基于点袋理论的肝脏CT图像分析.pdfVIP

第 30卷 第 4期 北京生物医学工程 Vo1．3O No．4 2011年 8月 BeijingBiomedicalEngineering August 2011 基于点袋理论的肝脏 CT图像分析 张旭亚 王俊 摘 要 当前医学 CT图像的病理识别过多地依靠医生经验，为了将机器辅助诊断引入病理识别 中，本文采用点袋理论对肝癌和正常肝脏的CT图像进行分析研究。从 100张CT图像中挑选出40张具 有特征的CT图像，预处理后，先利用尺度不变特征变换 (scaleinvariantfeature，SIFT)描述 CT图像特征 点 ，再经过 k均值 (k-means)聚类，最后使用支持向量机 (supportvectormachine，SVM)机器学习算法实 现 CT图像的识别和分类 。实验结果表 明，当采用 Gaussian径 向基 (RBF)核运算时识别可取得 85％的 正确率。该研究说明点袋法有较好的分类效果和较好的发展空间。 关键词 尺度不变特征变换；k均值；支持向量机 ；要点袋 ；医学图像分析 DOI：10．3969／j．issn．1002-3208．2011．04．06． 中图分类号 R318．04 文献标志码 A 文章编号 1002—3208(2011)04—0355—04 HepaticCT ImageAnalysisBasedonBagofKeypoints ZHANG Xuya，WANG Jun ImageProcessingandImageCommunicationsKeyLaboratoryQ厂JiangsuProvince，Na彬ngUniversity 0厂PostsTelecommunications，Na ng 210003 【Abstract】 CurrentpathologicalrecognitionofmedicalCTimagesexcessivelyreliedondoctors’ experience．Thispaperusesthetheory ofbagofkeypointsto analyzetheCT imagesofthecarcinomatousand normallivers．Forty CT imageswhich have diseasefeatureswere picked from 100 CT images．CT images pretreated，theCTimages’featurepointsweredescribedoutbyscaleinvariantfeaturetransformation(SIFT)． Afterthat。itwasprocessedwiththek-meansclustering．Finally，thesupportvectormachine(SVM)machine learningalgorithm wasapplied totheclassification and recognition ofCT images．Experimentalresultsshowed thattheRBF kernelimprove the correctrateofrecognition to85％ ．Itisindicated thatthebagofkeypoints deservesgoodclassificationandlargerpracticevalue． 【Keywords】 scaleinvariantfeaturerfansformation；k-means；supportvectormachine；bagofkeypoints； medicalimageanalysis 机器