基于KAP有向圖模型的醫(yī)學圖像分類技術(shù).pdf

1、隨著計算機科學技術(shù)的快速發(fā)展和醫(yī)學圖像采集設(shè)備的大量普及，醫(yī)學圖像已經(jīng)被廣泛的應用在臨床診斷上，這其中包括 CT、MRI、PET等多種模態(tài)圖像。它們?yōu)獒t(yī)生的診斷提供了豐富而又寶貴的信息，提高了醫(yī)生診斷的效率和準確度，極大的促進了醫(yī)學領(lǐng)域的發(fā)展。
　　現(xiàn)階段，醫(yī)學圖像的數(shù)據(jù)量急劇攀升，如何高效準確的對大量的醫(yī)學圖像數(shù)據(jù)進行分類，使其更好的輔助醫(yī)生進行診斷成為了基于圖像數(shù)據(jù)挖掘研究的熱點。然而，由于醫(yī)學領(lǐng)域的特殊性和醫(yī)學圖像的復雜性，

2、都增加了對醫(yī)學圖像分類的難度。當前，對醫(yī)學圖像分類技術(shù)的研究還處在起步階段，仍有很多關(guān)鍵的問題亟待解決，繼續(xù)深入研究醫(yī)學圖像的分類技術(shù)有著十分重要的現(xiàn)實意義。另外，如何直觀并且準確的向醫(yī)生展現(xiàn)分類的過程和結(jié)果正日益被人們重視，信息的可視化作為一種有效的傳達和展示信息的手段，特別是隨著D3可視化技術(shù)的不斷發(fā)展，它把圖形、文字、色彩等視覺元素結(jié)合起來，并允許醫(yī)生進行交互式的操作，使醫(yī)生能夠更快捷的理解分類的過程和結(jié)果。針對目前存在的問題，本

3、文對醫(yī)學圖像分類技術(shù)進行了研究，并實現(xiàn)了醫(yī)學圖像分類的可視化，主要工作如下：
　　1）針對醫(yī)學圖像建模過程中圖模型不準確問題，提出了基于K最近鄰紋理角點（K NearestNeighborTextureAngularPoints，KAP）有向圖模型。KAP有向圖模型充分的利用了腦部CT圖像良好的紋理特性，在紋理位置處提取角點并作為圖模型的頂點，這保證了KAP有向圖中頂點的代表性和降低了構(gòu)圖的復雜性。同時，通過在KAP有向圖中建立有

4、向邊，充分的考慮了頂點和頂點間的空間結(jié)構(gòu)關(guān)系。并結(jié)合醫(yī)學領(lǐng)域的知識賦予每個頂點相應的可移動范圍，使本模型能夠真實反應出腦部CT圖像的特點，更具有實際應用價值。
　　2）針對醫(yī)學圖像分類過程中圖模型間相似性匹配精度不高問題，提出了KAP有向圖多步匹配方法，包括以下三個步驟：首先，提出了KAP有向圖粗粒度匹配算法，用來返回兩張KAP有向圖間頂點的初始匹配序列；其次，提出了KAP有向圖細粒度匹配算法，此算法引入了QFV和HFV描述符，用

5、來對KAP有向圖間的頂點進行進一步的匹配；最后，提出了KAP有向圖匹配的優(yōu)化算法，包括偽同構(gòu)結(jié)構(gòu)排除方法和遭誤刪頂點找回策略，從而準確的實現(xiàn)了KAP有向圖的相似性匹配過程，得到了KAP有向圖間相同的頂點和公共子圖。
　　3）進行對比實驗，從分類時間、準確率、召回率等方面對分類器進行評估，并與現(xiàn)存的醫(yī)學圖像分類方法進行對比，證明了本方法在時間復雜度和準確度方面都取得了較好的效果。最后，設(shè)計了醫(yī)學圖像分類可視化系統(tǒng)，對分類的過程和結(jié)果