醫(yī)學圖像數(shù)據(jù)挖掘關鍵技術的研究.pdf

1、多媒體數(shù)據(jù)獲取和存儲技術的飛速發(fā)展導致了大規(guī)模多媒體數(shù)據(jù)庫的出現(xiàn)。多媒體數(shù)據(jù)的類型多種多樣，包括圖像、文本、視頻、音頻等等。對這些多媒體數(shù)據(jù)進行挖掘分析，能夠揭示出很多有意義的信息和知識。在多媒體數(shù)據(jù)庫上的挖掘稱為多媒體數(shù)據(jù)挖掘。圖像挖掘是多媒體挖掘的一個重要組成部分，可以提取出那些隱含在圖像數(shù)據(jù)庫中的知識或模式。最近，以醫(yī)學圖像為對象的圖像挖掘形成了一個重要研究領域——醫(yī)學圖像挖掘。醫(yī)學圖像挖掘是一個多學科交叉的研究方向，涉及到醫(yī)學、

2、計算機視覺、圖像處理、圖像檢索、機器學習、模式識別、人工智能、數(shù)據(jù)庫和數(shù)據(jù)挖掘等等。傳統(tǒng)數(shù)據(jù)挖掘算法很少考慮圖像數(shù)據(jù)和醫(yī)學領域知識，不適于醫(yī)學圖像的數(shù)據(jù)挖掘。
　　本文針對醫(yī)學圖像的特點，結合醫(yī)學領域知識，以腦部醫(yī)學圖像（包括與圖像相關的文字）為例，集中研究了醫(yī)學圖像挖掘問題，提出了一系列醫(yī)學圖像關聯(lián)規(guī)則、分類、相似性搜索和聚類等挖掘算法。本文的創(chuàng)新之處主要表現(xiàn)在如下五個方面：
　　第一，針對已有關聯(lián)規(guī)則算法中存在的只注重優(yōu)

3、化頻繁項集生成過程，不關注規(guī)則的生成過程，只注重優(yōu)化算法的執(zhí)行速度，不關注挖掘知識的質(zhì)量，尤其沒有考慮應用領域知識提高算法效率和挖掘知識的質(zhì)量等問題，本文提出了在領域知識指導下的醫(yī)學圖像關聯(lián)規(guī)則挖掘算法。在頻繁項集的生成算法中，本文根據(jù)領域知識給出了一個約束函數(shù)，對同時出現(xiàn)在同一個項集的對象進行了限制，大大減少了頻繁項集的生成。在規(guī)則生成算法中，本文給出另一個約束函數(shù)，對出現(xiàn)在規(guī)則前后項的對象進行限制，降低了規(guī)則的數(shù)量，同時提高了規(guī)則的

4、質(zhì)量。
　　第二，本文針對醫(yī)學圖像集合以及醫(yī)學圖像與相關文字混合的數(shù)據(jù)集合，構建了一個通用的分類器。對于醫(yī)學圖像集合，本文提出了關聯(lián)分類方法。該方法首先應用基于三級粒度表結構的關聯(lián)規(guī)則挖掘算法，將上一級粒度表挖掘得到的結果用于組成下一級粒度表，大大壓縮了每次掃描的數(shù)據(jù)表的規(guī)模。由于生成規(guī)則的后項限制為類標識，因此降低了挖掘規(guī)則的數(shù)量。本文將挖掘得到的關聯(lián)規(guī)則作為分類規(guī)則構造了關聯(lián)分類模型，同時給出了一個用于分支選擇的判定規(guī)則，對關

5、聯(lián)分類模型無法給出類標識的圖像，使用基于神經(jīng)網(wǎng)絡的方法對醫(yī)學圖像進行分類，取得很好的效果。對于圖像和文字混合的數(shù)據(jù)集合，本文在醫(yī)學領域知識的指導下提出了基于決策樹的分類算法，給出了與圖像相關的文字的泛化規(guī)則和分類度量屬性的優(yōu)先級，避免了選擇分類度量屬性的復雜計算過程。在復雜混合數(shù)據(jù)分類過程中，采用聯(lián)機獲取領域知識的方法，增加了分類的準確率和可靠性。
　　第三，本文針對醫(yī)學圖像的序列形式，提出了圖像序列相似模式（Image Sequ

6、ence Similarity Patterns，記為ISSP）的概念。對于各自包含一個圖像序列的兩個病患，ISSP是指隱藏在他們中的最長相似連續(xù)子模式。這些模式在醫(yī)學上具有很重要的意義，因為對醫(yī)生來說兩個病患的相似（即圖像序列相似）要比兩個單一的圖像相似更有實際意義。本文設計了基于領域知識的算法來發(fā)現(xiàn)每個病患的圖像序列模式ISP和病患之間的ISSP，以支持醫(yī)學圖像序列相似性搜索，提高了檢索的準確率。
　　第四，本文以具有診斷意義

7、的關鍵像素區(qū)域（Region of interest,記為ROI）為核心，提出了基于ROI的兩級聚類策略對醫(yī)學圖像進行聚類。在醫(yī)學領域知識的指導下，本文首先從ROI中提取最相關的特征，基于這些特征定義了ROI的相似性度量，提出ROI聚類算法。接下來，本文應用信息檢索中的理論定義了ROI在圖像中的權值和基于ROI權值的圖像相似性度量，給出了圖像聚類算法，獲得很好的聚類效果。
　　第五，目前還沒有一個完整的針對醫(yī)學圖像挖掘的系統(tǒng)框架。