醫(yī)學圖像的特征自動提取及基于模糊特征的圖像檢索研究.pdf

1、隨著CT、MR、X光片等影像設備的普及，醫(yī)院每天產生大量的影像數據。為有效地管理這些海量數據，PACS(PictureArchivingandCommunicationSystems)系統被越來越多的醫(yī)院所采用。當前PACS系統的功能主要集中在醫(yī)學影像數據的存檔、傳輸及壓縮方面，而對影像數據的進一步處理和分析方面還很少涉及。在對未確診臨床圖像進行診斷中，若能通過檢索技術找出和該圖像內容基本相同的各種模態(tài)已診斷圖像，將大大提高臨床診斷的可

2、靠性。另外計算機輔助診斷，教學研究也對影像數據、數據媒介進行有效管理和檢索也產生了巨大需求。為此在PACS的基礎上擴展如圖像檢索，輔助診斷等功能是PACS系統發(fā)展的必然。然而基于文本的數據庫管理方式由于其主觀性、人工性等原因已經漸漸無法滿足大規(guī)模醫(yī)學圖像數據庫的檢索需要，為此基于內容的圖像檢索(Content-BasedImageRetrieval，CBIR)技術成為近年來該領域中的研究熱點。自上個世紀90年代開始，CBIR技術經過十多

3、年的發(fā)展，其研究開發(fā)和商業(yè)應用都有了長足的發(fā)展。 相比其它圖像，醫(yī)學圖像分辨率低噪聲高，通常只包含灰度信號，難以實現自動化處理，故CBIR在醫(yī)學應用領域面臨巨大挑戰(zhàn)。在醫(yī)學影像診斷中，臨床診斷決策一般是根據圖像局部特征(感興趣區(qū)域，RegionOfInterest，ROI)來完成的。為了能夠更細致獲取圖像局域特征表達，還需對醫(yī)學圖像感興趣區(qū)域進行進一步分割。但是分割問題中存在不可避免的不確定性，需引入模糊特征來解決。基于以上分析

4、，感興趣區(qū)域的自動提取，感興趣區(qū)域分割及模糊特征在醫(yī)學圖像檢索中的應用是本文研究的基本內容。本文重點研究腦部醫(yī)學圖像特征自動化提取及基于模糊區(qū)域特征的腦部圖像檢索方法。 在醫(yī)學圖像ROI自動化提取方面，本文提出了一種基于區(qū)域生長法和形態(tài)學方法提取序列顱腦CT圖像腦組織的方法。該方法以圖像中心為起點，沿著螺旋線自動選取種子點進行生長獲得所有腦組織。提出了一種改進的BET算法(BrainExtractionTool)自動從序列MR顱

5、腦圖像中提取腦組織。該方法改進了BET中將曲線演化到腦組織邊界的擴張力，引入了圖像梯度的作用使得曲線在腦組織內部演化快在腦組織邊界附近演化慢，解決了BET算法中邊界溢出問題；簡化了BET中的保持曲線光滑的平滑力，從而提高演化速度。 在腦組織分割方面，本文提出了一種改進的基于參數受限高斯混合模型的EM分割算法，解決了在EM迭代過程中參數不穩(wěn)定問題，實現了對MR和CT腦組織圖像的有效快速分割。 在區(qū)域模糊內容提取及模糊相似度

6、計算方面，本文共提取了分割區(qū)域的平均灰度特征、平均小波紋理特征、全局Gabor紋理特征、全局不變矩形狀特征。并采用指數隸屬度函數對這些硬特征模糊化轉化成模糊特征。指數隸屬度函數相對于其它常用隸屬度函數有計算簡單、易于擴展等特點。在指數隸屬度函數的基礎上，本文推導了基于指數隸屬度函數的模糊相似度計算方法，進而提出了在多個模糊內容特征描述下，區(qū)域模糊相似度計算方法。 在基于模糊特征的檢索算法研究方面，為降低分割不確定性對檢索結果的影

7、響，本文提出了一種基于模糊二叉樹結構的圖像檢索方法。該方法根據二叉樹結構將圖像分成若干區(qū)域，并根據每個區(qū)域的灰度方差決定圖像點屬于該區(qū)域的隸屬度，得到圖像的模糊二叉樹結構特征，然后引入指數隸屬度函數建立各區(qū)域的模糊灰度、小波紋理、Gabor紋理和不變矩形狀特征。在經典的基于模糊區(qū)域內容特征的圖像檢索算法(UnifiedFeatureMatching，UFM)的基礎上，利用這些模糊特征進行圖像間各區(qū)域的匹配及圖像相似度計算。和UFM相比，

8、本文算法有兩點改進，一是不僅利用了圖像模糊區(qū)域內容特征，還使用到了模糊結構特征；二是區(qū)域匹配的時候能夠根據特定準則進行區(qū)域合并，合并之后無須重新計算合并區(qū)域的各特征。實驗表明這些改進使得本算法對分割的不確定性有很好的魯棒性。 為進一步提高檢索性能，本文對相關反饋算法和全局特征進行了研究。 本文將基于模糊區(qū)域特征的圖像檢索和基于權重調整的相關反饋結合起來，在指數模糊隸屬度函數的基礎上提出了一種基于模糊區(qū)域特征的相關反饋方法

9、。該方法利用用戶第一次查詢后選取的正例圖像，通過最大化這些正例圖像區(qū)域和查詢圖像對應區(qū)域之間的模糊相似度的加權乘積，給每個區(qū)域分配一個加權向量，給區(qū)域中的不同特征分配一個對稱矩陣。加權向量為不同特征之間分配權重，對稱矩陣將對應區(qū)域特征進行優(yōu)化映射以使得該特征向量盡量符合用戶對圖像區(qū)域的描述。 本文在模糊相關反饋的基礎上結合了基于全局小波能量特征的SVM(SupportVectorMachine)相關反饋，全局特征反饋同時使用正例