醫(yī)學(xué)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(shè)備的普及，醫(yī)院每天產(chǎn)生大量的影像數(shù)據(jù)。為有效地管理這些海量數(shù)據(jù)，PACS(PictureArchivingandCommunicationSystems)系統(tǒng)被越來越多的醫(yī)院所采用。當前PACS系統(tǒng)的功能主要集中在醫(yī)學(xué)影像數(shù)據(jù)的存檔、傳輸及壓縮方面，而對影像數(shù)據(jù)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(shù)找出和該圖像內(nèi)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(xué)研究也對影像數(shù)據(jù)、數(shù)據(jù)媒介進行有效管理和檢索也產(chǎn)生了巨大需求。為此在PACS的基礎(chǔ)上擴展如圖像檢索，輔助診斷等功能是PACS系統(tǒng)發(fā)展的必然。然而基于文本的數(shù)據(jù)庫管理方式由于其主觀性、人工性等原因已經(jīng)漸漸無法滿足大規(guī)模醫(yī)學(xué)圖像數(shù)據(jù)庫的檢索需要，為此基于內(nèi)容的圖像檢索(Content-BasedImageRetrieval，CBIR)技術(shù)成為近年來該領(lǐng)域中的研究熱點。自上個世紀90年代開始，CBIR技術(shù)經(jīng)過十多

3、年的發(fā)展，其研究開發(fā)和商業(yè)應(yīng)用都有了長足的發(fā)展。 相比其它圖像，醫(yī)學(xué)圖像分辨率低噪聲高，通常只包含灰度信號，難以實現(xiàn)自動化處理，故CBIR在醫(yī)學(xué)應(yīng)用領(lǐng)域面臨巨大挑戰(zhàn)。在醫(yī)學(xué)影像診斷中，臨床診斷決策一般是根據(jù)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(xué)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?；谝陨戏治?/p>

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(xué)圖像檢索中的應(yīng)用是本文研究的基本內(nèi)容。本文重點研究腦部醫(yī)學(xué)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(xué)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(xué)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(nèi)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(shù)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(shù)不穩(wěn)定問題，實現(xiàn)了對MR和CT腦組織圖像的有效快速分割。 在區(qū)域模糊內(nèi)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(shù)隸屬度函數(shù)對這些硬特征模糊化轉(zhuǎn)化成模糊特征。指數(shù)隸屬度函數(shù)相對于其它常用隸屬度函數(shù)有計算簡單、易于擴展等特點。在指數(shù)隸屬度函數(shù)的基礎(chǔ)上，本文推導(dǎo)了基于指數(shù)隸屬度函數(shù)的模糊相似度計算方法，進而提出了在多個模糊內(nèi)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(jié)果的影

7、響，本文提出了一種基于模糊二叉樹結(jié)構(gòu)的圖像檢索方法。該方法根據(jù)二叉樹結(jié)構(gòu)將圖像分成若干區(qū)域，并根據(jù)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(jié)構(gòu)特征，然后引入指數(shù)隸屬度函數(shù)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(jīng)典的基于模糊區(qū)域內(nèi)容特征的圖像檢索算法(UnifiedFeatureMatching，UFM)的基礎(chǔ)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(nèi)容特征，還使用到了模糊結(jié)構(gòu)特征；二是區(qū)域匹配的時候能夠根據(jù)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(guān)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(quán)重調(diào)整的相關(guān)反饋結(jié)合起來，在指數(shù)模糊隸屬度函數(shù)的基礎(chǔ)上提出了一種基于模糊區(qū)域特征的相關(guān)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(yīng)區(qū)域之間的模糊相似度的加權(quán)乘積，給每個區(qū)域分配一個加權(quán)向量，給區(qū)域中的不同特征分配一個對稱矩陣。加權(quán)向量為不同特征之間分配權(quán)重，對稱矩陣將對應(yīng)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(guān)反饋的基礎(chǔ)上結(jié)合了基于全局小波能量特征的SVM(SupportVectorMachine)相關(guān)反饋，全局特征反饋同時使用正例