基于張量分析的腦部醫(yī)學圖像識別.pdf

1、隨著計算機領域的不斷創(chuàng)新和發(fā)展，醫(yī)學成像技術也在不斷地提高。醫(yī)學圖像識別作為診療病情的關鍵技術手段，在醫(yī)學研究和臨床試驗方面需求龐大，發(fā)展迅速。作為是人體內最復雜也是最重要的器官，關于大腦的相關醫(yī)學研究非常依賴醫(yī)學圖像識別。腦部醫(yī)學圖像識別的基礎包括成像技術，腦部結構特征提取和分類等，因此腦部醫(yī)學圖像識別作為多學科交叉的領域，具有非常高的研究價值和意義。由于腦部醫(yī)學圖像的數據相對于一般圖像數據而言，其數據本質是三維空間結構的體素數據，傳

2、統(tǒng)上對圖像特征提取和分類算法的研究習慣于從向量的角度出發(fā)來考慮問題，然而這樣卻忽略了圖像結構上的特點，從而破壞了圖像的高階信息，這種圖像高階結構信息的損失不僅導致了圖像識別率的損失，還造成了居高不下的計算復雜度。如何能夠在保存空間結構信息的同時對高維空間結構數據進行特征提取和分類，成為現(xiàn)如今醫(yī)學圖像識別領域的一個問題。
　　本文結合高維空間結構數據，以數據張量化為研究重點，幫助腦部醫(yī)學圖像數據進行整體的特征提取提出改進，結合基于循

3、環(huán)卷積的張量模型以及張量主成分分析（簡稱 TPCA）的理論知識以及相關的基本概念，能夠廣泛的對各種醫(yī)學圖像數據進行張量數據分析。同時，本文以時下流行的SBD數據集，結合基于張量模型的主成分分析對數據張量化后的數據集進行提取圖像特征，用所提取的圖像特征對SBD醫(yī)學圖像進行識別分類，驗證并分析最后的處理結果。實驗證明，數據張量化方法在提取腦部醫(yī)學圖像這樣的高維空間結構數據的圖像特征方面具有良好的適用性，數據張量化后基于張量模型的算法比基于向