医学类基于头部医学幻灯片.pptVIP

基于头部医学CT图像的特征提取及分类 报告人：张薇丽 主要内容 1.研究意义 2.国内外研究现状 3.研究内容及方法 4.未来工作 研究意义 医务人员对影像切片的处理只能以固定方式对其进行观察，所得到的诊断结果带有医生的主观经验判断，这在很大程度上取决于医生的临床经验。 目前借助计算机的影像处理与分析，提高了医生的诊断，这对医学临床诊断有很大的意义。 图像医疗计算机辅助诊断是通过计算机处理待处理的医学图像，通过分析，最终计算机给定一个输出结果。这在一定程度上也推动科学智能化的发展。 计算机辅助诊断是考虑到医生和计算机的具有等同地位的观念，不同于自动诊断仅仅依靠计算机算法。所以计算机辅助诊断的意义就在于计算机的输出结果作为对医生的辅助诊断，它不需要和医生的结果比较或有甚比医生的诊断结果更准确。“second opinion”。 国外研究现状 计算机辅助诊断在医学中的应用可追溯到20世纪50年代。1959年，美国学者Ledley等首次将数学模型引入临床医学，提出了计算机辅助诊断的数学模型，并诊断了一组肺癌病例，开创了计算机辅助诊断的先河。 1967年，第一个乳腺X线平片CAD问世。它重点分析乳腺肿块和微小钙化点。 1987年，CAD被赋予专利权。20世纪90年代后，计算机辅助诊断系统致力于研究X线乳腺癌和肺结节疾病并取得不错的结果 目前市场上出现在市场上只有3 种CAD 系统经FDA 批准进入临床使用, 其中2 种用于乳腺X 线影像诊断, 1 种用于胸部X 线影像诊断,都是采用激光扫描经数字化的X 线图像。 目前, CAD 在乳腺癌及肺部结节影的X 线检测和诊断中已经得到了充分肯定。但乳腺癌临床应用的研究仍是热点。在肺部、肝脏结节C T 影像CAD 方面也取得明显进展。 国外研究现状 图像特征提取 灰度图像在计算机中存储的是各个像素的的灰度值，即相当于一个二维数组。对于M*N的图像就存储了m*n个像素点。可用D[M][N]表示，数组的值就代表了图像该点的灰度值。 提取的特征 (1) 均值(mean) ： 均值反映的是一幅图像的平均灰度值。其中k表示灰度级种类数。 (2) 方差(variance) ： 方差反映的是一幅图像的灰度在数值上的离散分布情况。 (3) 倾斜度( skewness) ： 倾斜度反映的是图像直方图分布的不对称程度, 歪斜度越大表示直方图分布越不对称, 反之越对称。 提取的特征 (4) 峰值( kurtosis) : 峰值反映的是图像的灰度分布在接近均值时的大致状态, 用以判断图像的灰度分布是否非常集中于平均灰度附近,峰度越小,表示越集中。 (5)能量（Energy）： 对于等概率的分布具有最小的能量。 (6)熵（Entropy）： 灰度熵值可以反映图像中灰度的不均匀程度或复杂程度，对于等概率的分布具有最大的熵。 计算机辅助诊断 步骤： 图像分割（物体分离）：提取出感兴趣的区域。 特征抽取：对物体进行度量。通过计算感兴趣区域的一些重要特性进行量化表示。 分类：从而确定每个图片应该归属的类别。 存在问题 由于针对整张图片进行灰度特征提取的效果不理想，没有针对性，所以考虑到研究头部脑出血疾病的特点及所在层次，首先对图像就行分割，提取出感兴趣的部分，再提取其相应的灰度特征。 图像分割算法有很多，而每种算法都有各自的优缺点，适合不同的图像。本文中对医学图像进行分割，主要的目的是为了把颅骨分割出去。文献中提到对于医学图像的分割，阈值分割效果最好，方法简单而且计算量小。但是对噪声和灰度分布的均匀性很敏感；同时，用户先验知识在阈值分割中显得尤为重要。 特征提取 由于这对整张图片提取的特征不够精确，而分类不准确和特征提取有密切的联系，所以考虑如下： 特征提取 特征提取 图像的分类 　 图像特征提取是图像识别的基础和前期必须的准备工作。特征提取在广义上就是一种变换,即通过变换的方法用低维空间表示高维的图像样本空间。特征选择和提取很重要,直接影响到图像识别分类器的设计、性能及其识别结果的准确性,其基本任务是从众多特征中找出那些最有效的特征。 算法 SEE5 RBFNN 扩张矩阵、关联规则。 改进RBF算法 进一步工作 实现前面提到的特征，看结果如何。 考虑结合别的特征，如对图像分割后，对感兴趣区域提取灰度和形状特征测试。 增加边界图片数量，看测试结果。 参考文献 1. 程勇,陈卫国，医学影像CAD 的研究和应用[J].医疗设备信息.21(1):24-27(33), 2006. 2. Kunio Doi,Computer-aided diagnosis in medical imaging:Hi