醫(yī)學圖像的自動標注.pdf

1、隨著醫(yī)學成像技術的發(fā)展，數(shù)字醫(yī)學圖像在輔助診斷、教學和生物醫(yī)學研究領域發(fā)揮了日益增大的作用；與此同時，醫(yī)學影像的數(shù)量也與日劇增。面對這些海量的醫(yī)學圖像數(shù)據(jù)，如何從中找出需要的圖像成為一個日益迫切的問題，因此醫(yī)學圖像檢索逐漸成為了一個重要的研究方向。傳統(tǒng)的醫(yī)學圖像檢索都是基于文本的檢索，依賴于對圖像手工添加標簽，存在著耗時耗力，以及主觀性強的缺點，這使得醫(yī)學圖像的自動標注成為了一個重要的研究課題。
　　自動圖像標注是圖像檢索任務中重

2、要而具有挑戰(zhàn)性的工作，本文結合醫(yī)學圖像的特點，對醫(yī)學圖像的底層特征進行了針對性地的研究，并探索了不同的醫(yī)學圖像自動標注算法。本文主要的工作如下：
　?。?）回顧了圖像標注和醫(yī)學圖像標注近年來技術發(fā)展的歷程，展望了今后研究的方向。
　　（2）介紹了并分析了適合醫(yī)學圖像分類的多種視覺特征，比如：Patch、灰度共生矩陣、Tamura、Gabor、LBP、SIFT、modSIFT。
　?。?）當采用局部特征時，如果能利用好特

3、征的空間位置信息將有利于分類精度的提高。為了提高處理速度，我們采用Patch做為局部特征，并利用空間金字塔的方式引入空間位置信息，使得特征能更好的表達圖像信息，然后采用SVM分類器進行分類。并把該方法與當前先進的方法進行了比較，我們的方法能取得相當或稍好的分類的精度。
　　（4）當圖像數(shù)量增加，分類類別數(shù)增多時，如何提高分類算法的效率就變得非常重要。我們研究了Boosting算法在醫(yī)學圖像模式分類的應用，比較了幾種用于多類分類的B