基于密度聚类和多特征融合的医学图像识别研究

论文摘要

图像识别是根据图像数据特征,利用识别理论与方法对图像进行分类的过程,属于图像处理和模式识别的研究范畴。医学图像识别是医学影像自动诊断的核心内容,是国内外医学领域重点研究的方向。医学图像中蕴含着丰富的人体图像特征信息和规则,其高分辨率、数据的海量性、图像特征表达的复杂性等特点,使得医学图像识别研究面临挑战。研究和探索适合于医学图像自动识别的技术、方法及其算法等医学图像识别的理论和实践问题具有重要而现实的意义,对辅助医生进行医学图像临床诊断具有重大实用价值。论文以医学图像数据为研究对象,在总结国内外关于医学图像识别研究的关键问题、技术方法和研究进展的基础上,针对医学图像数据特征的多维性、复杂性等特点,系统研究了医学图像识别问题,并提出基于密度聚类、多特征融合、融合特征关联的医学图像识别技术、方法及其算法。主要内容体现在以下几个方面。(1)医学图像数据密度分布研究。论文研究了非参数密度函数构造、混合密度函数构造,并将其应用到医学图像识别研究领域。图像象素的灰度及其密度是表达医学图像特征的主要内容,文章深入研究了医学图像的核密度估计函数和混合密度函数,提出适合医学图像数据的核密度估计模型和高斯混合密度估计模型。(2)基于密度聚类的医学图像识别研究。论文从聚类分析的角度出发,根据医学图像的核密度估计模型和高斯混合密度估计模型,提出了基于核密度模型的医学图像爬山聚类算法和基于高斯混合密度模型的医学图像数据加权聚类算法。应用这两种聚类算法进行了实验研究,结果表明,算法能够较好地分类出医学图像中有语义的人体器官,达到了医学图像有效识别的效果。这种基于密度聚类的医学图像识别为医学图像自动分割提供了新的技术支持。(3)基于多特征融合的医学图像识别研究。医学图像的许多特征都能在一定程度上表达医学图像内容,论文围绕多特征问题,试图从特征融合的角度,研究医学图像的识别问题。从表达医学图像的内容特征出发,论文系统研究了图像特征级的数据融合问题,提出医学图像特征数据融合的框架和基于多特征融合的医学图像识别方法和实现技术。(4)基于特征融合的医学图像关联识别研究。论文提出了一种基于特征融合的医学图像关联识别方法,该方法同时考虑医学图像的所有属性,在训练样本上挖掘频繁属性集和类标签之间的强关联规则,关联规则中的频繁项目集挖掘采用频繁闭项目集挖掘方法,并利用这些强关联规则构造分类器,从而可以判断给定医学图像是否正常,因而能进一步提高医生诊断病情的准确性。本文提出的基于密度聚类的医学图像识别方法及其算法、基于多特征融合的医学图像识别方法及其算法、基于融合特征的医学图像关联识别方法及其算法等创新性研究成果,对医学图像识别研究、医学图像自动诊断和临床医学早期诊断都具有重要意义。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 医学图像识别
• 1.1.1 数字图像处理与医学图像处理
• 1.1.2 图像数据挖掘与医学图像数据挖掘
• 1.1.3 图像识别
• 1.1.4 医学图像识别
• 1.2 研究背景与意义
• 1.2.1 研究现状
• 1.2.2 存在问题
• 1.2.3 研究意义
• 1.3 研究内容
• 1.3.1 研究概要
• 1.3.2 重点内容
• 1.3.3 研究特色
• 1.4 研究方法和技术路线
• 1.5 论文的组织
• 1.6 本章小结
• 第二章 医学图像及其特征表达
• 2.1 医学图像数据简介
• 2.1.1 医学成像技术
• 2.1.2 医学图像数据采集
• 2.1.3 DICOM 3.0标准
• 2.2 图像的预处理
• 2.2.1 图像尺度的归一化
• 2.2.2 图像色彩的归一化
• 2.2.3 图像数据的标准化
• 2.3 医学图像特征及其提取
• 2.3.1 医学图像特征
• 2.3.2 医学图像特征提取
• 2.3.3 医学图像特征选取
• 2.3.4 医学图像特征约简
• 2.4 本章小结
• 第三章 医学图像密度特征研究
• 3.1 密度函数
• 3.1.1 概述
• 3.1.2 非参数密度函数构造
• 3.1.3 混合密度函数构造
• 3.2 医学图像数据密度函数
• 3.2.1 医学图像数据的直方图和Rosenblatt密度函数
• 3.2.2 医学图像数据核密度估计函数及其特征表达
• 3.2.3 医学图像核密度函数特征
• 3.3 医学图像数据的混合密度函数及其特征表达
• 3.3.1 医学图像的高斯混合模型
• 3.3.2 高斯混合模型的参数估计
• 3.3.3 高斯混合模型中的参数K
• 3.3.4 确定参数k的实验
• 3.3.5 医学图像混合密度函数特征
• 3.5 本章小结
• 第四章 基于密度聚类的医学图像识别研究
• 4.1 聚类分析
• 4.1.1 聚类分析的定义
• 4.1.2 相似性度量
• 4.1.3 聚类算法
• 4.1.4 密度模型与聚类算法
• 4.2 基于核密度模型的医学图像聚类
• 4.2.1 密度函数的构造
• 4.2.2 基于核密度函数的数据聚类
• 4.2.3 基于核密度模型的医学图像爬山聚类算法
• 4.3 基于混合密度模型的医学图像聚类
• 4.3.1 混合密度函数的构建
• 4.3.2 混合密度与聚类算法
• 4.3.4 基于高斯混合模型的医学图像数据加权聚类算法
• 4.4 本章小结
• 第五章 基于多特征融合的医学图像识别研究
• 5.1 图像多特征数据融合
• 5.2 特征级数据融合
• 5.2.1 图像特征标准化
• 5.2.2 基于主元分析的特征级数据融合
• 5.3 决策级数据融合
• 5.3.1 图像的神经网络识别
• 5.3.2 基于多数投票法的决策级数据融合
• 5.4 基于多特征融合的医学图像识别
• 5.4.1 实验数据
• 5.4.2 特征级数据融合
• 5.4.3 决策级数据融合
• 5.4.4 实验研究结论
• 5.5 本章小节
• 第六章 基于融合特征关联的医学图像识别研究
• 6.1 关联规则
• 6.1.1 Apriori算法
• 6.1.2 基于FP-tree的关联规则挖掘算法FP-growth
• 6.2 全局频繁闭项目集挖掘及其更新算法
• 6.2.1 全局频繁闭项目集挖掘
• 6.2.2 全局频繁闭项目集挖掘算法
• 6.2.3 全局频繁闭项目集更新算法
• 6.3 关联分类规则
• 6.3.1 基本概念
• 6.3.2 关联分类规则集的生成
• 6.3.3 关联分类规则集的应用
• 6.4 基于特征融合的医学图像关联识别
• 6.4.1 数据清洗及特征提取
• 6.4.2 特征融合
• 6.4.3 实验结果
• 6.5 本章小结
• 第七章 结语
• 7.1 本文总结
• 7.2 进一步的研究工作
• 7.3 本章小结
• 致谢
• 参考文献
• 附录Ⅰ 读博期间发表、录用的论文目录
• 附录Ⅱ 读博期间主持和参加的科研项目