡中，建立僅利用低層視覺特征的智能模型BN-CG-Low。仿真實驗結(jié)果表明，該模型可以很好地描述圖像的

4、內(nèi)容，從低層視覺特征自動提取高層語義，有效解決“語義鴻溝”問題，并提供了符合醫(yī)學習慣的知識表達。 (2)在第1(1)點的基礎上，考慮到貝葉斯網(wǎng)絡的數(shù)據(jù)融合能力，為了更完整地描述圖像內(nèi)容和提高語義提取的準確率和查全率，提出了融合低層視覺特征和中層語義的語義模型BN-CG，通過與BN-CG-Low的比較實驗，BN-CG可以進一步提高準確率和查全率。 2、給出了基于BN-GMM的醫(yī)學圖像的三層語義模型 醫(yī)學圖像的診斷中

5、，醫(yī)生的思維是著重病變區(qū)域的性質(zhì)和特點，然后綜合考慮從不同角度對病變區(qū)的理解和判斷，最后得出病癥語義。從這個特點出發(fā)，我們提出了首先利用高斯混合模型(Gaussianmixturemodels，GMM)對病變區(qū)域進行模糊識別，實現(xiàn)從視覺特征到對象語義的映射，然后利用貝葉斯網(wǎng)絡融合各種從不同理解角度得到的對象語義，從而建立一個基于BN-GMM的醫(yī)學圖像三層語義模型。與使用K近鄰分類器(KNN)代替GMM的BN-KNN相比，取得了更好的精度

6、和語義的可解釋性。 3、研究了分層的基于語義概率空間距離的語義相似度度量方法 在前面所提出的語義模型中，不同層次的語義其重要性是不一樣的，語義的概率反映了語義的置信度，這也符合醫(yī)學診斷的習慣，因此提出了按照語義層次的不同進行分層處理，在每一層分別通過度量語義的后驗概率空間距離進行語義相似度的度量。將這種度量方法應用于醫(yī)學圖像的語義檢索，取得了令人滿意的查詢結(jié)果。 4、設計了基于BN-SVM的醫(yī)學圖像三層語義模型

7、 考慮到臨床實際中取得大量具有病理結(jié)果的醫(yī)學圖像訓練樣本的困難，很多研究成果表明，在小樣本的情況下，支持向量機(Supportvectormachine，SVM)能取得比GMM更高的識別精度，因此提出了首先利用支持向量機對病變區(qū)域進行識別，實現(xiàn)從低層視覺特征到對象語義的映射，然后利用貝葉斯網(wǎng)絡融合各種從不同理解角度得到的對象語義(來源于不同的SVM)，從而建立一個適用于小樣本的基于BN-SVM的醫(yī)學圖像三層語義模型。實驗結(jié)果表明，