基于关联规则的医学图像智能分类研究

论文摘要

面向医学图像的诊断技术研究作为医学和计算机科学的交叉学科,成为国内外医学领域研究的重要方向之一。利用数据挖掘和计算机技术,从医学图像中挖掘出蕴含在图像内的丰富特征信息和规则,辅助医生进行医学图像临床诊断,具有较高的学术价值和广泛的应用前景。目前,面向医学图像的数据挖掘研究刚刚起步,现有的数据挖掘方法直接应用在医学图像还存在许多问题。研究和探索适合于医学图像的数据挖掘方法及其算法具有重要而现实的意义。本研究系统回顾了医学图像关联规则挖掘的目的、意义和国内外研究状况,针对图像的自身特点及医学图像数据挖掘的应用要求,详细分析了医学图像关联规则挖掘方法。针对现有关联分类算法存在的问题,提出了基于关联规则的医学图像分类算法,并初步建立了基于图像特征的医学图像智能分类器。研究工作及取得的成果主要体现在以下方面:1、根据医学图像的特点,分别对基于直方图的颜色特征、基于灰度共生矩阵的纹理特征、基于Gabor小波的纹理特征等特征提取方法进行分析并实现。2、对提取出的医学图像特征利用粗糙集进行属性约简,并运用基于知识规则的特征加权方法确定属性的权值。3、针对CMAR算法（Accurate and efficient classification based onmultiple class-association rules,CMAR）用于医学图像挖掘时效率低下的缺点,提出基于双支持度的挖掘算法。此算法可以减少内存的开销,提高挖掘的精确度,适合于图像等海量数据库的关联规则挖掘。4、建立并实现医学图像智能分类器模型,应用CMAR算法及其改进算法实现对医学图像进行分类。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景与意义
• 1.2 国内外研究现状
• 1.3 研究内容与技术创新点
• 1.4 论文结构安排
• 第二章 医学图像预处理
• 2.1 医学图像的格式转换
• 2.2 医学图像归一化
• 2.2.1 医学图像尺度归一化
• 2.2.2 医学图像色彩归一化
• 2.3 医学图像的去噪与增强
• 2.3.1 医学图像去噪
• 2.3.2 医学图像增强
• 2.4 医学图像分割
• 2.4.1 医学图像分割原理
• 2.4.2 医学图像分割方法
• 2.4.3 医学图像分割现状
• 2.5 本章小结
• 第三章 医学图像数据的特征提取及其加权
• 3.1 医学图像数据特征
• 3.1.1 定量特征与定性特征
• 3.1.2 全局特征与局部特征
• 3.2 医学图像特征提取
• 3.2.1 灰度直方图特征提取
• 3.2.2 灰度共生矩阵特征提取
• 3.2.3 Gabor小波纹理特征提取
• 3.3 医学图像特征降维
• 3.3.1 特征降维
• 3.3.2 粗糙集基本理论
• 3.3.3 特征离散化
• 3.3.4 属性约简
• 3.4 医学图像特征加权
• 3.4.1 特征加权
• 3.4.2 特征加权的应用方法
• 3.4.3 基于知识规则理论的特征加权
• 3.5 本章小结
• 第四章 关联分类算法及其改进
• 4.1 关联规则
• 4.1.1 基本概念
• 4.1.2 Apriori算法
• 4.1.3 FP-growth算法
• 4.1.4 加权关联规则
• 4.2 分类关联规则
• 4.2.1 基本概念
• 4.2.2 关联分类规则的生成
• 4.2.3 CMAR分类关联规则算法
• 4.3 分类关联规则算法的改进
• 4.3.1 基于关联规则的医学图像分类算法
• 4.3.2 实验结果及算法性能评价
• 4.4 本章小结
• 第五章 基于关联规则的医学图像智能分类器
• 5.1 医学图像与疾病诊断
• 5.1.1 人体形态与医学图像
• 5.1.2 医学图像在疾病诊断中的作用
• 5.2 肝脏常见疾病及其诊断
• 5.2.1 正常肝脏CT图像及其特征
• 5.2.2 有病变的肝脏CT图像及其特征变化
• 5.3 医学图像智能分类器
• 5.3.1 实验系统框架
• 5.3.2 分类器算法描述
• 5.3.3 分类器系统设计
• 5.4 结果分析
• 5.4.1 智能分类原型系统的实现
• 5.4.2 实验结果分析
• 5.5 小结
• 第六章 总结与展望
• 6.1 工作总结
• 6.2 展望
• 致谢
• 参考文献
• 发表论文和科研情况说明