基于內(nèi)容的醫(yī)學(xué)圖像檢索及語義建模關(guān)鍵技術(shù)研究.pdf

1、隨著醫(yī)學(xué)影像數(shù)據(jù)(超聲、X射線、MRI、CT、DSA、PET等)海量化趨勢(shì)的加劇,基于內(nèi)容的圖像檢索技術(shù)(Content-Based Image Retrieval,CBIR)在醫(yī)學(xué)中的研究與應(yīng)用已成為熱點(diǎn)問題?；趦?nèi)容的醫(yī)學(xué)圖像檢索系統(tǒng)有助于在海量數(shù)據(jù)庫中快速尋找具有類似病理特征并已確診的臨床醫(yī)學(xué)圖像,以此作為輔助診斷和科學(xué)研究的參考依據(jù)?，F(xiàn)有的醫(yī)學(xué)圖像檢索系統(tǒng)大都只利用了文件的自身屬性或圖像的底層視覺特征進(jìn)行圖像內(nèi)容描述,鑒于醫(yī)學(xué)圖

2、像具有極強(qiáng)的領(lǐng)域特征,僅僅依靠圖像的底層特征是不能表達(dá)醫(yī)學(xué)圖像的真正含義。因此,進(jìn)一步挖掘圖像特征與醫(yī)學(xué)知識(shí)之間的關(guān)聯(lián),是拓展醫(yī)學(xué)圖像檢索范圍的一種有效解決手段。
　　 本文在系統(tǒng)分析了基于內(nèi)容的圖像檢索技術(shù)及其發(fā)展趨勢(shì)的基礎(chǔ)上,對(duì)醫(yī)學(xué)圖像底層視覺特征提取與優(yōu)化、相關(guān)反饋中基于權(quán)重優(yōu)化的組合特征表達(dá)、基于醫(yī)學(xué)先驗(yàn)知識(shí)的語義建模等關(guān)鍵技術(shù)進(jìn)行了深入研究。
　　 考慮到醫(yī)學(xué)圖像的特殊性,本文對(duì)圖像底層視覺特征的提取和優(yōu)化方法

3、進(jìn)行了研究。在提取有效的灰度和紋理特征的基礎(chǔ)上,針對(duì)特征的高維特點(diǎn),本文提出一種基于流形學(xué)習(xí)的降維算法,通過利用基于約束的最小二乘法求取LLE算法中局部重建權(quán)值向量的最佳值。實(shí)驗(yàn)結(jié)果表明,本文提出的降維,方法能夠有效去除特征向量中的冗余信息,進(jìn)而降低匹配算法的復(fù)雜度,達(dá)到高效表達(dá)視覺特征的目的。
　　 考慮到圖像特征的抽象性與人類感知的主觀性存在的差異,本文利用基于組合特征加權(quán)的相關(guān)反饋方法來縮小這種差異。針對(duì)組合特征權(quán)重的計(jì)算

4、問題,本文提出一種基于量子遺傳算法(QGA)的初始權(quán)重計(jì)算方法,將檢索問題轉(zhuǎn)化為求取使得評(píng)價(jià)指標(biāo)最佳的特征權(quán)重的最優(yōu)值的優(yōu)化問題,利用QGA強(qiáng)大的全局尋優(yōu)能力計(jì)算特征權(quán)重,進(jìn)而確定組合特征的表達(dá);針對(duì)相關(guān)反饋過程中權(quán)重的調(diào)整問題,本文提出一種基于灰色關(guān)聯(lián)系數(shù)的權(quán)值動(dòng)態(tài)調(diào)整算法,通過計(jì)算圖像特征間的灰色關(guān)聯(lián)系數(shù)來估計(jì)不同特征在檢索中的相對(duì)重要性,同時(shí),在計(jì)算過程中考慮到了相關(guān)圖像和不相關(guān)圖像對(duì)權(quán)重的共同影響。實(shí)驗(yàn)結(jié)果表明,本文提出的相關(guān)反

5、饋算法能夠在初次查詢階段就取得令人滿意的查詢效果,同時(shí),由于充分考慮了不相關(guān)圖像對(duì)檢索過程的影響,本文方法能夠縮小了反饋周期,從而更加適應(yīng)用戶查詢需求。
　　 通過對(duì)醫(yī)學(xué)影像內(nèi)容的分析,本文提出一種基于支持向量機(jī)(SVM)的語義建模方法,并將其用于肺部CT圖像中磨玻璃密度影征象的語義模型構(gòu)建。首先,根據(jù)醫(yī)學(xué)先驗(yàn)知識(shí)確定語義表達(dá)內(nèi)容,然后,分別提取圖像的底層視覺特征,最后,利用基于SVM的機(jī)器學(xué)習(xí)方法建立底層視覺特征到高層語義的映