基于稀疏表达的颅脑创伤影像分类与提取研究

发布时间：2017-09-21 19:54

  本文关键词：基于稀疏表达的颅脑创伤影像分类与提取研究

  更多相关文章： 脑创伤图像分类 稀疏表示 集成分类 创伤部位提取 稳健主成分分析

【摘要】：颅脑创伤(Traumatic Brain Injury,简称TBI)计算机辅助诊断系统能够提高疾病的诊断精确度和效率。然而,利用计算机来辅助诊断颅脑创伤也面临诸多挑战,比如脑组织结构复杂、各组织在核磁共振图像中的灰度对比度较低等难题。颅脑创伤计算机辅助诊断系统主要涉及图像分类和目标检测及提取,而图像分类与目标检测及提取是当前模式识别领域重要的研究方向,在人机交互、计算智能等领域有着十分重要的应用。人们依据人脑在处理信号时所表现出的稀疏性,提出了稀疏表示理论,这是一种新的信号表示方法,目前已经广泛应用于信号处理、计算机视觉分析等领域。当使用稀疏表示模型来表示信号时,可将其分解为超完备字典的线性组合,其中的系数向量具有稀疏性,稀疏表示模型对信号的噪声更加稳健。论文重点调研了稀疏表示理论、基于稀疏表示的分类器的设计等基础理论知识,还重点调研了基于稀疏表示模型的颅脑MR图像分类和目标检测及提取的应用设计,在阅读了相关资料后,论文在现有研究成果的基础上展开了更进一步的深入研究,论文主要研究工作可以概括如下：(1)首先概述了颅脑创伤基础知识以及核磁共振脑组织图像的特点,其次详细介绍了研究颅脑创伤图像的重要意义以及现阶段颅脑创伤图像处理所面临的困难,接着概述了图像分类和目标检测的国内外研究现状,然后,详细分析了稀疏表示的数学模型以及稀疏表示模型的求解算法,这里论文重点介绍了凸松弛优化算法和贪婪算法中的匹配追踪算法,最后介绍了稀疏表示模型在分类器中的应用以及在图像分类中的应用。(2)研究利用颅脑MR图像的分类来判断目标对象是否有颅脑创伤。适用于高维模式分类的方法已经广泛用于分析颅脑图像的结构和功能以辅助诊断颅脑创伤,例如支持向量机。大多数现存方法是从脑组织数据提取特征,然后建立单一分类器来进行分类。但是,由于噪声和脑图像少等原因,很难用单一分类器来取得很高的分类性能。论文中,研究了使用MR图像的纹理特征来区分目标对象有没有颅脑创伤。我们提出了基于局部随机碎片子空间集成的方法,并且以纹理参数为特征来分类。首先,将每个颅脑图片划分为许多小的局部碎片,之后再从碎片池中随机选取一个碎片子集来建立弱分类器,此处使用基于稀疏表示的分类器方法来建立每个弱分类器。然后集成所有的弱分类器以判断切片所属类别。在对每个研究对象的所有MR切片进行分类之后,再根据切片阂值来判断此对象是否有脑创伤。最终的分类结果表明以MRI纹理为特征、基于局部随机碎片子空间集成的分类方法能够有效判断对象有没有脑创伤。(3)研究利用RPCA算法来有效检测及提取脑创伤部位,并且通过相关实验来进行验证。在提取脑创伤部位时,目前仍然以传统的分割方法为主。但是,每种分割方法都有其局限性,而且颅脑MR图像具有特定性质,故目前还没有一个有效的分割方法能够很好地提取脑创伤部位。为了能够自动、快速、准确地检测和提取脑创伤部位,论文提出了一个基于稳健主成分分析的脑创伤部位检测与提取算法。该算法在主成分分析算法的基础上,引入稀疏表示模型。最终的实验结果表明,该算法比传统分割算法鲁棒性更好、准确度更高,并且是全自动的、不受旋转平移等因素的影响。
【关键词】：脑创伤图像分类 稀疏表示 集成分类 创伤部位提取 稳健主成分分析
【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：R651.15;TP391.41
，

本文编号：896552