医学图像的特征自动提取及基于模糊特征的图像检索研究

摘要

随着CT、MR、X光片等影像设备的普及，医院每天产生大量的影像数据。为有效地管理这些海量数据，PACS(PictureArchivingandCommunicationSystems)系统被越来越多的医院所采用。当前PACS系统的功能主要集中在医学影像数据的存档、传输及压缩方面，而对影像数据的进一步处理和分析方面还很少涉及。在对未确诊临床图像进行诊断中，若能通过检索技术找出和该图像内容基本相同的各种模态已诊断图像，将大大提高临床诊断的可靠性。另外计算机辅助诊断，教学研究也对影像数据、数据媒介进行有效管理和检索也产生了巨大需求。为此在PACS的基础上扩展如图像检索，辅助诊断等功能是PACS系统发展的必然。然而基于文本的数据库管理方式由于其主观性、人工性等原因已经渐渐无法满足大规模医学图像数据库的检索需要，为此基于内容的图像检索(Content-BasedImageRetrieval，CBIR)技术成为近年来该领域中的研究热点。自上个世纪90年代开始，CBIR技术经过十多年的发展，其研究开发和商业应用都有了长足的发展。 相比其它图像，医学图像分辨率低噪声高，通常只包含灰度信号，难以实现自动化处理，故CBIR在医学应用领域面临巨大挑战。在医学影像诊断中，临床诊断决策一般是根据图像局部特征(感兴趣区域，RegionOfInterest，ROI)来完成的。为了能够更细致获取图像局域特征表达，还需对医学图像感兴趣区域进行进一步分割。但是分割问题中存在不可避免的不确定性，需引入模糊特征来解决。基于以上分析，感兴趣区域的自动提取，感兴趣区域分割及模糊特征在医学图像检索中的应用是本文研究的基本内容。本文重点研究脑部医学图像特征自动化提取及基于模糊区域特征的脑部图像检索方法。 在医学图像ROI自动化提取方面，本文提出了一种基于区域生长法和形态学方法提取序列颅脑CT图像脑组织的方法。该方法以图像中心为起点，沿着螺旋线自动选取种子点进行生长获得所有脑组织。提出了一种改进的BET算法(BrainExtractionTool)自动从序列MR颅脑图像中提取脑组织。该方法改进了BET中将曲线演化到脑组织边界的扩张力，引入了图像梯度的作用使得曲线在脑组织内部演化快在脑组织边界附近演化慢，解决了BET算法中边界溢出问题；简化了BET中的保持曲线光滑的平滑力，从而提高演化速度。 在脑组织分割方面，本文提出了一种改进的基于参数受限高斯混合模型的EM分割算法，解决了在EM迭代过程中参数不稳定问题，实现了对MR和CT脑组织图像的有效快速分割。 在区域模糊内容提取及模糊相似度计算方面，本文共提取了分割区域的平均灰度特征、平均小波纹理特征、全局Gabor纹理特征、全局不变矩形状特征。并采用指数隶属度函数对这些硬特征模糊化转化成模糊特征。指数隶属度函数相对于其它常用隶属度函数有计算简单、易于扩展等特点。在指数隶属度函数的基础上，本文推导了基于指数隶属度函数的模糊相似度计算方法，进而提出了在多个模糊内容特征描述下，区域模糊相似度计算方法。 在基于模糊特征的检索算法研究方面，为降低分割不确定性对检索结果的影响，本文提出了一种基于模糊二叉树结构的图像检索方法。该方法根据二叉树结构将图像分成若干区域，并根据每个区域的灰度方差决定图像点属于该区域的隶属度，得到图像的模糊二叉树结构特征，然后引入指数隶属度函数建立各区域的模糊灰度、小波纹理、Gabor纹理和不变矩形状特征。在经典的基于模糊区域内容特征的图像检索算法(UnifiedFeatureMatching，UFM)的基础上，利用这些模糊特征进行图像间各区域的匹配及图像相似度计算。和UFM相比，本文算法有两点改进，一是不仅利用了图像模糊区域内容特征，还使用到了模糊结构特征；二是区域匹配的时候能够根据特定准则进行区域合并，合并之后无须重新计算合并区域的各特征。实验表明这些改进使得本算法对分割的不确定性有很好的鲁棒性。 为进一步提高检索性能，本文对相关反馈算法和全局特征进行了研究。 本文将基于模糊区域特征的图像检索和基于权重调整的相关反馈结合起来，在指数模糊隶属度函数的基础上提出了一种基于模糊区域特征的相关反馈方法。该方法利用用户第一次查询后选取的正例图像，通过最大化这些正例图像区域和查询图像对应区域之间的模糊相似度的加权乘积，给每个区域分配一个加权向量，给区域中的不同特征分配一个对称矩阵。加权向量为不同特征之间分配权重，对称矩阵将对应区域特征进行优化映射以使得该特征向量尽量符合用户对图像区域的描述。 本文在模糊相关反馈的基础上结合了基于全局小波能量特征的SVM(SupportVectorMachine)相关反馈，全局特征反馈同时使用正例和负例图像。实验结果表明采用了这些方法后，检索结果有了很大的提高。

目录

文摘

英文文摘

声明

第一章绪论

1.1基于内容的图像检索(CBIR)

1.2 CBIR常规技术概括

1.3本课题研究意义

1.3.1 CBIR在医学领域中的应用需求分析

1.3.2医学图像的CBIR的特点

1.3.3医学图像检索的常用特征

1.3.4医学图像CBIR的发展

1.4本文主要研究内容

1.5论文结构

参考文献

第二章颅脑图像脑组织自动化提取

2.1引言

2.2颅脑图像的相关知识

2.2.1解剖学知识

2.2.2影像学知识

2.3基于区域生长提取序列颅脑CT图像脑组织

2.3.1区域生长算法

2.3.2颅脑CT图像脑组织自动提取

2.3.3实验

2.4基于改进BET算法的MR颅脑图像脑组织自动提取

2.4.1 BElT算法简介

2.4.2本文改进算法

2.4.3实验

参考文献

第三章颅脑图像脑组织分割

3.1引言

3.2基于高斯混合模型的EM算法(GMM-EM)

3.3基于参数受限高斯混合模型的EM算法(PLGMM-EM)

3.4基于高斯-马尔科夫模型的EM算法(G-MRF-EM)

3.5本文在CBIR检索系统中采用的算法

参考文献

第四章特征提取

4.1形状特征

4.1.1傅立叶形状描述符

4.1.2不变矩

4.2小波变换

4.3 Gabor小波变换

参考文献

第五章基于模糊区域内容和模糊结构的脑部图像检索

5.1引言

5.2模糊内容特征及模糊相似度计算

5.2.1模糊内容特征表示

5.2.2基于模糊内容特征的相似度计算

5.2.3多特征模糊相似度计算

5.2.4柯西和指数隶属度函数比较

5.3模糊二叉树结构提取

5.3.1图像二叉树分割

5.3.2停止条件

5.3.3模糊二叉树结构

5.3.4模糊特征提取

5.4基于模糊相似度的节点匹配和图像相似度计算

5.5基于模糊二叉树结构的图像相似度计算(FBTS)

5.6实验

5.7小结

参考文献

第六章基于模糊区域特征的相关反馈算法

6.1引言

6.1.1什么是相关反馈算法

6.1.2常用相关反馈方法

6.1.3基于区域特征的相关反馈技术

6.2基于距离最小化的权重调整算法

6.3基于模糊区域特征的相关反馈算法

6.4基于局域区域特征和全局特征相结合检索算法

6.4.1小波能量全局特征

6.4.2基于局域区域特征和全局特征相结合相似度计算

6.5基于SVM的相关反馈算法

6.5.1支持向量机(Support Vector Machine,SVM)

6.5.2基于SVM的相关反馈算法

6.6基于模糊区域特征和SVM的混合相关反馈算法

6.7实验

参考文献

第七章总结与展望

7.1总结

7.2研究展望

攻读学位期间成果

致谢