囊性纤维化患者肺组织影像分类和管理方法研究

发布时间：2021-03-07 02:18

　　囊性纤维化（Cystic fibrosis,CF）是一种危害大、致死率高的疾病。该病会引起患者呼吸系统的反复感染,甚至导致死亡。定量分析患者的肺组织计算机断层扫描（Computed Tomography,CT）影像有助于医生准确了解患者病情,制定个性化治疗方案。定量分析CF患者的肺组织CT影像需要专业的影像学知识和临床诊疗经验。当前,该工作主要有由专业的影像科医师人工完成。随着CT影像数量的增长,人工处理存在着工作量大、容易漏标和误标等问题。因此,有必要设计一种自动分类方法对CF患者的肺CT影像病灶进行自动分类。同时为了满足临床应用的需求,需要开发一款应用程序标注分类结果和原始影像的显示。针对上述问题,围绕CF患者肺组织影像分类和管理这一目标,本文分别研究了CF患者肺组织的自动分类方法、标注的组织和管理方法以及面向便携式智能终端的肺CT影像与标注结果的展示方法。首先,在CF患者肺组织的自动分类方面,针对样本类别多、类别之间的视觉特征差异不明显、样本初始特征维数高的问题,本文在监督核哈希分类方法的基础上引入相关反馈思想。该思想通过对正、负反馈样本进行处理,强化了样本类别间的判别特征。实验... 

【文章来源】：河南师范大学河南省

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

CF患者CT影像的手工标注样例

6始特征的同时还便于进行运算处理。（4）相似性度量：使用相似性度量函数或其他方法比较图像的特征向量之间的相似度，按照相似度对检索到的图像进行排序。（5）归类：根据排序结果，采用归类策略对图像进行归类并输出分类结果。图2-1图像分类流程2.1.2医学影像特征表达方法相比于描绘人体组织的医学影像，普通三通道彩色自然图像的特征种类丰富，色彩多样，对比度高，特征较为鲜明，通过肉眼就能够识别出很多较为明确的信息。而医学影像为了能够对人体内部进行造影，不同模态的成像方式受限于各自设备的性能局限，牺牲了很多彩色图像具有的信息表示特征。比如常见的医用CT影像以灰度图像进行成像和显示[20]。由于医学影像需要结合病人的病灶部位进行分析和诊断，而病人的病灶部位常常因个体差异而表现出复杂多样的影像特征，如位置、尺寸、轮廓等。这导致医学影像的分析比自然图像的复杂度要大，许多计算机视觉中的深度学习算法并不能直接应用于医学影像的分析中。常用的医学影像特征主要包括灰度特征，纹理特征，形态学特征和深度特征等。同时，医学影像结合其成像原理还要考虑其体素级特征。根据特征的区域大小又分为全局特征和局部特征。当前，使用神经网络提取的深度特征和使用哈希方法表示的图像哈希特征是当前比较热点的图像特征表示方法。近年来，在面对大样本的图像处理问题中，哈希方法逐渐表现出了优势[21]。图像的哈希特征表示方法是通过将高维空间中的图像特征向量映射到低维的二值空间，从而实

8算子和像素值等，另一部分基于局部块的图像使用词袋模型进行特征描述。然后使用KNN和SVM、DBN、LR等分类模型进行训练。该方法在医学影像的分类取得了较好的效果[32]。白琮等学者使用对神经网络的优化和哈希降维方法实现了对大规模图像的分类[33]。图2-2判别函数法的图像分类流程ZhangJianming等人利用监督核哈希方法，将一万维度图像特征转变为10位的二值哈希码。在乳腺疾病的影像检索方面，在实现较快的检索速度的同时保证了检索具有较高的精度[34]。柯胜才等使用卷积神经网络进行图像的特征提取后，使用核监督哈希算法对特征进行分类。XiaofangZhang等人采用监督核哈希学习方法通过将高维特征向量映射到低维二值码上，从而实现了大规模高维医学影像的高效检索的目的[35]。2.2医学影像标注国家数据标注规范中对数据标注的定义为：对文本、图像、语音、视频等待标注的数据进行归类整理、编辑、纠错、标记和批注等操作，为待标注数据增加标签，生成满足机器学习训练需要的机器可读书记编码。图像的自动标注则是根据人为设定的分类标准或者通过监督学习等形式得到一个分类模型。然后使用分类器或者分类模型来将图像归为某一类别，进而给该图像标注文本、标记或关键词[36]。数据标注产业中，标注的一般流程如图2-3所示。相比于图像的

【参考文献】：
期刊论文
[1]计算机辅助诊断在尘肺病诊断中的应用[J]. 王峥.  世界最新医学信息文摘. 2019(08)
[2]《CT成像:基本原理、伪影与误区》已出版[J].   中国医学影像技术. 2019(01)
[3]基于卷积神经网络的图像分类算法综述[J]. 杨真真,匡楠,范露,康彬.  信号处理. 2018(12)
[4]囊性纤维化的胸部影像特征[J]. 杜倩妮,隋昕,宋伟,宋兰,徐晓莉,黄耀.  罕少疾病杂志. 2018(05)
[5]CT能谱成像基本原理及降低辐射剂量新技术[J]. 郭浩,巴新茹,刘奉立,公佩友.  医学影像学杂志. 2018(08)
[6]Fisher准则下面向判别性特征的字典学习方法及其组织病理图像分类研究[J]. 汤红忠,李骁,张小刚,张东波,王翔,毛丽珍.  自动化学报. 2018(10)
[7]面向大规模图像分类的深度卷积神经网络优化[J]. 白琮,黄玲,陈佳楠,潘翔,陈胜勇.  软件学报. 2018(04)
[8]形状特征提取的研究综述[J]. 李小雨,黄昶,程爱灵.  信息通信. 2017(02)
[9]基于卷积神经网络和监督核哈希的图像检索方法[J]. 柯圣财,赵永威,李弼程,彭天强.  电子学报. 2017(01)
[10]哈希编码结合空间金字塔的图像分类[J]. 彭天强,栗芳.  中国图象图形学报. 2016(09)

硕士论文
[1]基于高层语义特征的图像检索算法研究[D]. 高珊.长春工业大学 2018
[2]基于深度语义的哈希算法和相关反馈在图像检索中的研究[D]. 徐恒.内蒙古大学 2018
[3]大规模图像检索中哈希排序方法研究[D]. 马颖.吉林大学 2017



本文编号：3068227