（计算机软件与理论专业论文）融合全局和局部特征的医学图像分类.pdf

h 、； 0 - ， 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作 及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方 冀 外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为 ：。i 获得电子科技大学或其它教育机构的学位或证书而使用过的材料。与 我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的 说明并表示谢意。 驯晖崩枷 关于论文使用授权的说明 本学位论文作者完全了解电子科技大学有关保留、使用学位论文 的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘， 允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文的全 部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描 等复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后应遵守此规定) 躲叠盥聊签名：基竣 日期：叫p 年乡自夕钼 书 ， 也 崎 k 吃 摘要 摘要 随着医学影像技术的发展，医学影像正为现代医学提供着越来越丰富和详细 的信息，各种模态的医学图像( 如，x 光、c t 、m r i 等) 在临床诊断、教学和科 研等方面正发挥着极其重要的作用。近些年来，医学图像数字化的步伐越来越快， 数字医学图像的数量也正在迅速增加，并且呈现加速的趋势，如何从这些海量的 医学图像中找到需要的图像成为一个日益迫切的问题。但是，目前医学图像检索 技术的发展则相对滞后，成为制约数字医学图像充分利用的一个瓶颈。对于异构 的医学图像库，如果把医学图像按图像模态、身体部位、器官等属性进行分类， 就能有效地改善图像检索的性能。虽然d i c o m 头部包含了一些属性信息，但 d i c o m 头部信息有很高的错误率，最近的研究表明d i c o m 头部信息中身体部位 字段的错误率达到1 6 。因此，医学图像自动分类技术逐渐被认识到是进行大型 医学图像库检索不可缺少的一环。通过它可以缩小语义间隔，在检索过程中过滤 掉不相关的类别、减小搜索空间，从而提高检索的性能。 医学图像自动分类就是为医学图像赋予语义类别的标签，这可以看成是一个 监督学习的过程。它通过一些机器学习的方法来学习图像特征到语义类别的映射， 从而把特征对应的图像按预定义的类别进行分类。医学图像自动分类的研究涉及 图像特征提取和分类器的构造两个方面，通常的图像分类算法采用全局特征或者 局部特征来表示图像。全局特征是以一幅图像的所有像素来计算的特征，它从整 体上来描述图像；局部特征则是用来描述图像的局部细节信息，特别地，近年来 人们提出了一些对光照和遮挡具有很强鲁棒性的局部特征。这两种类型的特征提 供了关于图像的不同信息，因此，如果能把它们结合起来将能提高医学图像自动 分类算法的精度。 本文在分析和比较了多种全局特征和局部特征的基础上，探索和研究了两种 结合全局特征和局部特征的医学图像分类算法，分别为底层特征融合和高层特征 融合。底层特征融合是把不同的特征连接起来组成一个新的特征；高层特征融合 把每种特征对应的分类结果进行融合。实验结果表明我们的方法能有效地提高医 学图像分类的精度。本文的主要贡献有： ( 1 ) 从图像特征表示和分类器构造这两个角度回顾了医学图像分类的相关研 究现状，展示了该方向的发展趋势。 t 摘要 ( 2 ) 分析了多种常用的全局特征，并通过实验比较了它们在医学图像分类中 的性能。 ( 3 ) 分析了当前流行的局部特征，并通过实验比较了它们在医学图像分类中 的性能。 ( 4 ) 通过前面的比较，择优选择了几种全局特征和局部特征；并探讨了两种 特征融合方式。实验结果表明结合全局特征和局部特征可以提升医学图像检索的 精度，采用高层特征融合方式融合分块的l b p 特征和分块的m o d s i f t 特征可以达 到最高的分类正确率。 医学图像分类，支持向量机，局部特征，全局特征，特征融合 i i 譬 巷 ，4 r a b s t r a ( 、t a b s t r a c t w i mm ed e v e l o p m e n to fm e d i c a li m a 酉n gt e c h n 0 1 0 9 y m o r ea b u n d 觚ta i l dd e t a i l e d i n f o 彻a t i o ni sp r o v i i i e db ym e d i c a li m a 百n gf o rm o d e n lm e d i c i n e ，a n dv a r i o u sm o d e so f m e d i c a li m a g e s ( s u c ha s ，x - r a y ，c t ，m r i ，e t c ) a r ep l 聊n ga 1 1e x 仃锄e l yi m p o r t a n tr o l e i nc l i n i c a ld i a 印o s i s ，t e a c h i n ga 1 1 ds c i e n t i f i cr e s e a r c h i nr e c e n ty e a r s ，d i 西t a lm e d i c a l i m a g e sa r e 印p l i e dw i d e l y ，a 1 1 dm e n u n l b e ro fd i g i t a lm e d i c a li m a g e si sa l s oi n c r e a s i n g r a p i d l ya 1 1 da c c e l e r a t e d h o wt o6 n dt h en e e d e di m a g e s 仔o ma1 a r g ev o l u m eo fm e d i c a l i m a g e sd a t a i sb e c o m i n ga l lu 玛e n ti s s u e h o w e v t h em e d i c a li m a g er e l 矗e v a l t e c h n 0 1 0 9 yi su n s a t i s f i e d ，a n db e c o m e sab o t t l e n e c kf o rm 1 1u s eo fd i 百t a lm e d i c a l i m a g e s f o rah e t e r o g e n e o u sm e d i c a li m a g ed a t a b a s e ，i f t h em e d i c a li m a g e sa r e c l a s s i f i e db ym ei m a g em o d a l i t mb o d yp a r t s ，o r g a n sa n do t h e ra t t m u t e s ，i t c a i l e f j 陀c t i v e l yi m p r o v et h ei m a g er e t r i e v a lp e r f o 肌a n c e a l t h o u 曲t h ed i c o mh e a d e r c o n t a i n ss o m ea t t r i b u t ei n f o r m a t i o n ，d i a d mh e a d e ri n f o 咖a t i o nh a sah i g he r r o rr a t e s ， r e c e l l ts n l d i e si n d i c a t et h a tt h ea t t r f b u t e ，b o d yp a r te x 锄i n e d ，i nd i c o mh e a d e rh a s a n e r r o rr a t eo f16 t h e r e f 0 r e ，a u t o m a t i cm e d i c a li m a g ec l a s s i f i c a t i o ni sb e i n gr e c o g n i z e d a sa ni n d i s p e n s a b l ep a nf o rl a r g em e d i c a li m a g er e t r i e v a ls y s t e m i tc a l ln a r r o wt h e s e m a i n i c sg a p ，j f i h e ro u tn o n r e l e v a n tc a t e g o r i e si nt h er 嘶e v a lp r o c e s s ，a n dr e d u c em e s e a r c hs p a c e ，a c c o r d i n 9 1 yt oe 1 1 h a i l c em er e t r i e v a lp e r f o m l a l l c e a u t o m a t i cm e d i c a li m a g ec l a s s i f i c a t i o ni st o 百v et h es e m a n t i cc a t e g o r y1 a b e l st o m e d i c a li m a g e s ，w h i c hc a nb er e g a r d e da sas u p e n ，i s e dl e a n l i n gp r o c e s s i tl e 锄st h e m a p p i n gm ) mi m a g ef e a t l l r e s t os e m a i l t i cc a t e g o r i e sb ys o m em a c h i n el e a m i n g a l g o r i t h m s t oc l a s s 毋c o r r e s p o n d i n gi m a g e st op r e d e f i n e dc a t e g o r i e s a u t o m a t i c m e d i c a li m a g e sc l a s s m c a t i o nc o n t a i n st w op a r t s ：i m a g ef e a t u r ee x t r a “o na 1 1 dc l a s s i f i e r c o n s t m c t i o n m o s ti m a g ec l a s s m c a t i o na l g o d t l l m st e l l dt ou s ee i t h e r9 1 0 b a lf e a m r e so r 1 0 c a lf e a t u r e st or 印r e s e n ti m a g e s g 1 0 b a lf e a n l r ei sc a l c u l a t e d 丘d ma 1 1p i x e l so fa 1 1 i m a g ea i l dd e s 嘶b e st h ei i l l a g ea saw h 0 1 e ；l o c a lf e 狐l r e sa r eu s e dt od e s 谢b et h e1 0 c a l d e t a i l so fa ni m a g e ，a i l da l w a y sm o r er o b u s tt o1 i 曲t i n ga n do c c l u s i o n 1 1 1 e 铆ot y p e so f f e a t u r e sp r o v i d ed i 任矗e n ti n o 肌a t i o na b o u tt h ei m a g e s ，s oi ti sr e a s o n a b l et oc o m b i n e 西o b a lf e a t u r ea n d1 0 c a lf e a t u r et oi m p r o v et h ec l a s s i f i c a t i o na c c u r a c y i i i a b s t r a c t b a s e do nt h ea n a l y s i sa i l dc o m l ) 撕s o no fav 撕e t yo fg l o b a lf e a t u r e sa n d1 0 c a l f e a t u r e s ， t h i sd i s s e r t a t i o n e x p l o r e s a n ds t u d i e st w om e d i c a l i m a g ec l a s s i f i c a t i o n a l g o r i t l l i l l s ，w h i c hc o l l 【b i n i n g 百o b a lf e a t u r e sa i l d1 0 c a lf e a t u r e s t h e ya r en 锄e da s 1 0 w l e v e lf e a t u r em s i o na n dh i 曲一l e v e lf e a t u r e 如s i o n l o w 。l e v e lf e a n l r e 如s i o n c o n c a t e n a t e sd i 伍e r e n tf - e a t u r e st of o maf e 砷j r ev e c t o r ；h i 曲1 e v e lf e a t u r em s i o n 凡s e s t h ec l a s s i f i c a t i o nr e s u l t sb a s e do nd i f f 旨e mf e a t u r e s ：巳x p 鲥m e i l t a lr e s u l t ss h o wt h a to u r m e t h o d sc a l le 丘e c t i v e l yi m p r 0 v et h ea c c u r a c yo fm e d i c a l i m a g ec l a s s i f i c a t i o n t h em a i n c o n t r i b u t i o n so f 衄sd i s s e r t a t i o n 踟- e ： ( 1 ) t h es t a t eo fm ea r ti nm e d i c a li m a g ec l a s s i f i c a t i o ni sr e v i e w e d 矗o mt h et w o p e r s p e c t i v e s ，f e 栅er e p r e s e n t a t i o na i l dc l a s s i f i e r ，2 u l dt h et r e l l d so ft h i sr e s e a r c ha r e a a r ee x h i b i t e d ( 2 ) r o u sc o i i l i i l o nu s e dg l o b a lf e a t u r e sa r ea n a l y z e d ，a n dm e i rp e 墒m a n c e si n m e d i c a l i m a g ec l a s s i f i c a t i o na r ec o m p a r e db ye x p e r i m e n t s ( 3 ) c u r r e n tp o p u l a rl o c a lf e a n l r e sa r ea 1 1 a l y z e d ，a n dt h e i rp e r f o n n a n c e si nm e d i c a l i m a g ec l a s s i 丘c a t i o na r ec o m p a r e db y 懿p e r i m e n t s ( 4 ) s e v e r a ls u p e r i o r9 1 0 b a lf e a t l l r e sa n dl o c a lf e a t u r e sa r ec h o o s e db a s e do nt h e p r e v i o u sc o m p 撕s o ns t i l d i e s ，a n dt w of e a t u r e如s i o nm e t h o d sa r ee x p l o r e d t h e e x p 耐m e n t a lr e s u l t ss h o wm a tc o m b i n i n gg l o b a la n d1 0 c a lf e a t u r ec a nb o o s tm e d i c a l i m a g er 嘶e v a l ，a n dc o m b i n i n gl b pa 1 1 dm o d s i f tf e a t l l r e sw i t hh i 曲1 e v e lf e a t u r e 如s i o nc a na c h i v et h eb e s tp e r f o 姗a n c e 。 k e y w o r d s ：p a t t e mc l a s s i 6 c a t i o n ，s u p p o r tv i e c t o rm a c h i n e ，百o b a lf e a t u r e s ，1 0 c a lf e a t u r e ， f e a n 。ef h s i o n 包， 。“ i l 7 越 目录 目录 第一章绪论1 1 1 研究背景和意义1 1 2 医学图像分类的难点问题2 1 3 本文内容与贡献3 1 4 本文的结构安排3 第二章医学图像分类的理论与方法5 2 1 图像分类发展历程5 2 2 自动图像分类基本流程5 2 3 医学图像的特点7 2 3 1 多模态性7 2 3 2 不均匀和模糊性7 2 3 3 数据异质性8 2 3 4 时空关系一8 2 3 5 特定的数据库技术及其网络通讯标准8 2 4 图像底层特征介绍8 2 4 1 颜色特征8 2 4 2 纹理特征9 2 4 3 形状特征10 2 4 4 多特征融合11 2 5 分类算法介绍1 1 2 6 公共竞赛与公共图像库1 2 2 6 1i m a g e c l e f 发展1 3 2 6 2 眦医学图像库1 3 2 6 3 洲a c o d e 1 3 2 7 本章小结15 第三章s 垤分类器原理。1 6 v 目录 3 1 线性支持向量机1 6 3 2 非线性支持向量机1 8 3 3 支持向量机的应用2 0 3 4 本章小结2 1 第四章基于全局特征的医学图像分类2 2 4 1a p p e a r a n c e - b a s e d 特征及i d m 相似度量2 2 4 1 1a p p e a r a n c e b a s e d 犒；征2 2 4 1 2i d m 原理2 2 4 2t a m u r a 纹理特征2 4 4 2 1 粗糙度2 4 4 2 2 方向度2 5 4 2 3 对比度2 6 4 2 4t a m u r a 直方图2 6 4 3g a b o r 纹理特征2 7 4 4l b p 纹理特征2 8 4 4 1l b p 算子2 9 4 4 2l b p 算子的旋转不变性31 4 4 3l b p 算子的统一模式3 2 4 4 4l b p 直方图3 3 4 5 实验数据与评判准则3 3 4 5 1 医学图像数据集3 3 4 5 2 实验评判准则3 5 4 6 实验及讨论3 6 4 6 1 实验安排3 6 4 6 2 实验结果与分析3 7 4 7 本章小结4 1 第五章基于局部特征的医学图像分类4 2 5 1s i f t 特征4 2 5 1 1 图像的多尺度表示4 3 5 1 2s i f t 特征提取算法4 5 v i 鼙 ， 4 - p _ k 目录 5 2m o d s i f t 特征5 1 5 3b a g - o f 二w b r d s 特征表示5 1 5 4 实验及讨论5 3 5 4 1 实验安排5 3 5 4 2 实验结果与分析5 4 5 5 本章小结。5 8 第六章融合全局和局部特征医学图像分类5 9 6 1 底层特征融合5 9 6 2 中间层特征融合5 9 6 3 高层特征融合6 0 6 4 实验及讨论6 1 6 4 1 实验安排6 1 6 4 2 实验结果与分析6 1 6 5 本章小结6 6 第七章结论与展望6 7 7 1 本文主要工作及结论6 7 7 2 今后工作展望6 7 致谢。6 9 参考文献7 0 个人简历。7 6 攻硕期间研究工作7 7 v i i 、i k 图目录 图目录 图2 1 图像分类基本流程图一6 图2 2i r m a c o d e 示例图l4 图3 1 线性可分时s v m 示例图。1 7 图3 2 线性不可分时线性s v m 示例图18 图3 3 使用核函数的s v m 示例图1 9 图4 。1 按行取像素点作为特征2 2 图4 2i d m 模型像素比较模型2 4 图4 3 像素点四个相邻的窗口( k _ 7 ) 一2 5 图4 4t a m u r a 特征空间量化示例图2 7 图4 5 左：空域，右：频域2 8 图4 6 基本l b p 算子方法2 9 图4 7 扩展l b p 算子示例图2 9 图4 8 不同参数下l b p 算子效果3 1 图4 9 旋转不变的l b p 示例图3 2 图4 1 0 实验图像3 5 图4 1 1 图像分割实例图3 6 图4 1 2 类内变化示例图3 7 图4 1 3 类间变化示例图3 8 图4 1 4 混淆矩阵表( g a b o r 特征) 3 9 图4 1 5 混淆矩阵( t a m u r a 特征) 3 9 图4 1 6 混淆矩阵表( a p p e 删l c e - b a s e d ( i d m ，k n n ) ) 4 0 图4 1 7 混淆矩阵表( a p p e a r a n c e - b a s e d ) 4 0 图4 18 混淆矩阵( l b p ( s u b d i v i s i o n8 8 ，16 8 u 2 ) ) 一4 1 图5 。1 图像金字塔4 4 图5 2d o g 空间金字塔生成过程4 6 图5 3d o g 空间局部极值点检测4 7 图5 4 粗特征点4 7 图5 5 ( a ) 舍除低对比度点( c ) 消除边缘响应后4 9 v t h 图目录 图5 6 由梯度方向直方图确定主梯度方向4 9 图5 7 特征点位置、尺度、方向5 0 图5 8 由关键点邻域梯度信息生成特征向量5 0 图5 9 构造词袋模型的4 个步骤5 2 图5 1 0 图像分割为4 份5 3 图5 1 1 混淆矩阵( s i f t ( c = o 0 4 ，d = 1 0 0 0 ) ) 5 5 图5 1 2 混淆矩阵( - s i f t ( o = o 0 0 4 ，d = 1 0 0 0 ) ) 5 6 图5 1 3 混淆矩阵( m o d s i f t ( r a n d o ms 锄p l eo = 1 ) ) 5 6 图5 1 4 混淆矩阵( m o d s i f t ( r a n d o ms 锄p l eo = 2 ) ) 5 6 图5 15 混淆矩阵( m o d s i f t ( s u b d i v i s i o n ：4r a l l d o ms 锄p l eo = 2 ) ) 5 7 图5 一1 6 混淆矩阵( m o d s i f t ( s u b d i v i s i o n ：5r a n d o ms 锄p l eo = 2 ) ) 5 7 图6 1 高层、中间层和底层融合方式6 0 图6 2 混淆矩阵( l b p 1 6 8 + s i f t ) 6 3 图6 3 混淆矩阵( l b p ( s u b d i v i s i o n8 8 ，16 - 8 一u 2 ) + m o d s i f t ( r a n d o ms 踟p l eo = 2 ) ) 6 z i 图6 4 混淆矩阵( a p p e a r a i l c e - b a s e d + m o d s i f t ( r a n d o ms 锄p l eo = 2 ) ) 6 4 图6 5 混淆矩阵( l b p ( s u b d i v i s i o n8 8 ，l6 8 一u 2 ) + m o d s i f t ( r a n d o ms a m p l eo = 2 ) ) 6 5 图6 6 混淆矩阵( l b p ( s u b d i v i s i o n8 - 8 ，1 6 8 一u 2 ) + s i f t ) 6 5 图6 7 混淆矩阵l b p ( s u b d i v i s i o n 8 - 8 ，16 8 一u 2 ) + m o d s i f t ( s u b d i v i s i o n ：5r a n d o m s 锄p l eo = 2 ) 6 6 表目录 表目录 表2 1 功能图像和解剖图像特点7 表4 1 i r m a 图像库分布图3 4 表4 2 总体分类精度表3 8 表5 1 不同m o d s i f t 特征点数对比验5 3 表5 2 总体分类精度表5 4 表6 1 总体分类精度( 底层特征融合方式) 6 2 表6 2 总体分类精度( 高层特征融合方式) 6 3 x f k - 第一章绪论 1 1 研究背景和意义 第一章绪论 随着现代影像和图像处理技术的深入发展，近年来可供临床，教学和研究使 用的医学图像数量正在迅速膨胀。例如仅u n i v e r s 时h o s p i t a lo fg e i l e v a 放射科在 2 0 0 2 年每天产生的图像数量就有2 0 0 0 幅【i 】。目前仍在增长。在国内，近年来数字 化影像设备的引进和配置有了较大的发展，除了c t 、m r 等设备外，在大中型医 院放射科内c r 和d r 的配置较前有了较大的发展，使得这些医院放射设备的数字 化比例有了很大的提高。甚至有个别医院的设备的先进程度超过了国外同类医院。 在众多的医学图像中，医学工作者和相关科研人员如何快速、准确地找到所需要 的图像成为一个新的研究课题。 传统的图像检索是基于文本和关键字的检索，例如具体到对图像的查询是借 助对图像的编号，即标签来进行的。为实现检索，先给图像加上一个对其表述的 文字或数字标签，然后在索引时对标签进行检索。这样一来图像的查询变成了基 于标签的查询。这种方法虽然简单，但是图像内容丰富很难文字标签完全表达； 其次，文字描述是一种特定的抽象，如果描述的标准改变，则标签也要重新制作 才能适合新查询的要求；最后，目前这些文字标签是靠观察者选出来加上去的， 因此受主观因素的影响很大【2 】。从上世纪9 0 年代以来，基于内容图像检索 ( c o n t e n t b a s e di 腿g er e t r i e v a l ，c b 工r ) 的研究受到了关注。基于内容的图像检 索通过自动抽取图像自身的特征，如颜色、纹理、形状等特征进行检索，克服了 传统图像检索中手工标注主观性强、工作量大等弊端。由于图像结构的复杂性和 图像处理技术的制约，基于内容图像检索还处于研究阶段，有必要说明的是，在 计算机视觉领域进行的纯视觉图像查询方式是不可能完全代替基于文本的检索方 法，但是由于它们的优点，可以成为基于文本检索的良好补充。 目前医学图像检索技术的发展相对滞后，成为制约数字医学图像充分利用的 一个瓶颈。对于异构的医学图像检索系统，如果把医学图像按图像模态、身体部 位、器官等属性进行分类，就能有效地改善图像检索的性能。医学图像的类别属 性信息通常已经包含在d i c o m 文件头中，并且现在很多设备已经是遵从d i c o m 标准，但是仍然存在许多问题。d i c o m 文件头已经证明会包含很高的错误率，以 电子科技大学硕士学位论文 其解剖区域字段为例，据报道存在1 6 的错误率【3 1 。这显然会影响图像的正确检索。 因此，医学图像自动分类技术逐渐被认识到是进行大型医学图像库检索不可缺少 的一环，该技术可以缩小语义间隔，在检索过程中过滤掉不相关的类别、减小搜 索空间，从而提高图像检索的性能。 医学图像分类的过程是根据图像所包含的某种属性对图像进行类别定义，然 后用医学关键字进行表述。例如，可以根据与体组织作用的性质、图像的维数、 成像的对象等进行大的分类【4 】，具体组织部位的医学图像又可以根据医学诊断规则 进行疾病分类，如脑部的m r i 图像可以分为脑膜瘤或星细胞瘤，病人心脏的s p e c t 图像可以对其心肌灌注进行分类，胸痛的可以分为1 2 种疾病种类等。早在2 0 世 纪7 0 年代当时的图像分类主要采用人工手动进行文本标注的方法。但是这种文本 分类的方法具有很多的不足： ( 1 ) 这种方法虽然简单，但是图像内容丰富很难文字标签完全表达。 ( 2 ) 文字描述是一种特定的抽象，如果描述的标准改变，则标签也要重新制 作才能适合新查询的要求。 ( 3 ) 目前这些文字标签是靠观察者选出来加上去的，因此受主观因素的影响 很大。 因此9 0 年代初，随着数字图像处理技术的快速发展，一种全新的图像分类技 术一基于内容的图像分类技术便应运而生，我们研究基于内容的图像分类技术， 利用计算机的智能型和自动实现图像资源类别的分类，帮组医学科研人员发掘各 种疾病、辅助医生决策诊断、帮助教师进行医学教学，具有重要的理论和现实意 义。 1 2 医学图像分类的难点问题 自动图像分类流程中主要有两个环节：图像特征提取和模式分类，每一个环 节对图像分类正确率具有重要的影响，因此，研究难点是模式分类和图像特征提 取及多特征的融合。 目前可用的模式分类算法主要有贝叶斯方法、神经网络方法、模糊模式识别 方法、决策树方法、机器学习方法( 如s v m ) 等，每一种分类算法都具有优缺点， 最近几年s v m 成为研究的热点，s v m 凭借其在解决小样本、非线性及高维识别 问题中的优势，在处理医学图像分类问题中脱颖而出。s v m 方法的基本理论只是 考虑二值分类，主要是通过组合多个二分类器来实现多分类器的构造。主要有 2 第一章绪论 对一法( o n e v e r s u s o n e ，简称1 v - rs s ) 和一对多法( o n e v e r s u s r e s t ，简称 1 一v 1s v m s ) 。但是这两种方法都具有缺点，另外，s 核函数和相关参数的选 择，都没有相关的理论进行参考。 成像方式的不同决定了医学图像和普通图像具有很大的差别，如何提取医学 图像特征是一个具大的挑战，目前所用的特征也只能是从某一个角度去描述一幅 图像，为了提高图像分类正确率，文本采用了全局特征和局部特征相融合方式， 如何对多种特征进行融合又是一个新的课题。 1 3 本文内容与贡献 本文采用图像全局特征和局部特征相融合的方法，以医学图像为研究对象， 在实验中检验医学图像分类效果，并对一些关键问题进行深入的研究，主要研究 内容： ( 1 ) 回顾了医学图像分类的主要方法。 ( 2 ) 分析和比较了几种基于全局特征的医学图像分类方法。 ( 3 ) 分析和比较了几种基于局部特征的医学图像分类方法。 ( 4 ) 探索和比较了多种基于多特征融合的医学图像分类方法。 本文的主要贡献： ( 1 ) 系统分析和比较了几种基于全局特征和基于局部特征的医学图像分类方 法，为下一步实验打下基础。 ( 2 ) 探索了几种不同特征融合方式，通过实验证明融合多特征方式能够明显 提高医学图像的分类正确率。实验结果显示，对医学图像来说m o d s i f t 特征、l b p 特征具有明显的互补性，通过高层特征融合方式融合能明显提高医学图像分类正 确率。 1 4 本文的结构安排 全文共分为五章，具体安排如下： 第一章是关于本文的概述，介绍了本文研究的背景和意义以及医学图像分类 面临的难点，介绍了本文的研究内容与贡献，最后介绍本文的结构安排。 第二章围绕研究内容，介绍了相关理论和技术，包括：分类的发展历程，医 学图像的特征，图像的底层特征介绍。介绍了i m a g e c l e f 竞赛和公共图像库，最 3 电子科技大学硕士学位论文 后对i i 洲a c o d e 做了详细分析。 第三章介绍了s v m 理论以及s v m 应用中解决多分类问题的方法。 第四章介绍a p p e a r a i l c e - b a s e d 特征及i d m 相似度量原理，介绍了t a m i7 r a 特 征、g a b o r 特征和l b p 特征提取算法。介绍了实验数据和分类结果评判准则。通 过实验分析和比较了几种基于全局特征的医学图像分类方法。 第五章对s i f t 局部特征提取过程做了详细介绍，介绍了b a g o f w o r d s 图像表 示模型，分析和比较了几种基于局部特征的医学图像分类方法。 第六章介绍了三种特征融合方式的原理，重点是几种全局特征和局部特征的 两种融合方式的实验及讨论。 第七章是对论文研究工作的总结，并提出下一步研究工作的重点和方向。 4 k k 第二章医学图像分类的理论与方法 第二章医学图像分类的理论与方法 图像分类的核心问题是分类器选择和图像特征提取及融合，本章从特征和分 类器两方面来介绍图像分类和医学图像分类的发展及研究现状；另外还对本文实 验所用的医学图像库及其图像的分类规则进行了介绍。 2 1 图像分类发展历程 医学图像分类技术的发展经历了三个阶段，分别是人工分类、半自动分类、 自动分类。 ( 1 ) 早期的医学图像分类完全是靠人工完成的，具体的是由有经验的医师观 察图像，根据图像的中“关键 的区域“构造 病灶与周围组织的三维结构以及 空间关系，并以此做出病的类型判定并制定治疗方案。这种方法费时费力，而且 分类的结果完全依赖于分类者的主观判断。 ( 2 ) 半自动分类是把医师的知识和计算机的数据处理能力有机的结合起来， 从而完成图像的病状的判定，和人工方法相比，半自动的分类方法减少了人为的 因素的影响，加快了分类速度，但是在分类的过程中依然离不开医师的参与。 ( 3 ) 近年来，随着人工智能技术的飞速发展，在图像分类领域中出现了一些 自动分类的技术。该方法可以完全脱离人为干预，由计算机单独实现图像分类的 全过程。 以目前的自动分类技术在临床上应用情况来看，自动分类方法并没有完全取 代人工分类方法和半自动分类方法。这是由于图像结构复杂，存在图像类内变化 大和类间变化小的问题。在实际的应用中，为了得到理想的分类效果，依然需要 对分类过程进行人工干预。目前大部分的自动图像分类方法依然停留在实验阶段， 没有真正应用于临床中。但是研究实用的自动分类方法并最终取代