發(fā)布時(shí)間：2017-07-13 15:19

  本文關(guān)鍵詞：基于內(nèi)容的醫(yī)學(xué)圖像檢索

  更多相關(guān)文章： 基于內(nèi)容的醫(yī)學(xué)圖像檢索 高斯-馬爾可夫隨機(jī)場 彈性配準(zhǔn) 病灶區(qū)域定位雙樹復(fù)小波變換 K-L距離 廣義高斯密度

【摘要】： 基于內(nèi)容的圖像檢索(CBIR),近十年來一直是研究的熱點(diǎn),但一直都未有重大的突破。本文從CBIR的概述入手,概述了CBIR系統(tǒng)的組成和所涉及的關(guān)鍵技術(shù),回顧了目前的研究進(jìn)展和主流的研究方法及已完成的各種系統(tǒng),同時(shí)分析了醫(yī)學(xué)圖像的特點(diǎn),最后,本文圍繞CBIR在醫(yī)學(xué)中的應(yīng)用,研究了以下問題: (1)基于GAUSS-MARKOV隨機(jī)場模型的MR圖像分割(對應(yīng)于本文第二章)。圖像分割是圖像關(guān)鍵內(nèi)容區(qū)域的選取及量化的基礎(chǔ),利于用圖像的關(guān)鍵內(nèi)容信息進(jìn)行檢索。高斯—馬爾可夫隨機(jī)場模型既利用了圖像像素的灰度信息,又通過像素類別標(biāo)記的Gibbs光滑先驗(yàn)概率引入了圖像的空間信息,是能較好地分割含有噪聲的圖像的模型。然而,Gibbs懲罰因子的確定卻一直是個(gè)難點(diǎn),為獲得好的分割效果,通常用多個(gè)值人工嘗試。本文針對此問題,提出了一種新的、簡單的、類自適應(yīng)的懲罰因子,其利用后驗(yàn)概率來自動計(jì)算,并具有各類各向異性。再將模型利用EM-MAP算法來迭代求解。最后,將本文算法應(yīng)用于MR圖像的分割,實(shí)驗(yàn)表明該算法能自適應(yīng)地、有效地分割噪聲圖像,并具有較高的正確分類率和類正確分類率。 (2)基于彈性配準(zhǔn)的圖像感興趣區(qū)域定位(對應(yīng)于本文第三章)。疾病的診斷,主要是依據(jù)病變區(qū)域的形狀,大小,及其所在的解剖位置,因而病變區(qū)域?yàn)楦信d趣區(qū)域。感興趣區(qū)域的確定有利于在CBIR中只關(guān)注醫(yī)學(xué)圖像信息的主要部分,得出利于檢索的關(guān)鍵信息,使用于檢索的特征量顯著減少。目前,眾多的CBIR都提供了ROI確定的方法,但往往是采用人工交互的方式。如Blobworld中,則先采用圖像分割的方法,據(jù)待檢索圖像的多種性質(zhì),如紋理,色彩,極性,將待檢索圖像分割為多個(gè)區(qū)域,然后通過交互的方式,手工確定一個(gè)ROI。本文則嘗試使用彈性配準(zhǔn)的方法來自動的確定ROI。 (3)圖像特征提取(對應(yīng)于本文第四章)。圖像特征提取是圖像檢索的基礎(chǔ)與關(guān)鍵。常用的特征提取方法有:用傅立葉描述符和不變矩表示的形狀特征,小波紋理特征,Gabor小波紋理特征。但傳統(tǒng)小波變換具有的兩大缺點(diǎn):平移變化性,缺乏方向性。Gabor小波具有方向選擇性,但Gabor小波由于非正交性具有大量的數(shù)據(jù)冗余且不可逆向重構(gòu),并具有較高的計(jì)算代價(jià)。在仔細(xì)分析了以上小波變換的缺點(diǎn)后,本文重點(diǎn)介紹了能克服以上小波缺點(diǎn)的雙樹復(fù)數(shù)小波變換(DT-CWT)及其原理,并將以此作為圖像特征提取的方法。 (4)基于DT-CWT和K-L距離(Kullback-leibler distance)相似性測度的腦部MR圖像檢索(對應(yīng)于本文第五章)。對各圖像進(jìn)行二階DT-CWT后,每級分解得到6個(gè)方向的小波子帶系數(shù),再利用廣義高斯密度(Generalized GaussianDensity)函數(shù)來逼近各子帶系數(shù)的直方圖,即使用最大似然估計(jì)法得出與各直方圖相近的廣義高斯密度函數(shù)的參數(shù),用矩匹配法得出參數(shù),以這12組特征值來表示該圖像特征。提取出圖像特征后,本文則基于最大似然規(guī)則的圖像檢索理論,使用基于鏈?zhǔn)揭?guī)則的K-L相似性測度來進(jìn)行特征匹配。 最后,本文對以上研究進(jìn)行了總結(jié),并對醫(yī)學(xué)CBIR研究進(jìn)行了展望,討論了未來的研究方向和目標(biāo)。
【關(guān)鍵詞】：基于內(nèi)容的醫(yī)學(xué)圖像檢索 高斯-馬爾可夫隨機(jī)場 彈性配準(zhǔn) 病灶區(qū)域定位雙樹復(fù)小波變換 K-L距離 廣義高斯密度
【學(xué)位授予單位】：南方醫(yī)科大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2008
【分類號】：TP391.41
【目錄】：

• 摘要3-5
• ABSTRACT5-10
• 第一章 緒論10-19
• 1.1 CBIR技術(shù)概述10-12
• 1.2 醫(yī)學(xué)CBIR系統(tǒng)研究現(xiàn)狀和主要研究內(nèi)容12
• 1.3 基于內(nèi)容的醫(yī)學(xué)圖像檢索的研究目得和意義12-13
• 1.4 醫(yī)學(xué)圖像的特點(diǎn)13-14
• 1.5 本文主要研究內(nèi)容及文章結(jié)構(gòu)14-15
• 參考文獻(xiàn)15-19
• 第二章 基于類自適應(yīng)Gauss-Markov隨機(jī)場模型和EM算法的MR圖像分割19-30
• 2.1 引言19-20
• 2.2 類自適應(yīng)的G-MRF模型20-23
• 2.2.1 G-MRF分割模型及其EM算法20-22
• 2.2.2 類自適應(yīng)的懲罰因子及勢函數(shù)22-23
• 2.3 分割算法及實(shí)驗(yàn)23-26
• 2.3.1 算法描述23-24
• 2.3.2 實(shí)驗(yàn)及分析24-26
• 2.4 結(jié)論與討論26-28
• 參考文獻(xiàn)28-30
• 第三章 基于配準(zhǔn)方法的醫(yī)學(xué)圖像感興趣區(qū)域定位30-40
• 3.1 感興趣區(qū)域定位的意義及常用方法30
• 3.2 醫(yī)學(xué)圖像配準(zhǔn)概述30-31
• 3.3 采用配準(zhǔn)方法進(jìn)行ROI定位的原因31
• 3.4 本文采用的配準(zhǔn)方法—Hany Farid的彈性配準(zhǔn)方法31-33
• 3.4.1 基本原理31-33
• 3.4.2 算法實(shí)現(xiàn)流程33
• 3.5 ROI區(qū)域的判定33-38
• 3.5.1 圖像區(qū)域的離心率36-37
• 3.5.2 ROI的判定實(shí)驗(yàn)結(jié)果37-38
• 3.6 小結(jié)38
• 參考文獻(xiàn)38-40
• 第四章 圖像特征提取40-55
• 4.1 引言40
• 4.2 常用的特征提取方法40-45
• 4.2.1 形狀特征—傅立葉描述符和不變矩41-43
• 4.2.2 離散小波變換43-44
• 4.2.3 Gabor小波變換44-45
• 4.3 離散小波變換(DWT)和雙樹復(fù)小波變換(DT-CWT)45-53
• 4.3.1 DWT及其缺點(diǎn)46-47
• 4.3.2 DT-CWT47-53
• 參考文獻(xiàn)53-55
• 第五章 基于DT-CWT和K-L距離相似性測度的腦部MR圖像檢索55-67
• 5.1 引言55
• 5.2 基于最大似然選擇規(guī)則的圖像檢索55-57
• 5.3 小波系數(shù)的廣義高斯密度(GGD)模型57
• 5.4 GGD函數(shù)的參數(shù)估計(jì)57-59
• 5.5 兩個(gè)GGD函數(shù)間的K-L距離相似性測度59
• 5.6 采用DT-CWT和K-L距離測度的圖像檢索59-65
• 5.6.1 檢索結(jié)果62-65
• 5.6.2 算法的查準(zhǔn)率和查全率65
• 參考文獻(xiàn)65-67
• 第六章 總結(jié)與展望67-68
• 攻讀學(xué)位期間成果68-69
• 致謝69-70

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 王春燕;郭圣文;吳效明;;基于內(nèi)容的醫(yī)學(xué)圖像檢索[J];醫(yī)療衛(wèi)生裝備;2008年05期

2 李金;梁洪;;基于面積直方圖及交互信息測度論的醫(yī)學(xué)圖像檢索方法[J];生命科學(xué)儀器;2007年12期

3 王超;陳曦;張紅;;一種基于退化模型的高分辨率SAR去噪算法[J];遙感學(xué)報(bào);2006年01期

4 李封;趙薇;;基于內(nèi)容的醫(yī)學(xué)圖像檢索技術(shù)的研究[J];機(jī)械設(shè)計(jì)與制造;2009年12期

5 張相芬;田蔚風(fēng);陳武凡;張洪梅;;基于Gaussian-MRF的DTI圖像的正則化[J];遼寧工程技術(shù)大學(xué)學(xué)報(bào);2007年01期

6 王瑞;劉紅喜;郝德芳;孫俊喜;楊華民;;一種具有邊界保持特性的圖像修補(bǔ)方法[J];計(jì)算機(jī)工程與應(yīng)用;2010年29期

7 王輝;楊林;丁金華;;基于特征級數(shù)據(jù)融合木材紋理分類的研究[J];計(jì)算機(jī)工程與應(yīng)用;2010年03期

8 王文輝;馮前進(jìn);劉磊;陳武凡;;基于類自適應(yīng)高斯-馬爾可夫隨機(jī)場模型和EM算法的MR圖像分割[J];中國圖象圖形學(xué)報(bào);2008年03期

9 沈曄;李敏丹;夏順仁;;基于內(nèi)容的醫(yī)學(xué)圖像檢索技術(shù)[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2010年04期

10 張相芬;張洪梅;田蔚風(fēng);;基于模擬回火退火的DT-MR圖像平滑和估計(jì)[J];上海交通大學(xué)學(xué)報(bào);2007年04期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 王文輝;基于內(nèi)容的醫(yī)學(xué)圖像檢索[D];南方醫(yī)科大學(xué);2008年

2 吳天京;基于內(nèi)容的醫(yī)學(xué)圖像檢索研究[D];大連理工大學(xué);2007年

，

本文編號：537424