基于特征提取和机器学习的医学图像分析

论文摘要

当代随着计算机技术和医学的飞速发展,计算机辅助诊断已经收到越来越多的关注,也逐渐呈现出了它的重要性和复杂性。在医学影像学的研究中,X线乳腺,CT肺结节,肝脏B超,头部CT等都取得了一定的成果。本文结合国内外的研究成果,首次将Bag of Keypoints综合算法理论引入到医学图像的处理中,在此之前,Bag of Keypoints综合算法已经在人脸识别,车辆识别和文字判别等领域取得了丰硕的成果。文章第一部分通过对肝脏CT图像的特征提取、聚类分析和机器学习,完成了对正常肝脏和肝癌肝脏的模式分类。第一部分的分类器是基于特征点的分类,即在特征提取阶段采用具有尺度旋转仿射不变的SIFT算子进行描述,经过K-means聚类得到码书,并采用支持向量机算法进行学习,最终判决分类。第二部分的分类器是基于形状特征的分类器,即将病灶区域通过图像分割单独划分出来,并采用Zernike矩描述这个感兴趣区域的形状特征,再通过支持向量机进行学习分类。实验表明,Bag of Keypoints综合算法可以实现正常和肝癌CT的分类,简单的基于形状特征对早中期和晚期肝癌进行分类也是可行的,支持向量机在两个学习样本较少的实验中都表现出了良好的泛化能力,但这套方法离临床肝脏CT图像分析应用还有一段距离。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 国内外研究现状
• 1.3 研究背景及意义
• 1.4 本文的组织结构
• 第二章 相关知识介绍
• 2.1 计算机辅助诊断
• 2.2 CT 图像
• 2.3 图像预处理
• 2.3.1 直方图
• 2.3.2 去噪
• 2.3.3 图像增强
• 2.4 图像的特征提取
• 2.5 图像的分类
• 2.6 点袋理论
• 第三章 基于点袋理论的肝脏CT图像分类
• 3.1 引言
• 3.2 SIFT算子
• 3.2.1 DOG空间的建立
• 3.2.2 使用SIFT算子描述图像特征
• 3.3 聚类分析
• 3.3.1 传统的聚类分析计算方法
• 3.3.2 K-means算法
• 3.4 机器学习
• 3.4.1 机器学习的概念及原理
• 3.4.2 机器学习的分类
• 3.5 支持向量机（SVM）
• 3.5.1 支持向量机与人工神经网络的比较
• 3.5.2 最优分类超平面
• 3.5.3 支持向量机的核函数
• 3.5.4 SVM中核函数及参数的选择
• 3.5.5 LibSVM工具箱
• 3.6 分类器设计及实验结果分析
• 第四章 图像分割与肝癌不同时期的分类
• 4.1 基于分水岭算法的图像分割
• 4.2 形状特征的提取
• 4.2.1 Zernike矩
• 4.2.2 基于Zernike矩不变量描述的图像形状特征
• 4.3 基于形状特征的分类器设计及实验结果分析
• 第五章 总结与展望
• 5.1 本文工作总结
• 5.2 下一步的工作展望
• 硕士研究生期间研究工作情况
• 参考文献
• 致谢