醫(yī)學(xué)圖像的多特征融合和識別研究與應(yīng)用.pdf

1、隨著醫(yī)學(xué)圖像采集設(shè)備(如X光、CT和MRI)的普及，醫(yī)學(xué)圖像依然成為了記錄和保存病人生理疾病信息的重要載體。一方面，醫(yī)學(xué)圖像日復(fù)一日的增加，給醫(yī)生工作者帶來了額外的負擔(dān)，并且一些器官病變結(jié)構(gòu)十分復(fù)雜，使得難易通過肉眼觀察給予客觀判斷；另一方面，隨著計算機性能的提升和模式識別技術(shù)的進一步發(fā)展，使得依賴計算機進行智能醫(yī)學(xué)圖像識別向前邁進一步。然而，由于醫(yī)學(xué)圖像信息豐富，包含器官結(jié)構(gòu)復(fù)雜，對于提取特征和識別過程有一定難度。單一的特征只包含某一

2、方面的信息，缺乏全面性。因此如何將多特征融合應(yīng)用在醫(yī)學(xué)圖像識別中，是當(dāng)前計算機科學(xué)和醫(yī)學(xué)跨學(xué)科領(lǐng)域研究的重要課題。
　　本文主要研究醫(yī)學(xué)圖像特征提取和多特征融合算法及其在識別分類中的應(yīng)用，具體創(chuàng)新點和主要貢獻包括：
　　1、提出了基于Haar卷積模板的混合濾波快速提取SURF算法。通過對Haar小波響應(yīng)中卷積模板的改進，使得在不依賴額外資源和損失特征判別性的前提下，將SURF特征的提取時間節(jié)省27％左右。
　　2、改進

3、了基于核函數(shù)的典型相關(guān)分析多特征融合算法。通過對每一對典型相關(guān)向量賦予不同的權(quán)重信息，使得特征之間的相關(guān)性更加顯著，在多特征融合和醫(yī)學(xué)圖像識別方面，相對于其他融合算法提高約5%，相對于單一特征提高約10%。
　　3、提出了基于混合屬性的譜聚類相似度量算法。通過引入局部尺度和局部密度的概念，使得相似矩陣更加趨于塊狀化。相對于其他主流的譜聚類算法，簡單有效，在準(zhǔn)確率上有大幅度地提升。
　　4、提出了新的基于視覺詞典學(xué)習(xí)的多特征融