论文摘要
医学图像数量的迅猛增长,对基于内容的医学图像检索技术提出了强烈的发展要求。有效的基于内容的医学图像检索方法将在医学进步过程中发挥重要的辅助作用。为了解决这一问题,首先面临的一个难题就是如何准确快速的提取医学图像中的感兴趣区域(Region of Interest,ROI)。医学图像中的主要信息集中在病变区域,医生对病人的医学诊断、方案治疗、病例分析研究等工作都是建立在对病变区域的分析基础之上的。CT图像是当前医学领域应用最为广泛的医学影像类型之一。随着人们生活环境的变化以及人类生活习惯的改变,肺部疾病成为一类严重影响人类健康的主要疾病之一,尤其是肺癌更是危害人类生命的最严重的恶性肿瘤。站在为人类健康卫生着想的角度,本文将肺部CT图像为研究对象,展开对医学图像感兴趣区域提取的探索与研究,感兴趣区域的提取技术对于医学图像检索和模式识别技术都有深刻的意义。本文提出了融合一维最大类间方差法和数学形态学的方法分割肺实质,该方法利用了肺部CT图像的灰度信息进行分割,该方法能够有效的分割肺实质区域;再此基础上再使用二维最大类间方差法和数学形态学方法提取初步的感兴趣区域,然后在分析了病变征象的主要视觉特征的基础上,对这些感兴趣区域进行判断,在去除干扰噪声的情况下提取感兴趣区域;然后在提取不同类型征象的HOG特征并使用MMP分类器进行模型训练的基础上,对可能的感兴趣区域进行征象分类,进而得到最终的感兴趣区域,HOG特征能够很好的表示肺部征象特征,并且MMP分类器能够学习到很好的征象模型。本文所有实验均在真实病例肺部CT图像中进行。本文提出的基于一维otsu和数学形态学融合的方法对于肺实质区域的分割效果较为理想,能够达到92.14%的病例准确率和89.71%的图像准确率;二维otsu和数学形态学结合的感兴趣区域提取方法能够保证大部分的病变区域不被漏检;而基于HOG特征的感兴趣区域分类方法则可以把大量的无效的感兴趣区域去除,能够达到53.85%的灵敏度和88.68%的特异度,整体准确率为86.67%,本文方法对钙化图像的分类准确率为36.84%。