面向医学图像管理系统的图像自动分类算法研究与实现

发布时间：2021-08-21 13:41

　　近年来我国医疗信息化的发展十分迅速,与此同时计算机视觉领域也取得了各种突破,这些进步为基于医学图像的诊断、教学和生物医学的研究提供了机会。对云影像中心的医学图像进行再利用之前,需要先进行分类处理。由于医学图像数量的巨幅增长,手工分类已经不能满足时效需求,借助计算机对医学图像进行自动分类管理的需求迫在眉睫。本文在总结了国内外医学图像分类的相关研究进展之后,对常见的分类方法进行了介绍。根据前人的研究成果,针对医学图像自动分类的需求,本文从机器学习分类流程中的特征提取、特征优化和分类算法入手,作了如下三个方面的研究:（1）提出了一种基于纹理特征和SURF特征融合的医学图像特征提取方法本文在介绍了常见的医学图像特征提取方法之后,分析了局部特征和全局特征各自的优缺点,为了解决基于单一特征进行分类精度不高的问题,提出了将纹理特征和SURF特征进行融合的特征提取方法。首先,使用Gabor滤波器和灰度共生矩阵提取医学图像的纹理特征;其次,使用SURF算法提取图像的局部特征,并利用视觉词袋模型将其转化为直方图的形式;最后对以上特征进行归一化处理并融合。该方法包含了医学图像在整体和细节上的特征,能够从多个... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：94 页

【学位级别】：硕士

【部分图文】：

医学图像分类流程

假设其中有两个像素点 (,)iiA xy和 (,)j jB xy，，两者之间的对应关系为距离 d，方向 θ，那么这两像中出现的频率可以表示为式(2-17)：( g,)(g,;d, )ijijC g Fg 1xN， 0, 1,2..., 1yy N，那么表 2.1 代表的图像可 (1)0(1)(1)000(1)(,)GGGGCCCCGLCMd 规则，对于表 2.1 的图像，我们可以得到 4 个方向上 d=1。(a)表示 0时的共生矩阵，(b)表示 45时共生矩阵，(d)表示 135时的共生矩阵。

图 2.3 灰度积分图示例只需要经过两次加法和两次减法即可求出，计算公式如(2-37)：(,,,)(,)(,)(,)(,)DDBBCCAAS ABCD Sij Sij Sij Sij(2-3(2)构建 Hessian 矩阵SURF 算法使用 Hessian 矩阵行列式的近似值表示图像，Hessian 矩阵具有良好和准确性，通过 Hessian 矩阵可以生成图像中稳定的突变点，这些突变点用于特征提取。在构建 Hessian 矩阵时，首先要使用高斯滤波器对原始图像进行处理，对于图一个随机点 x=(x,y)，当尺度的大小为 σ 时的 Hessian 矩阵表示如式(2-38)： (,)(,)(,)(,)(,) LxLxLxLxHxyxyyxxxy(2-32()g

【参考文献】：
期刊论文
[1]面向视频序列表情分类的LSVM算法[J]. 徐文晖,孙正兴.  计算机辅助设计与图形学学报. 2009(04)

博士论文
[1]卷积神经网络和迁移学习在癌症影像分析中的研究[D]. 余绍德.中国科学院大学(中国科学院深圳先进技术研究院) 2018
[2]基于特征融合的多形态牛乳体细胞分类识别的研究[D]. 郜晓晶.内蒙古农业大学 2018
[3]医学图像特征提取方法及应用研究[D]. 肖哲.电子科技大学 2017
[4]图像局部不变特征提取技术及其应用研究[D]. 刘景能.上海交通大学 2012
[5]基于密度聚类和多特征融合的医学图像识别研究[D]. 陈健美.江苏大学 2008

硕士论文
[1]基于SVM-KNN的Android应用安全检测研究[D]. 龚明明.南京邮电大学 2018
[2]基于深度学习的医学图像分类方法研究[D]. 杨培亮.哈尔滨理工大学 2018
[3]基于卷积神经网络的医学图像分类的研究[D]. 魏存超.哈尔滨工业大学 2017
[4]基于脑MR图像中像素特征学习的Aβ沉积信息检测算法[D]. 朱雪茹.重庆大学 2017
[5]基于Hadoop平台的图像匹配算法研究及应用[D]. 李丽丽.天津大学 2017
[6]基于贝叶斯模型的医学影像分类技术的研究与应用[D]. 刘京华.电子科技大学 2016
[7]车辆目标提取算法研究[D]. 刘江.东南大学 2015
[8]基于多特征融合的车型分类方法研究[D]. 马文华.北京交通大学 2014
[9]基于多特征融合的医学图像识别研究[D]. 郭依正.江苏大学 2007



本文编号：3355707