醫(yī)學(xué)圖像數(shù)據(jù)挖掘關(guān)鍵技術(shù)的研究.pdf

1、多媒體數(shù)據(jù)獲取和存儲(chǔ)技術(shù)的飛速發(fā)展導(dǎo)致了大規(guī)模多媒體數(shù)據(jù)庫(kù)的出現(xiàn)。多媒體數(shù)據(jù)的類型多種多樣，包括圖像、文本、視頻、音頻等等。對(duì)這些多媒體數(shù)據(jù)進(jìn)行挖掘分析，能夠揭示出很多有意義的信息和知識(shí)。在多媒體數(shù)據(jù)庫(kù)上的挖掘稱為多媒體數(shù)據(jù)挖掘。圖像挖掘是多媒體挖掘的一個(gè)重要組成部分，可以提取出那些隱含在圖像數(shù)據(jù)庫(kù)中的知識(shí)或模式。最近，以醫(yī)學(xué)圖像為對(duì)象的圖像挖掘形成了一個(gè)重要研究領(lǐng)域——醫(yī)學(xué)圖像挖掘。醫(yī)學(xué)圖像挖掘是一個(gè)多學(xué)科交叉的研究方向，涉及到醫(yī)學(xué)、

2、計(jì)算機(jī)視覺(jué)、圖像處理、圖像檢索、機(jī)器學(xué)習(xí)、模式識(shí)別、人工智能、數(shù)據(jù)庫(kù)和數(shù)據(jù)挖掘等等。傳統(tǒng)數(shù)據(jù)挖掘算法很少考慮圖像數(shù)據(jù)和醫(yī)學(xué)領(lǐng)域知識(shí)，不適于醫(yī)學(xué)圖像的數(shù)據(jù)挖掘。
　　本文針對(duì)醫(yī)學(xué)圖像的特點(diǎn)，結(jié)合醫(yī)學(xué)領(lǐng)域知識(shí)，以腦部醫(yī)學(xué)圖像（包括與圖像相關(guān)的文字）為例，集中研究了醫(yī)學(xué)圖像挖掘問(wèn)題，提出了一系列醫(yī)學(xué)圖像關(guān)聯(lián)規(guī)則、分類、相似性搜索和聚類等挖掘算法。本文的創(chuàng)新之處主要表現(xiàn)在如下五個(gè)方面：
　　第一，針對(duì)已有關(guān)聯(lián)規(guī)則算法中存在的只注重優(yōu)

3、化頻繁項(xiàng)集生成過(guò)程，不關(guān)注規(guī)則的生成過(guò)程，只注重優(yōu)化算法的執(zhí)行速度，不關(guān)注挖掘知識(shí)的質(zhì)量，尤其沒(méi)有考慮應(yīng)用領(lǐng)域知識(shí)提高算法效率和挖掘知識(shí)的質(zhì)量等問(wèn)題，本文提出了在領(lǐng)域知識(shí)指導(dǎo)下的醫(yī)學(xué)圖像關(guān)聯(lián)規(guī)則挖掘算法。在頻繁項(xiàng)集的生成算法中，本文根據(jù)領(lǐng)域知識(shí)給出了一個(gè)約束函數(shù)，對(duì)同時(shí)出現(xiàn)在同一個(gè)項(xiàng)集的對(duì)象進(jìn)行了限制，大大減少了頻繁項(xiàng)集的生成。在規(guī)則生成算法中，本文給出另一個(gè)約束函數(shù)，對(duì)出現(xiàn)在規(guī)則前后項(xiàng)的對(duì)象進(jìn)行限制，降低了規(guī)則的數(shù)量，同時(shí)提高了規(guī)則的

4、質(zhì)量。
　　第二，本文針對(duì)醫(yī)學(xué)圖像集合以及醫(yī)學(xué)圖像與相關(guān)文字混合的數(shù)據(jù)集合，構(gòu)建了一個(gè)通用的分類器。對(duì)于醫(yī)學(xué)圖像集合，本文提出了關(guān)聯(lián)分類方法。該方法首先應(yīng)用基于三級(jí)粒度表結(jié)構(gòu)的關(guān)聯(lián)規(guī)則挖掘算法，將上一級(jí)粒度表挖掘得到的結(jié)果用于組成下一級(jí)粒度表，大大壓縮了每次掃描的數(shù)據(jù)表的規(guī)模。由于生成規(guī)則的后項(xiàng)限制為類標(biāo)識(shí)，因此降低了挖掘規(guī)則的數(shù)量。本文將挖掘得到的關(guān)聯(lián)規(guī)則作為分類規(guī)則構(gòu)造了關(guān)聯(lián)分類模型，同時(shí)給出了一個(gè)用于分支選擇的判定規(guī)則，對(duì)關(guān)

5、聯(lián)分類模型無(wú)法給出類標(biāo)識(shí)的圖像，使用基于神經(jīng)網(wǎng)絡(luò)的方法對(duì)醫(yī)學(xué)圖像進(jìn)行分類，取得很好的效果。對(duì)于圖像和文字混合的數(shù)據(jù)集合，本文在醫(yī)學(xué)領(lǐng)域知識(shí)的指導(dǎo)下提出了基于決策樹(shù)的分類算法，給出了與圖像相關(guān)的文字的泛化規(guī)則和分類度量屬性的優(yōu)先級(jí)，避免了選擇分類度量屬性的復(fù)雜計(jì)算過(guò)程。在復(fù)雜混合數(shù)據(jù)分類過(guò)程中，采用聯(lián)機(jī)獲取領(lǐng)域知識(shí)的方法，增加了分類的準(zhǔn)確率和可靠性。
　　第三，本文針對(duì)醫(yī)學(xué)圖像的序列形式，提出了圖像序列相似模式（Image Sequ

6、ence Similarity Patterns，記為ISSP）的概念。對(duì)于各自包含一個(gè)圖像序列的兩個(gè)病患，ISSP是指隱藏在他們中的最長(zhǎng)相似連續(xù)子模式。這些模式在醫(yī)學(xué)上具有很重要的意義，因?yàn)閷?duì)醫(yī)生來(lái)說(shuō)兩個(gè)病患的相似（即圖像序列相似）要比兩個(gè)單一的圖像相似更有實(shí)際意義。本文設(shè)計(jì)了基于領(lǐng)域知識(shí)的算法來(lái)發(fā)現(xiàn)每個(gè)病患的圖像序列模式ISP和病患之間的ISSP，以支持醫(yī)學(xué)圖像序列相似性搜索，提高了檢索的準(zhǔn)確率。
　　第四，本文以具有診斷意義

7、的關(guān)鍵像素區(qū)域（Region of interest,記為ROI）為核心，提出了基于ROI的兩級(jí)聚類策略對(duì)醫(yī)學(xué)圖像進(jìn)行聚類。在醫(yī)學(xué)領(lǐng)域知識(shí)的指導(dǎo)下，本文首先從ROI中提取最相關(guān)的特征，基于這些特征定義了ROI的相似性度量，提出ROI聚類算法。接下來(lái)，本文應(yīng)用信息檢索中的理論定義了ROI在圖像中的權(quán)值和基于ROI權(quán)值的圖像相似性度量，給出了圖像聚類算法，獲得很好的聚類效果。
　　第五，目前還沒(méi)有一個(gè)完整的針對(duì)醫(yī)學(xué)圖像挖掘的系統(tǒng)框架。