基于医学图像的类别分布不均衡的脑部疾病辅助诊断系统

发布时间：2020-12-13 18:30

　　脑肿瘤是导致人类死亡率增长最主要的原因之一,目前基于脑部医学图像的诊断主要靠医生肉眼进行阅片分析,当医生进行肉眼分析时,不易发现脑部医学图像中许多微小的纹理变化细节和形态特征,从而会影响病情的早期判断。因此医生需要借助脑部疾病辅助诊断系统提高脑肿瘤诊断的准确率并降低漏诊率。传统的分类算法假设训练样本的数据集是均衡的并且误分类代价是相等的,通常以误分率最小化为目标,但脑部医学图像诊断具有类别分布不均衡和误分类代价不等的特点,因此传统的分类算法在以临床已确诊的MRI脑部医学图像作为训练集构建分类模型时,分类效果不佳并且容易对阳性类不敏感,导致脑部疾病辅助诊断系统很难具有较高的准确性并且泛化能力弱。为了改善脑部疾病辅助诊断系统的性能,本文通过引入代价敏感机制,将传统的代价不敏感的基于密度函数核估计的概率神经网络设计成代价敏感概率神经网络CS-PNN,解决MRI脑部医学图像中类别分布不均衡和误分类代价不等问题,从而开发具有更强泛化能力的脑部疾病辅助诊断系统,以据此提高脑肿瘤诊断的准确率并降低漏诊率。本文开发基于医学图像的类别分布不均衡的脑部疾病辅助诊断系统时,由于中值滤波算法在去除MRI脑部图... 

【文章来源】：贵州大学贵州省 211工程院校

【文章页数】：78 页

【学位级别】：硕士

【部分图文】：

正常MRI脑部医学图像

∑2= 11| |2= | |2| |22 = 2 2 。第四步：使用 PNN 对训练样本x =1 2 做决策，判别规则为其中g ( ) =p( ) ∑ 1 2 1YE = Max g ( ) 概率神经网络模型由四层构成，分别是输入层、模式层、竞争层和输PNN 的网络模型如图 2-2 所示，各层的功能如下：入层输入层与输入样本 =1 2 直接接触，其功能是负责将输入样入网络，每个神经元都是单输入、单输出，其神经元个数等于输入样p，则输入层第 i 个神经元的输入、输出分别为 和 。 =1 2 ， = = 1 2

18图 2-3 PACS 系统功能模块图在图 2-3 中客户端部分包括医学图像预处理模块、对医学图像进行查询、显示和诊断模块以及对数据库进行访问，其中预处理包括将非 DICOM 标准格式的医学图像进行转换；对医学图像进行查询、显示和诊断模块要求医学图像的查询以及显示是实时的，并且对医学图像具有较强处理能力，主要功能是便于医生在客户端对病人的图像进行显示和诊断。在图2-3中服务器部分主要包括数据库模块和医学图像归档模块，其中PACS系统数据库主要对医学图像数据进行基本的增删改查等操作、权限管理以及维护，主要存储与病人相关的医学图像信息，需要对信息进行实时更新、设置存取权限以便保护系统的安全性、具有可扩展性以便与其它信息系统进行集成和互操作、与 DICOM 标准一致。医学图像归档模块主要对医学图像数据进行整理以及进行在线、离线存储，通常将近期需要使用的医学图像数据进行在线存储，其余的进行离线存储，这样可以提高检索效率。2.8 DICOM 医学图像标准(1) DICOM 标准概述由于生产医学图像成像设备的厂商不同促使医学成像设备所对应图像的存储格式不同

【参考文献】：
期刊论文
[1]PCNN原理及其在图像处理中的应用研究[J]. 程国建,房华,卢飞远.  现代电子技术. 2010(08)
[2]代价敏感分类器的比较研究(英文)[J]. 凌晓峰,SHENG Victor S..  计算机学报. 2007(08)

硕士论文
[1]基于DICOM3.0医院影像管理系统（PACS）的设计与实现[D]. 李智超.吉林大学 2017
[2]混合噪声图像滤波算法在医学图像中的应用研究[D]. 肖孟强.兰州交通大学 2012
[3]脑部医学图像挖掘技术研究[D]. 李晖.贵州大学 2007
[4]基于IHE的PACS设计与应用研究[D]. 胡磊.华中科技大学 2006



本文编号：2914984