本文關(guān)鍵詞：基于半監(jiān)督學(xué)習(xí)的醫(yī)學(xué)圖像檢索研究

  更多相關(guān)文章： 基于內(nèi)容的醫(yī)學(xué)圖像檢索 醫(yī)學(xué)病例檢索 視覺語義 多模態(tài)信息 流形排序 基于圖的半監(jiān)督學(xué)習(xí) 成對約束傳播 錨點(diǎn)圖

【摘要】：隨著醫(yī)學(xué)成像技術(shù)的發(fā)展和普及,醫(yī)院和醫(yī)療研究機(jī)構(gòu)產(chǎn)生的醫(yī)學(xué)影像數(shù)據(jù)(CT, MRI, X射線等)呈現(xiàn)海量化的增長趨勢。如何準(zhǔn)確、有效地管理和分析醫(yī)學(xué)影像數(shù)據(jù)庫,是當(dāng)前生物醫(yī)學(xué)領(lǐng)域的一個關(guān)鍵課題�；趦�(nèi)容的圖像檢索技術(shù)以圖像的視覺特征作為依據(jù),快速查詢病理相似的臨床醫(yī)學(xué)影像,成為計算機(jī)輔助診斷和醫(yī)學(xué)研究的重要手段。然而現(xiàn)有的醫(yī)學(xué)圖像檢索系統(tǒng)存在三方面的問題：首先,醫(yī)學(xué)圖像中醫(yī)學(xué)本體屬性復(fù)雜,不利于發(fā)現(xiàn)和描述；其次,圖像的底層特征與高層醫(yī)學(xué)語義之間存在語義鴻溝,僅僅采用視覺特征作為相似性匹配和度量的依據(jù),不能有效的表達(dá)用戶的查詢語義；最后,檢索過程中忽略了醫(yī)學(xué)病例中包含的文本標(biāo)注信息及其表達(dá)的語義特征。針對以上問題,本文以基于圖的半監(jiān)督學(xué)習(xí)方法為主要理論基礎(chǔ),重點(diǎn)探討了醫(yī)學(xué)圖像檢索中的四個關(guān)鍵環(huán)節(jié)：結(jié)合視覺語義的影像檢索、相關(guān)反饋模型、基于多模態(tài)信息的醫(yī)學(xué)病例檢索和高效的檢索算法。論文的主要的研究內(nèi)容和創(chuàng)新性成果如下：(1)提出一種結(jié)合視覺語義和局部特征的醫(yī)學(xué)圖像檢索方法。該方法首先在基于圖的半監(jiān)督學(xué)習(xí)框架中嵌入結(jié)構(gòu)假設(shè),提出一種加入密度約束的標(biāo)記傳播算法,以獲得查詢圖像的類別歸屬度作為視覺語義；然后提取圖像的Dense SIFT特征生成視覺單詞,得到圖像的局部特征表示；最后設(shè)計基于視覺語義和局部特征的相似性度量方法。實(shí)驗(yàn)結(jié)果表明,該方法能夠有效的表達(dá)查詢圖像的醫(yī)學(xué)語義,檢索效率優(yōu)于單一底層特征檢索。(2)根據(jù)醫(yī)師對查詢的反饋信息,構(gòu)建一個基于成對約束傳播的相關(guān)反饋模型。其基本思路是將正負(fù)反饋轉(zhuǎn)化為正負(fù)約束并將約束信息傳播到整個數(shù)據(jù)集以重構(gòu)流形,然后在新流形結(jié)構(gòu)上對醫(yī)學(xué)影像進(jìn)行有偏的流形排序。本文方法降低了傳統(tǒng)相關(guān)反饋中的小樣本問題和不對稱訓(xùn)練問題對檢索結(jié)果的影響。在此基礎(chǔ)上,本文提出了基于長期反饋策略的醫(yī)學(xué)檢索框架,能夠根據(jù)歷史的查詢信息更新檢索模型,其檢索性能優(yōu)于其它常用反饋模型。(3)針對計算機(jī)輔助診斷中的相似病例查詢,提出一種基于多圖半監(jiān)督學(xué)習(xí)的多模態(tài)病例檢索算法。該算法將醫(yī)學(xué)影像和文本標(biāo)注視為相互補(bǔ)償?shù)牟煌B(tài)的信息,定義結(jié)合視覺特征和文本標(biāo)注的多圖融合的半監(jiān)督學(xué)習(xí)框架,目的是根據(jù)圖正則化模型將不同模態(tài)的特征在流形上進(jìn)行融合,通過在融合圖上進(jìn)行流形排序獲得最終的病例檢索結(jié)果。多個病例影像數(shù)據(jù)庫上的實(shí)驗(yàn)結(jié)果表明,該算法能夠有效地利用影像和文本信息進(jìn)行病例檢索。(4)提出一種面向多特征的快速流形排序算法。計算復(fù)雜度是圖方法應(yīng)用于實(shí)際數(shù)據(jù)處理的瓶頸,本文采用錨點(diǎn)圖實(shí)現(xiàn)對原圖的重構(gòu),在保持流形結(jié)構(gòu)的前提下簡化圖模型。本文提出基于序貫融合的多特征檢索模型,在降低圖的構(gòu)建和排序計算兩方面的復(fù)雜度的同時,通過多特征的圖像表示來提升流形排序的性能,從而在保持檢索精度的情況下大幅度提高檢索速度。
【關(guān)鍵詞】：基于內(nèi)容的醫(yī)學(xué)圖像檢索 醫(yī)學(xué)病例檢索 視覺語義 多模態(tài)信息 流形排序 基于圖的半監(jiān)督學(xué)習(xí) 成對約束傳播 錨點(diǎn)圖
【學(xué)位授予單位】：南京理工大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 摘要5-7
• Abstract7-15
• 1 緒論15-29
• 1.1 研究背景和意義15-17
• 1.2 醫(yī)學(xué)圖像檢索的研究與發(fā)展17-26
• 1.2.1 醫(yī)學(xué)圖像檢索技術(shù)概述17-19
• 1.2.2 基于內(nèi)容的醫(yī)學(xué)圖像檢索19-22
• 1.2.3 醫(yī)學(xué)圖像檢索系統(tǒng)概述22-24
• 1.2.4 關(guān)鍵問題和發(fā)展趨勢24-26
• 1.3 本文貢獻(xiàn)和論文組織26-29
• 1.3.1 研究內(nèi)容與創(chuàng)新點(diǎn)26-27
• 1.3.2 本文的內(nèi)容安排27-29
• 2 結(jié)合視覺語義和局部特征的醫(yī)學(xué)圖像檢索29-43
• 2.1 引言29-30
• 2.2 基于圖的半監(jiān)督學(xué)習(xí)30-31
• 2.3 醫(yī)學(xué)影像的視覺語義提取31-34
• 2.3.1 基于圖的半監(jiān)督學(xué)習(xí)框架32-33
• 2.3.2 加入密度約束的標(biāo)記傳播33-34
• 2.3.3 視覺語義提取算法34
• 2.4 圖像局部特征提取34-35
• 2.5 結(jié)合語義和局部特征的相似性度量35-36
• 2.6 實(shí)驗(yàn)結(jié)果與分析36-41
• 2.6.1 算法檢索性能分析36-38
• 2.6.2 基于圖的半監(jiān)督學(xué)習(xí)算法的比較38-40
• 2.6.3 尺度參數(shù)對檢索性能的影響40-41
• 2.7 本章小結(jié)41-43
• 3 基于成對約束傳播的相關(guān)反饋模型和檢索方法43-63
• 3.1 引言43-44
• 3.2 相關(guān)工作44-46
• 3.3 基于相關(guān)反饋的檢索模型46-51
• 3.3.1 基于成對約束傳播的相似矩陣重構(gòu)46-49
• 3.3.2 圖像的有偏排序49-50
• 3.3.3 算法流程50-51
• 3.4 基于長期學(xué)習(xí)的醫(yī)學(xué)圖像檢索框架51
• 3.5 實(shí)驗(yàn)結(jié)果與分析51-61
• 3.5.1 實(shí)驗(yàn)設(shè)置52-53
• 3.5.2 基于短期學(xué)習(xí)的相關(guān)反饋算法比較53-57
• 3.5.3 不同排序策略的比較57-58
• 3.5.4 基于長期學(xué)習(xí)的相關(guān)反饋性能評估58-61
• 3.6 本章小結(jié)61-63
• 4 面向多模態(tài)信息的醫(yī)學(xué)病例檢索63-81
• 4.1 引言63-64
• 4.2 相關(guān)工作64-65
• 4.3 基于多圖半監(jiān)督學(xué)習(xí)的病例檢索算法65-72
• 4.3.1 圖上的標(biāo)號傳播與流形排序65-67
• 4.3.2 基于局部與全局一致性的融合圖學(xué)習(xí)框架67-69
• 4.3.3 基于高斯隨機(jī)場的融合圖學(xué)習(xí)框架69-70
• 4.3.4 結(jié)合影像和文本信息的醫(yī)學(xué)病例檢索70-72
• 4.4 實(shí)驗(yàn)結(jié)果與分析72-80
• 4.4.1 醫(yī)學(xué)病例數(shù)據(jù)集和實(shí)驗(yàn)設(shè)置72-74
• 4.4.2 與基于內(nèi)容的圖像檢索算法比較74-75
• 4.4.3 與基于特征融合策略的檢索算法比較75-77
• 4.4.4 圖融合系數(shù)對檢索性能的影響77-80
• 4.5 本章小結(jié)80-81
• 5 基于多特征的快速流形排序及在醫(yī)學(xué)圖像檢索中的應(yīng)用81-95
• 5.1 研究動機(jī)81-82
• 5.2 相關(guān)工作82-83
• 5.3 基于錨點(diǎn)圖的半監(jiān)督學(xué)習(xí)和流形排序83-84
• 5.4 面向多特征的快速流形排序算法84-87
• 5.4.1 基于線性融合的多特征排序84-85
• 5.4.2 基于序貫融合的多特征排序85
• 5.4.3 快速流形排序算法85-86
• 5.4.4 算法分析86-87
• 5.5 實(shí)驗(yàn)結(jié)果與分析87-93
• 5.5.1 實(shí)驗(yàn)設(shè)置87-88
• 5.5.2 檢索精度對比88-91
• 5.5.3 查詢時間對比91-93
• 5.6 本章小結(jié)93-95
• 6 總結(jié)與展望95-99
• 6.1 本文工作總結(jié)95-96
• 6.2 未來工作展望96-99
• 致謝99-101
• 參考文獻(xiàn)101-113
• 附錄113
• 攻讀博士學(xué)位期間發(fā)表的論文113
• 攻讀博士學(xué)位期間參加的科學(xué)研究情況113

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前2條

1 ;Manifold contraction for semi-supervised classification[J];Science China(Information Sciences);2010年06期

2 潘海為;李鵬遠(yuǎn);韓啟龍;謝曉芹;張志強(qiáng);高琳琳;;一種新穎的醫(yī)學(xué)圖像建模及相似性搜索方法[J];計算機(jī)學(xué)報;2013年08期

，

本文編號：678569