基于KNN的人體內(nèi)臟組織CT圖像識(shí)別的研究與應(yīng)用.pdf

1、隨著現(xiàn)代醫(yī)學(xué)影像科技技術(shù)的日益進(jìn)步和快速發(fā)展，尤其是包括CT之類的先進(jìn)醫(yī)學(xué)設(shè)備的引進(jìn)，使得大量的人體組織 CT醫(yī)學(xué)影像圖片與日俱增。這些醫(yī)學(xué)CT圖像在醫(yī)師診斷方面提供有利的參考價(jià)值的同時(shí)，也給他們帶來了巨大的工作負(fù)荷。在醫(yī)學(xué)圖像的分析和處理技術(shù)方面，現(xiàn)如今都存在著較多的難關(guān)和挑戰(zhàn)，大量關(guān)于醫(yī)學(xué)圖像的技術(shù)應(yīng)運(yùn)而生，紋理特征提取技術(shù)包括灰度共生矩陣、小波變換、Gabor濾波等，分類技術(shù)包括支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、決策樹等。這些方法在一定程度上

2、都有著各自的適用場景，且有大量的研究人員只針對(duì)人體某一個(gè)組織的CT圖像分類技術(shù)方面進(jìn)行相關(guān)研究和改進(jìn)，在多個(gè)組織CT圖像研究方面較少見。因此，在以上背景下，本文針對(duì)人體內(nèi)臟組織CT圖像，包括肝臟和肺部正常和病變圖像的紋理特征提取和自動(dòng)分類技術(shù)兩方面進(jìn)行了一系列的研究。
　　本文的主要?jiǎng)?chuàng)新點(diǎn)和研究成果有以下幾個(gè)方面：
　　1.本文提出了金字塔小波變換—灰度共生矩陣（PWT-GLCM）兩種方法相結(jié)合的提取技術(shù)。由于灰度共生矩陣只

3、是對(duì)圖像進(jìn)行簡單的提取，并未進(jìn)行更深層次的挖掘，因此結(jié)合金字塔小波變換對(duì)圖像進(jìn)行三層分解。第一，使用金字塔小波變換技術(shù)對(duì)簡單預(yù)處理后的醫(yī)學(xué)CT圖像進(jìn)行三個(gè)層次的分解，得到不同的子帶圖像；第二，使用灰度共生矩陣，對(duì)上一步經(jīng)過三層分解后的所有子帶圖像進(jìn)行相關(guān)參數(shù)的提取和計(jì)算，結(jié)果表明新組合的PWT-GLCM方法在數(shù)值和分類效果上優(yōu)于GLCM。
　　2.本文提出了PCA-KNN分類模型，即使用主成分分析方法對(duì)傳統(tǒng)的K近鄰分類模型進(jìn)行改進(jìn)

4、。由于KNN分類模型需要計(jì)算待測樣本與每個(gè)已知樣本之間的距離，在多維度的紋理特征情況下，計(jì)算量較大。結(jié)果顯示改進(jìn)后的KNN分類模型在計(jì)算時(shí)間復(fù)雜度要優(yōu)于傳統(tǒng)的KNN分類模型；在一定的條件下，PCA-KNN的分類準(zhǔn)確率優(yōu)于KNN。
　　3.本文設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)人體內(nèi)臟組織CT圖像分類識(shí)別系統(tǒng)的原型。該系統(tǒng)著重點(diǎn)在PWT-GLCM階段和PCA-KNN階段。通過實(shí)驗(yàn)結(jié)果驗(yàn)證，在紋理特征提取階段，PWT-GLCM提取的紋理特征值信息量要高