基于機器學習的醫(yī)學超聲圖像邊緣檢測算法研究.pdf

1、醫(yī)學超聲成像技術以其優(yōu)良的性能，成為臨床醫(yī)療中重要的輔助診斷手段。邊緣檢測是醫(yī)學超聲圖像處理的關鍵步驟，檢測結果會直接影響醫(yī)生對病情的診斷。超聲圖像獨特的散斑噪聲使傳統(tǒng)的邊緣檢測算法處理效果不很理想，且Sobel算子等傳統(tǒng)邊緣檢測算法對參數(shù)設置的局限性也制約了其在超聲圖像上的使用。
　　圖像邊緣檢測問題可以看成是邊緣點與非邊緣點的分類問題，因此可以用機器學習中的分類思想進行研究。機器學習算法在醫(yī)學圖像領域的邊緣檢測研究處于初步階段

2、，針對上述噪聲及參數(shù)設置的問題，本文以醫(yī)學超聲圖像為研究對象，采用AdaBoost算法和決策樹相結合的方式來研究邊緣檢測問題。針對機器學習算法中訓練集創(chuàng)建時需要進行人工圖像標注存在的工作量大、花費時間長、人為主觀意識強的不足，本文提出了基于整數(shù)DCT變換的超聲膀胱圖像自動標注算法，使機器學習算法更具實用性和推廣性。
　　本文主要的工作有：
　?。?）對傳統(tǒng)的邊緣檢測算子梯度算子、Sobel算子、拉普拉斯-高斯算子、Canny

3、算子等進行醫(yī)學超聲圖像的仿真實驗，分析對比其性能優(yōu)劣。
　　（2）提出基于整數(shù)DCT變換的超聲膀胱圖像自動標注算法。算法通過整數(shù)DCT變換、梯度算子、動態(tài)閾值確定邊界、邊界連接等步驟完成膀胱圖像的自動標注，仿真實驗結果表明，輪廓清晰，邊界連續(xù)，達到了圖像自動標注的目地。
　　（3）對機器學習算法在醫(yī)學超聲圖像邊緣檢測的應用進行研究：采用圖像自動標注的方式創(chuàng)建了訓練集，獲得了大量的訓練樣本。在特征提取過程中，以類Harr特征與