發(fā)布時間：2021-03-07 02:18

　　囊性纖維化（Cystic fibrosis,CF）是一種危害大、致死率高的疾病。該病會引起患者呼吸系統(tǒng)的反復感染,甚至導致死亡。定量分析患者的肺組織計算機斷層掃描（Computed Tomography,CT）影像有助于醫(yī)生準確了解患者病情,制定個性化治療方案。定量分析CF患者的肺組織CT影像需要專業(yè)的影像學知識和臨床診療經驗。當前,該工作主要有由專業(yè)的影像科醫(yī)師人工完成。隨著CT影像數(shù)量的增長,人工處理存在著工作量大、容易漏標和誤標等問題。因此,有必要設計一種自動分類方法對CF患者的肺CT影像病灶進行自動分類。同時為了滿足臨床應用的需求,需要開發(fā)一款應用程序標注分類結果和原始影像的顯示。針對上述問題,圍繞CF患者肺組織影像分類和管理這一目標,本文分別研究了CF患者肺組織的自動分類方法、標注的組織和管理方法以及面向便攜式智能終端的肺CT影像與標注結果的展示方法。首先,在CF患者肺組織的自動分類方面,針對樣本類別多、類別之間的視覺特征差異不明顯、樣本初始特征維數(shù)高的問題,本文在監(jiān)督核哈希分類方法的基礎上引入相關反饋思想。該思想通過對正、負反饋樣本進行處理,強化了樣本類別間的判別特征。實驗... 

【文章來源】：河南師范大學河南省

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【部分圖文】：

CF患者CT影像的手工標注樣例

6始特征的同時還便于進行運算處理。（4）相似性度量：使用相似性度量函數(shù)或其他方法比較圖像的特征向量之間的相似度，按照相似度對檢索到的圖像進行排序。（5）歸類：根據(jù)排序結果，采用歸類策略對圖像進行歸類并輸出分類結果。圖2-1圖像分類流程2.1.2醫(yī)學影像特征表達方法相比于描繪人體組織的醫(yī)學影像，普通三通道彩色自然圖像的特征種類豐富，色彩多樣，對比度高，特征較為鮮明，通過肉眼就能夠識別出很多較為明確的信息。而醫(yī)學影像為了能夠對人體內部進行造影，不同模態(tài)的成像方式受限于各自設備的性能局限，犧牲了很多彩色圖像具有的信息表示特征。比如常見的醫(yī)用CT影像以灰度圖像進行成像和顯示[20]。由于醫(yī)學影像需要結合病人的病灶部位進行分析和診斷，而病人的病灶部位常常因個體差異而表現(xiàn)出復雜多樣的影像特征，如位置、尺寸、輪廓等。這導致醫(yī)學影像的分析比自然圖像的復雜度要大，許多計算機視覺中的深度學習算法并不能直接應用于醫(yī)學影像的分析中。常用的醫(yī)學影像特征主要包括灰度特征，紋理特征，形態(tài)學特征和深度特征等。同時，醫(yī)學影像結合其成像原理還要考慮其體素級特征。根據(jù)特征的區(qū)域大小又分為全局特征和局部特征。當前，使用神經網(wǎng)絡提取的深度特征和使用哈希方法表示的圖像哈希特征是當前比較熱點的圖像特征表示方法。近年來，在面對大樣本的圖像處理問題中，哈希方法逐漸表現(xiàn)出了優(yōu)勢[21]。圖像的哈希特征表示方法是通過將高維空間中的圖像特征向量映射到低維的二值空間，從而實

8算子和像素值等，另一部分基于局部塊的圖像使用詞袋模型進行特征描述。然后使用KNN和SVM、DBN、LR等分類模型進行訓練。該方法在醫(yī)學影像的分類取得了較好的效果[32]。白琮等學者使用對神經網(wǎng)絡的優(yōu)化和哈希降維方法實現(xiàn)了對大規(guī)模圖像的分類[33]。圖2-2判別函數(shù)法的圖像分類流程ZhangJianming等人利用監(jiān)督核哈希方法，將一萬維度圖像特征轉變?yōu)?0位的二值哈希碼。在乳腺疾病的影像檢索方面，在實現(xiàn)較快的檢索速度的同時保證了檢索具有較高的精度[34]�？聞俨诺仁褂镁矸e神經網(wǎng)絡進行圖像的特征提取后，使用核監(jiān)督哈希算法對特征進行分類。XiaofangZhang等人采用監(jiān)督核哈希學習方法通過將高維特征向量映射到低維二值碼上，從而實現(xiàn)了大規(guī)模高維醫(yī)學影像的高效檢索的目的[35]。2.2醫(yī)學影像標注國家數(shù)據(jù)標注規(guī)范中對數(shù)據(jù)標注的定義為：對文本、圖像、語音、視頻等待標注的數(shù)據(jù)進行歸類整理、編輯、糾錯、標記和批注等操作，為待標注數(shù)據(jù)增加標簽，生成滿足機器學習訓練需要的機器可讀書記編碼。圖像的自動標注則是根據(jù)人為設定的分類標準或者通過監(jiān)督學習等形式得到一個分類模型。然后使用分類器或者分類模型來將圖像歸為某一類別，進而給該圖像標注文本、標記或關鍵詞[36]。數(shù)據(jù)標注產業(yè)中，標注的一般流程如圖2-3所示。相比于圖像的

【參考文獻】：
期刊論文
[1]計算機輔助診斷在塵肺病診斷中的應用[J]. 王崢.  世界最新醫(yī)學信息文摘. 2019(08)
[2]《CT成像:基本原理、偽影與誤區(qū)》已出版[J].   中國醫(yī)學影像技術. 2019(01)
[3]基于卷積神經網(wǎng)絡的圖像分類算法綜述[J]. 楊真真,匡楠,范露,康彬.  信號處理. 2018(12)
[4]囊性纖維化的胸部影像特征[J]. 杜倩妮,隋昕,宋偉,宋蘭,徐曉莉,黃耀.  罕少疾病雜志. 2018(05)
[5]CT能譜成像基本原理及降低輻射劑量新技術[J]. 郭浩,巴新茹,劉奉立,公佩友.  醫(yī)學影像學雜志. 2018(08)
[6]Fisher準則下面向判別性特征的字典學習方法及其組織病理圖像分類研究[J]. 湯紅忠,李驍,張小剛,張東波,王翔,毛麗珍.  自動化學報. 2018(10)
[7]面向大規(guī)模圖像分類的深度卷積神經網(wǎng)絡優(yōu)化[J]. 白琮,黃玲,陳佳楠,潘翔,陳勝勇.  軟件學報. 2018(04)
[8]形狀特征提取的研究綜述[J]. 李小雨,黃昶,程愛靈.  信息通信. 2017(02)
[9]基于卷積神經網(wǎng)絡和監(jiān)督核哈希的圖像檢索方法[J]. 柯圣財,趙永威,李弼程,彭天強.  電子學報. 2017(01)
[10]哈希編碼結合空間金字塔的圖像分類[J]. 彭天強,栗芳.  中國圖象圖形學報. 2016(09)

碩士論文
[1]基于高層語義特征的圖像檢索算法研究[D]. 高珊.長春工業(yè)大學 2018
[2]基于深度語義的哈希算法和相關反饋在圖像檢索中的研究[D]. 徐恒.內蒙古大學 2018
[3]大規(guī)模圖像檢索中哈希排序方法研究[D]. 馬穎.吉林大學 2017



本文編號：3068227