医学图像关联模式挖掘算法的研究

论文摘要

随着医学影像存储的急剧增加,人们迫切需要挖掘出隐藏在这些海量图像数据背后的有用信息。利用这些信息可以帮助医生对患者病情做出有效的诊断或方便专家对某些疾病进行更好的研究。本文首先分析国内外学者在医学图像挖掘领域所做的工作和取得的成就,然后针对医学图像挖掘所涉及的一些关键技术和相关算法进行分析和研究。在此基础上,针对人脑CT图像中的感兴趣区域ROI关联模式进行挖掘。主要研究内容和创新点如下：（1）医学图像的预处理。首先,对医学图像中的感兴趣区域ROI进行提取。其次,结合医学图像领域知识定义ROI的特征属性,并用Matlab进行提取。最后,根据ROI的特征属性对ROI进行聚类。（2）研究目前存在的两类较有影响的关联规则挖掘算法,以Apriori算法为代表的产生候选-验证模式算法和以FP-growth算法为代表的直接产生频繁项集算法。（3）基于对FP-growth算法的研究,本文提出基于差值约束的DiffFIMA算法,并将该算法用挖掘人脑CT图像中ROI的关联模式。（4）基于对类Apriori算法的研究,本文提出一个基于关联图和特征矩阵的关联规则挖掘算法GMA,该算法针对候选项集的产生和计算复杂度两个方面进行改进,并将其应用在人脑CT图像中ROI的关联模式挖掘。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 研究背景和意义
• 1.3 研究现状
• 1.4 问题的提出
• 1.5 研究内容
• 1.6 论文的组织结构
• 第2章 关联规则的基本理论
• 2.1 基本概念
• 2.2 关联规则挖掘的典型算法
• 2.2.1 基于多次迭代式的关联规则挖掘算法
• 2.2.1.1 Apriori算法的步骤
• 2.2.1.2 Apriori算法的伪码程序
• 2.2.1.3 Apriori算法实例
• 2.2.1.4 Apriori算法存在的问题
• 2.2.2 基于频繁模式树的关联规则挖掘算法
• 2.2.2.1 频繁模式树产生频繁项集算法的主要思想
• 2.2.2.2 FP-tree构造算法
• 2.2.2.3 FP-growth算法及流程图
• 2.2.3 其它关联规则挖掘算法
• 2.2.4 由频繁项集产生关联规则
• 2.3 存在的主要问题
• 2.4 本章小结
• 第3章 医学图像的预处理
• 3.1 医学成像技术简介
• 3.2 图像感兴趣区域ROI的提取
• 3.2.1 ROI的提取方法分类
• 3.2.2 阈值法对ROI的提取
• 3.2.3 ROI提取的流程图
• 3.3 ROI特征属性的提取
• 3.3.1 ROI特征属性的定义
• 3.3.2 ROI特征属性提取流程
• 3.3.3 ROI特征属性提取部分代码
• 3.4 ROI的聚类
• 3.4.1 相似性度量
• 3.4.2 CRA聚类算法伪码
• 3.5 图像事务数据库的组织
• 3.6 本章小结
• 第4章 基于差值约束的医学图像关联模式挖掘算法
• 4.1 问题的提出
• FIMA）'>4.2 基于差值约束的FIMA算法（Diff_FIMA）
• 4.2.1 基本概念
• 4.2.2 频繁信息矩阵构造算法
• 4.2.3 基于频繁信息矩阵的FIMA算法
• 4.2.4 基于差值约束的FIMA算法（Diff FIMA）
• 4.2.5 Diff FIMA算法流程图
• 4.2.6 算法分析
• 4.3 实验结果及分析
• FIMA算法与FP-growth算法性能比较实验'>4.3.1 Diff_FIMA算法与FP-growth算法性能比较实验
• 4.3.2 Diff FIMA算法挖掘ROI关联模式实验
• 4.4 本章小结
• 第5章 基于关联图和特征矩阵的医学图像关联模式挖掘算法
• 5.1 基于关联图的关联规则挖掘算法DLG
• 5.2 基于特征矩阵的关联规则挖掘算法FAR
• 5.3 问题的提出
• 5.4 基于关联图和特征矩阵的GMA算法
• 5.4.1 基本概念
• 5.4.2 特征矩阵和关联图的构建
• 5.4.3 矩阵剪枝策略
• 5.4.4 关联图选择扩展连接算法
• 5.4.5 频繁-k项集生成算法
• 5.4.6 算法分析
• 5.5 实验结果与分析
• 5.5.1 GMA算法与其它算法的性能比较试验分析
• 5.5.2 GMA算法挖掘ROI关联模式实验分析
• 5.6 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢