医学图像数据库设计及数据挖掘算法研究

摘要

本文主要致力于以下几个方面的研究和探讨： 1.在分析对象关系数据库的研究思想、技术和方法的基础上,搜集大量经病理确诊的乳腺病变病例,逐步建立起了一个反映东方女性乳腺特点、符合ACR-Index国际通用影像学编码标准和DICOM标准的乳腺X光图文数据库。 2.从医学图像数据库数据存储类型、存储策略、数据库构建流程、数据库结构设计和数据库与前台界面的通信方式等几个方面进行了数据库的研究探索。 3.对医学图像数据挖掘所涉及的一些关键技术和主要算法进行了深入的研究。 4.基于乳腺影像数据库,提出了适合乳腺影像的图像特征的提取和选择算法以及数据挖掘技术中的分类算法,研究成果己成功应用于计算机辅助诊断系统中。 5.设计增量学习算法。录入新的图像和数据时,采用增量自学习方法确定分类模型。并且根据医生反馈报告和误差率,每隔一段时间更新一次数据库分类模型,实现诊断模型的不断调整和更新,提高诊断准确率。 本文研究成果可直接应用于大多数医学系统(如乳腺CAD系统),对提高医学系统的后台管理水平、进一步挖掘医学重要信息和提升前台应用程序的支撑和效率等方面具有重要意义。

目录

文摘

英文文摘

声明

第一章绪论

1.1 选题背景及意义

1.2 所选课题技术发展现状

1.3 典型的医学系统--乳腺CAD介绍

1.3.1 乳腺CAD系统框架及工作流程

1.3.2 系统主要模块及其交互过程

1.3.3 本课题在系统中的应用举例

1.4 本文的研究内容及章节安排

第二章医学图像数据库设计

2.1 数据库知识介绍

2.1.1 数据库技术及其发展阶段

2.1.2 数据库新技术

2.2 图像数据库

2.2.1 图像数据库发展历程

2.2.2 图像数据库介绍

2.3 医学图像数据库

2.3.1 医学图像特点

2.3.2 医学图像数据库关键技术

2.4 医学图像数据库设计工具介绍

2.5 实例-乳腺X光图像数据库设计

2.4.1 数据库存储数据分类

2.4.2 数据库存储策略

2.4.3 数据库索引技术

2.4.4 数据库构建流程

2.4.5 数据库结构设计

2.4.6 数据库与乳腺CAD系统通信

2.6 乳腺X光图像数据库效果

2.7 本章小结

第三章医学图像数据挖掘算法设计

3.1 数据挖掘算法简介

3.1.1 数据挖掘算法有关概念

3.1.2 数据挖掘算法技术与方法

3.1.3 数据挖掘发现知识类型

3.2 聚类算法在彩色医学图像中的应用

3.2.1 聚类算法设计意义

3.2.2 聚类算法设计

3.2.3 算法应用举例

3.3 医学图像特征选择算法设计

3.3.1 医学图像特征选择意义

3.3.2 乳腺CAD中特征选择算法设计

3.4 医学图像数据库数据分类模型建立

3.4.1 分类算法/工具介绍

3.4.2 乳腺CAD中分类模型建立

3.5 本章小结

第四章基于RVM的增量学习算法

4.1 增量学习介绍

4.1.1 意义

4.1.2 自学习机制的原理

4.1.3 现有基于支持向量机的增量学习算法

4.2 新提出的增量学习算法

4.2.1 RVM和SVM的KKT条件

4.2.2 增量学习算法流程设计

4.2.3 RVM增量学习算法设计

4.2.4 实验与结果

4.2.5 效果展示

4.3 本章小结

结论

本文的主要工作

后续工作及展望

参考文献

攻读硕士学位期间取得的研究成果

致谢