基于Adaboost分类学习的医学图像检索

摘要

医学是重要的计算机应用领域之一，随着计算机软硬件技术的飞速发展，医学领域的数字图像信息也迅速增长起来，医学图像已经成为现代医疗中的一种基础性工具，这些医学图像在临床诊治中占有不可替代的地位，因此对医学图像数据进行有效的管理和检索产生了巨大的需求，传统的基于文本的图像检索方式很难反映出医学图像所蕴含的丰富病理信息，使得医学图像在计算机辅助诊断和研究等领域的应用受到了极大的限制，基于内容的医学图像检索技术应运而生。
　　 计算机辅助诊断系统旨在帮助医生客观的判读医学图像，提供一些可疑病变的诊断意见。本文从LIDC数据库中提取具有病理诊断分类的肺部肿瘤图像作为基于视觉内容检索的目标图像。实验设计了针对肺部疑似肿瘤ROI区域（肺结节）的检索，首先根据LIDC数据库中的XML标注文件提取肿瘤图像ROI区域以及9个病变特征，提取ROI区域的灰度、纹理、形状、大小等特征构成肿瘤图像特征信息库。然后本文针对肿瘤图像的根据恶性程度划分的多类别特性，将分类与检索相结合，提出了一种适用于图像检索的AdaboostCART算法，算法主要思想是使用CART决策树作为弱分类器对肿瘤特征信息进行分类器训练，然后使用Adaboost方法对样本进行多次抽样，并将分类精度作为依据进行多次迭代整合成强分类器。在检索阶段，本文实验在分类选择后的子类别空间中进行相似度计算，检索出最相近的图像。与其他方法相比较，本文方法可以达到较高的检索准确率，可以有效的判别肿瘤的恶性程度，辅助医生对可疑肿瘤进行诊断。

目录

声明

摘要

1 引言

1．1 图像检索研究背景

1．2 CBIR在医学领域的研究意义

1．3 CBIR国内外研究现状

1．3．1 国外CBIR研究现状

1．3．2 国内CBIR研究现状

1．4 CBIR医疗领域国内外研究现状

1．5 本文研究背景

1．6 本文主要研究内容及组织安排

2 LIDC图像库介绍以及肿瘤ROI区域提取

2．1 XML标注文件信息

2．2 医学DICOM标准简介

2．3 肿瘤ROI图像提取

3 图像特征提取

3．1 大小特征提取

3．2 灰度特征提取

3．3 纹理特征提取

3．3．1 灰度共生矩阵

3．3．2 Gabor小波变换

3．3．3 高斯马尔科夫随机场

3．4 形状特征

3．4．1 局部积分不变特征(Local Area Integral Invariant)

3．4．2 其他形状特征

4 Adaboost分类算法以及检索系统性能评价标准

4．1 Boosting算法的发展历史

4．2 CART决策树分类

4．3 Adaboost CART算法

4．4 Adaboost算法理论分析

4．5 检索系统的性能评价

4．5．1 召回率(Recall)和准确率(Precise)

4．5．2 平均准确率(mean Average Precision，mAP)

4．5．3 NDCG(Normalized Discounted Cumulative Gain)

5 实验及结果分析

5．1 实验数据以及实验方法

5．2 Adaboost分类实验

5．3 Adaboost检索实验

6 总结与展望

6．1．工作总结

6．2 展望

致谢

参考文献