融合全局和局部特征的醫(yī)學(xué)圖像分類.pdf

1、隨著醫(yī)學(xué)影像技術(shù)的發(fā)展,醫(yī)學(xué)影像正為現(xiàn)代醫(yī)學(xué)提供著越來越豐富和詳細(xì)的信息,各種模態(tài)的醫(yī)學(xué)圖像(如,X光、CT、MRI等)在臨床診斷、教學(xué)和科研等方面正發(fā)揮著極其重要的作用。近些年來,醫(yī)學(xué)圖像數(shù)字化的步伐越來越快,數(shù)字醫(yī)學(xué)圖像的數(shù)量也正在迅速增加,并且呈現(xiàn)加速的趨勢(shì),如何從這些海量的醫(yī)學(xué)圖像中找到需要的圖像成為一個(gè)日益迫切的問題。但是,目前醫(yī)學(xué)圖像檢索技術(shù)的發(fā)展則相對(duì)滯后,成為制約數(shù)字醫(yī)學(xué)圖像充分利用的一個(gè)瓶頸。對(duì)于異構(gòu)的醫(yī)學(xué)圖像庫,如果

2、把醫(yī)學(xué)圖像按圖像模態(tài)、身體部位、器官等屬性進(jìn)行分類,就能有效地改善圖像檢索的性能。雖然DICOM頭部包含了一些屬性信息,但DICOM頭部信息有很高的錯(cuò)誤率,最近的研究表明DICOM頭部信息中身體部位字段的錯(cuò)誤率達(dá)到16％。因此,醫(yī)學(xué)圖像自動(dòng)分類技術(shù)逐漸被認(rèn)識(shí)到是進(jìn)行大型醫(yī)學(xué)圖像庫檢索不可缺少的一環(huán)。通過它可以縮小語義間隔,在檢索過程中過濾掉不相關(guān)的類別、減小搜索空間,從而提高檢索的性能。
　　 醫(yī)學(xué)圖像自動(dòng)分類就是為醫(yī)學(xué)圖像賦予

3、語義類別的標(biāo)簽,這可以看成是一個(gè)監(jiān)督學(xué)習(xí)的過程。它通過一些機(jī)器學(xué)習(xí)的方法來學(xué)習(xí)圖像特征到語義類別的映射,從而把特征對(duì)應(yīng)的圖像按預(yù)定義的類別進(jìn)行分類。醫(yī)學(xué)圖像自動(dòng)分類的研究涉及圖像特征提取和分類器的構(gòu)造兩個(gè)方面,通常的圖像分類算法采用全局特征或者局部特征來表示圖像。全局特征是以一幅圖像的所有像素來計(jì)算的特征,它從整體上來描述圖像;局部特征則是用來描述圖像的局部細(xì)節(jié)信息,特別地,近年來人們提出了一些對(duì)光照和遮擋具有很強(qiáng)魯棒性的局部特征。這兩

4、種類型的特征提供了關(guān)于圖像的不同信息,因此,如果能把它們結(jié)合起來將能提高醫(yī)學(xué)圖像自動(dòng)分類算法的精度。
　　 本文在分析和比較了多種全局特征和局部特征的基礎(chǔ)上,探索和研究了兩種結(jié)合全局特征和局部特征的醫(yī)學(xué)圖像分類算法,分別為底層特征融合和高層特征融合。底層特征融合是把不同的特征連接起來組成一個(gè)新的特征;高層特征融合把每種特征對(duì)應(yīng)的分類結(jié)果進(jìn)行融合。實(shí)驗(yàn)結(jié)果表明我們的方法能有效地提高醫(yī)學(xué)圖像分類的精度。本文的主要貢獻(xiàn)有:
　　

5、 (1)從圖像特征表示和分類器構(gòu)造這兩個(gè)角度回顧了醫(yī)學(xué)圖像分類的相關(guān)研究現(xiàn)狀,展示了該方向的發(fā)展趨勢(shì)。
　　 (2)分析了多種常用的全局特征,并通過實(shí)驗(yàn)比較了它們?cè)卺t(yī)學(xué)圖像分類中的性能。
　　 (3)分析了當(dāng)前流行的局部特征,并通過實(shí)驗(yàn)比較了它們?cè)卺t(yī)學(xué)圖像分類中的性能。
　　 (4)通過前面的比較,擇優(yōu)選擇了幾種全局特征和局部特征;并探討了兩種特征融合方式。實(shí)驗(yàn)結(jié)果表明結(jié)合全局特征和局部特征可以提升醫(yī)學(xué)圖像檢索