基于密度聚類和多特征融合的醫(yī)學(xué)圖像識(shí)別研究.pdf

1、圖像識(shí)別是根據(jù)圖像數(shù)據(jù)特征，利用識(shí)別理論與方法對(duì)圖像進(jìn)行分類的過程，屬于圖像處理和模式識(shí)別的研究范疇。醫(yī)學(xué)圖像識(shí)別是醫(yī)學(xué)影像自動(dòng)診斷的核心內(nèi)容，是國(guó)內(nèi)外醫(yī)學(xué)領(lǐng)域重點(diǎn)研究的方向。醫(yī)學(xué)圖像中蘊(yùn)含著豐富的人體圖像特征信息和規(guī)則，其高分辨率、數(shù)據(jù)的海量性、圖像特征表達(dá)的復(fù)雜性等特點(diǎn)，使得醫(yī)學(xué)圖像識(shí)別研究面臨挑戰(zhàn)。研究和探索適合于醫(yī)學(xué)圖像自動(dòng)識(shí)別的技術(shù)、方法及其算法等醫(yī)學(xué)圖像識(shí)別的理論和實(shí)踐問題其有重要而現(xiàn)實(shí)的意義，對(duì)輔助醫(yī)生進(jìn)行醫(yī)學(xué)圖像臨床診斷

2、具有重大實(shí)用價(jià)值。 論文以醫(yī)學(xué)圖像數(shù)據(jù)為研究對(duì)象，在總結(jié)國(guó)內(nèi)外關(guān)于醫(yī)學(xué)圖像識(shí)別研究的關(guān)鍵問題、技術(shù)方法和研究進(jìn)展的基礎(chǔ)上，針對(duì)醫(yī)學(xué)圖像數(shù)據(jù)特征的多維性、復(fù)雜性等特點(diǎn)，系統(tǒng)研究了醫(yī)學(xué)圖像識(shí)別問題，并提出基于密度聚類、多特征融合、融合特征關(guān)聯(lián)的醫(yī)學(xué)圖像識(shí)別技術(shù)、方法及其算法。主要內(nèi)容體現(xiàn)在以下幾個(gè)方面。 (1)醫(yī)學(xué)圖像數(shù)據(jù)密度分布研究。論文研究了非參數(shù)密度函數(shù)構(gòu)造、混合密度函數(shù)構(gòu)造，并將其應(yīng)用到醫(yī)學(xué)圖像識(shí)別研究領(lǐng)域。圖像象素

3、的灰度及其密度是表達(dá)醫(yī)學(xué)圖像特征的主要內(nèi)容，文章深入研究了醫(yī)學(xué)圖像的核密度估計(jì)函數(shù)和混合密度函數(shù)，提出適合醫(yī)學(xué)圖像數(shù)據(jù)的核密度估計(jì)模型和高斯混合密度估計(jì)模型。 (2)基于密度聚類的醫(yī)學(xué)圖像識(shí)別研究。論文從聚類分析的角度出發(fā)，根據(jù)醫(yī)學(xué)圖像的核密度估計(jì)模型和高斯混合密度估計(jì)模型，提出了基于核密度模型的醫(yī)學(xué)圖像爬山聚類算法和基于高斯混合密度模型的醫(yī)學(xué)圖像數(shù)據(jù)加權(quán)聚類算法。應(yīng)用這兩種聚類算法進(jìn)行了實(shí)驗(yàn)研究，結(jié)果表明，算法能夠較好地分類出

4、醫(yī)學(xué)圖像中有語(yǔ)義的人體器官，達(dá)到了醫(yī)學(xué)圖像有效識(shí)別的效果。這種基于密度聚類的醫(yī)學(xué)圖像識(shí)別為醫(yī)學(xué)圖像自動(dòng)分割提供了新的技術(shù)支持。 (3)基于多特征融合的醫(yī)學(xué)圖像識(shí)別研究。醫(yī)學(xué)圖像的許多特征都能在一定程度上表達(dá)醫(yī)學(xué)圖像內(nèi)容，論文圍繞多特征問題，試圖從特征融合的角度，研究醫(yī)學(xué)圖像的識(shí)別問題。從表達(dá)醫(yī)學(xué)圖像的內(nèi)容特征出發(fā)，論文系統(tǒng)研究了圖像特征級(jí)的數(shù)據(jù)融合問題，提出醫(yī)學(xué)圖像特征數(shù)據(jù)融合的框架和基于多特征融合的醫(yī)學(xué)圖像識(shí)別方法和實(shí)現(xiàn)技術(shù)。

5、 (4)基于特征融合的醫(yī)學(xué)圖像關(guān)聯(lián)識(shí)別研究。論文提出了一種基于特征融合的醫(yī)學(xué)圖像關(guān)聯(lián)識(shí)別方法，該方法同時(shí)考慮醫(yī)學(xué)圖像的所有屬性，在訓(xùn)練樣本上挖掘頻繁屬性集和類標(biāo)簽之間的強(qiáng)關(guān)聯(lián)規(guī)則，關(guān)聯(lián)規(guī)則中的頻繁項(xiàng)目集挖掘采用頻繁閉項(xiàng)目集挖掘方法，并利用這些強(qiáng)關(guān)聯(lián)規(guī)則構(gòu)造分類器，從而可以判斷給定醫(yī)學(xué)圖像是否正常，因而能進(jìn)一步提高醫(yī)生診斷病情的準(zhǔn)確性。 本文提出的基于密度聚類的醫(yī)學(xué)圖像識(shí)別方法及其算法、基于多特征融合的醫(yī)學(xué)圖像識(shí)別方法及其