基于传统机器视觉方法的骨骼X光片诊断方法研究

发布时间：2023-03-19 22:52

　　全世界每年有几千万人遭受骨折、骨骼退化等肌骨骼疾病的困扰,专业医生需要根据多年积累的丰富经验,对发病部位的X光片进行诊断,工作压力较大、效率低且经验欠缺的医生容易出现误诊等。随着科技水平的不断发展,人工智能技术已经应用到了辅助医疗的多个领域,为了推动骨骼X光片自动诊断系统的研发,2018年斯坦福大学发布了全世界最大的骨骼X光片数据集(MURA数据集)。目前,在此数据集上发布的结果基本都采用基于深度神经网络的分类方法,本文在此数据集的基础上,尝试采用传统计算机视觉和分类方法,并给出具有借鉴意义的参照结果。另外,原始数据只给出了一幅X光片中是否存在骨骼异常,但没有给出异常的具体位置、严重程度等精确信息,通过较长时间的手工标定工作,生成了骨骼异常位置检测数据集,为进一步的研究工作奠定基础。本文的主要工作包括:(1)基于传统计算机视觉的X光片分类方法首先利用图像处理方法对原始图像进行增强,然后提取了LBP、HOG等视觉特征,然后利用PCA、LDA等特征降维方法,最后给出了RF、XGBoost等分类方法在不同参数下的分类结果。(2)异常部位标定通过本人检测、寻求专家帮助检测等方式对原始MURA数...

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 引言
    1.1 背景
    1.2 研究现状
    1.3 研究目的和意义
    1.4 本文结构
第二章 传统图像分类和目标检测方法概述
    2.1 图像分类常用框架
        2.1.1 图像预处理
        2.1.2 特征提取
        2.1.3 特征变换和选择
        2.1.4 分类
    2.2 目标检测常用框架
    2.3 特征提取方法概述
    2.4 分类方法概述
    2.5 本章小结
第三章 骨骼图像异常分类方法研究
    3.1 图像预处理
    3.2 特征提取和分类设计
        3.2.1 特征提取
        3.2.2 分类设计
    3.3 实验结果和分析
        3.3.1 数据集介绍
        3.3.2 实验结果和分析
    3.4 本章小结
第四章 骨骼异常区域精确定位方法研究
    4.1 数据集的标定
        4.1.1 数据集标定的工具
        4.1.2 数据集标定的结果
    4.2 基于滑动窗口的异常区域检测方法
        4.2.1 训练集的产生
        4.2.2 窗口的选择和设定
        4.2.3 窗口图像块的分类方法
    4.3 实验结果与分析
        4.3.1 基于全部数据集的实验结果
        4.3.2 基于部分数据集的实验结果
    4.4 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献



本文编号：3766148