48750字硕士毕业论文基于特征融合的医学图像搜索应用研究
论文类型：硕士毕业论文
论文字数：48750字
论点：图像,检索,特征
论文概述：
本文介绍的相关算法,使得医学检索效率有了较大的提高。经过实验结果显示表明,本文提出的方法在医学检索上具有一定的参考价值。
论文正文：
介绍
1.1项目背景
在过去的30年里，随着计算机技术的飞速发展，医学成像技术也得到了极大的发展。目前，在临床实践中广泛使用的医学成像设备包括计算机射线照相术(C6-R)、超声波、数字射线照相术、磁共振成像、磁共振成像、数字减影血管造影术(DSA)和计算机断层摄影(ET)等。随着医学影像技术的快速发展，可用于临床诊断、学术研究和教学演示的医学影像数量迅速增加。为了有效地管理和利用这些医学图像，人们开发了一种医学图像分类管理系统，该系统将各种医学图像数字化，分类并归档到计算机中，并通过网络快速传输和共享，给人们带来极大的方便。然而，仅仅存储和传输医学图像不能为临床诊断和科学研究中的医务工作者和相关研究人员提供进一步的帮助。然而，医学图像检索技术的研究还不够成熟，不能满足临床、科研和教学的应用需求(1)，这就对医学图像检索技术的进一步研究和发展提出了迫切的需求。
1.2传统图像检索
传统的图像检索是基于关键词的图像检索。该检索方法手动输入一系列描述图像相关信息(例如图像内容、症状位置、患者代码和患者状况等)的关键词。)，然后通过特定的算法在这些关键词和图像之间建立索引，从而将图像检索转变为文本检索[2]。这种方法目前在许多医院的图像存档和通信系统中使用。PACS是存储医学图像数据的主要医疗系统形式，简单易行。然而，随着图像的爆炸式增长，这种依靠人工标注的方式存在主观性强、耗时长、同义词多、多义词多等缺点，导致图像检索精度和召回率低，词义表达模糊不清。由于基于关键词的医学图像检索的这些缺点，已经不能满足现代医院高速运转的需要。因此，基于内容的医学图像检索应运而生。
2 CBIR原理与技术
2.1医学图像的基本特征
医学图像不同于普通图像(如自然景观、人的照片等)。)并有自己独特的特点:(1)现代医学成像设备的多模态、不同成像原理是医学图像多模态的主要原因。(2)模糊性。医学图像本质上是不均匀和模糊的。主要原因如下:①技术上的CT值和噪声信号的不稳定性导致模糊效应；(2)一些病理组织经常渗透到周围组织中，这使得很难确定图像中物体的边缘、角和区域之间的关系。(3)病理变化下出现的骨表面骨刺、内脏表面肿块等症状给数学建模带来不可预测的困难，导致不确定效应的出现。(3)灰度。大多数医学图像是灰度图像，没有颜色信息，因此可以利用相对较少的灰度信息。医学图像的这些独特特征决定了基于医学图像检索的难度、复杂性和任务，也决定了基于内容的医学图像检索的研究方向和目标。
2.2 Basic的基本原则
在典型的CBIR系统中，首先需要从图像库中的图像中提取特征向量，并在图像和特征向量之间建立索引，然后将向量存储在特征库中。在从要检索的目标图像中提取特征向量之后，在特征库中执行快速匹配搜索以检索相似图像，并且具有最高相似性的前m个图像根据相似性从高到低的顺序被返回作为检索结果。传统的检索特征主要包括灰度特征、纹理特征和形状特征。纹理特征反映了图像的微妙性，在医学图像检索中得到广泛应用。提取特征的质量直接关系到优秀的检索性能。为了提高检索效率，需要对提取的特征向量和图像进行索引。在查询过程中，从样本图像中提取的特征向量与特征库中的特征向量进行相似性比较。CBIR检索结构图如图2.1所示。图中最重要的是图像索引数据库。建立图像数据库和特征数据库时，从数据库中的所有图像中提取特征向量，并对特征向量和图像进行索引；在图像检索过程中，从待检索图像中提取的特征向量与图像特征库中的所有特征向量进行相似性比较。为了提高检索的准确性，使检索更符合人们的视觉感受，系统中一般会增加人机交互部分，即相关反馈。系统根据用户的评价调整每个特征向量的权重，使得准确率和召回率更高，更符合用户的需求。
介绍
1.1项目背景1
1.2传统图像检索……1
1.3 CBIR 1的研究意义和应用现状
1.4第3条工作介绍
2CBIR原则和技术5
2.1医学图像的基本特征5
2.2 Basic的基本原则5
2.3 CBIR系统的关键技术6
2.4本章概述12
摘要
本文主要研究基于内容的医学图像检索技术。首先，讨论了医学图像检索的关键技术和应用前景。然后讨论了图像特征的选择、提取、相似性度量和综合检索。提取的特征主要包括SIFT、SURF、ROOTSIFT和拓扑特征。第三章对这些特征提取算法进行了比较和分析。第四章提出了一种新的特征提取方法拓扑特征，它是描述目标局部形状的描述符，在人脸识别、图像匹配和目标跟踪等地方发挥着重要作用。该算法提取的特征具有尺度性、旋转不变性和计算速度快的特点。第五章首先介绍了基于特征融合的医学图像检索的原理和关键技术。其次，利用单独的特征对医学图像进行测试、分析和总结。然而，基于潜在视觉特征的相似性度量与人们对图像内容的理解和感知之间存在很大差异。在许多情况下，仅基于图像的单个特征的检索结果并不令人满意。最后，对每个特征向量赋予不同的权重，并在图像融合的基础上，提出了一种新的方法ROOTSIFT和拓扑特征匹配算法，取得了较为满意的结果。
本文介绍的相关算法大大提高了医学检索的效率。实验结果表明，该方法在医学检索中具有一定的参考价值。由于当前基于内容的医学图像检索技术仍然存在很大的缺陷，在理论和实际应用中还有许多问题需要解决。如高维索引技术；图像特征相关性研究:压缩领域的医学图像检索:应用于互联网领域的智能图像检索引擎等。因此，基于内容的医学图像检索技术在我国许多医院尚未普及。基于此，我们下一步的研究重点是:(1)医学图像检索的进一步研究。本文对医学图像的研究还不完善。如何有效快速地从海量图像中检索出与患者病情相关的病例是医学图像检索的关键。(2)提取语义信息。本文中使用的特征是图像的所有底部特征。如何实现底层特征和高层语义信息相结合的检索是下一步的研究重点。(3)引入相关反馈机制。在本文的实验中，我们只以机器为中心进行检索，检索过程中没有人工交互机制。因此，在未来的研究过程中，我们将添加相关的反馈机制，使用户能够在检索过程中做出及时的判断，从而提高检索的准确性和效率。它使查询过程和结果更加人性化，更加符合用户的感知需求。
参考
[1]亨宁·穆勒，贾瓦什里·卡尔病-克拉默，伊万·埃格尔，等. CLEF 2009医学图像检索轨迹概述，http://clef.isti.cnr.it/2009/working_notes, 2010-3-2 .
[2]巴纳德，杜伊古鲁，福赛思等。匹配单词和图片。机器学习研究杂志，2003: 1107-1135。
[3]医学应用中基于内容的图像检索系统综述——临床益处和未来方向。亨宁·穆勒等。《国际医学信息学杂志》，第73卷，第1期，2004年2月，第1-23页。
[4]PACS中基于内容的图像检索。齐海琪，施耐德。数字图像杂志。12(2)(1990)81-83。
[5]夏正荣，布罗德利，等. ASSERT:HRCT影像数据库基于内容的医生在线检索系统[]。计算机视觉和图像理解，1999，75(1/2): 111-132。
[6]夏春瑞，帕夫洛普洛斯，等.使用人类感知类别从医学图像数据库进行基于内容的检索[.计算机视觉和图像理解，2002，88: 119-151。
从大型医学数据库中基于内容的图像检索。继续。2002年:第138-147期。
[8]马尔基奥里·阿，布罗德利·CBIR医学影像评估试验[·阿。载于:2001年12月，第89-93期，Dec. 2001年CBAIVL研讨会。
[9]凯利·帕·姆，坎农·特·姆和嘘·德·R .通过图像查询:坦诚的方法[·C]。继续。SPIE图像和视频数据库存储和检索会议第三届，1995: 238-248。
蔡磊、王珂、张鲍莉。基于局部二值模式的医学图像检索[[]。光电子激光，2008，19(1)；104-106