康伟[1]2007年在《脂肪肝医学超声图像定量分析的研究》文中研究说明医学超声成像技术与计算机CT断层造影术、MRI磁共振成像、核医学成像并称为现代四大医学影像技术，其中超声成像由于其独具的实时性、无损性、廉价性、可重复性好、灵敏度高等优势而广泛应用于临床诊断和治疗中。它在人体内部组织器官的定量分析、实时监控和治疗规划等方面都具有极大的潜力。基于医学超声成像技术的以上优点，其常常被应用于脂肪肝疾病的诊断中。现行的基于医学超声成像技术的脂肪肝检测评价方法，基本上是参考超声仪器上的一些基本测量指标，主要由临床检测的医生依据经验凭借肉眼进行观察、评价和诊断。这种做法，一方面缺少定量评价的机制，另一方面，由于缺少充分的依据，因此评价失当，甚至误诊都时有发生，导致患者延误治疗或增加不必要的精神负担。本文通过采用数字图像处理技术中的纹理分析技术，对肝脏医学超声图像进行图像纹理分析，提取特征参数，并对这些特征参数进行统计分析得到定量的数值结果，与动物实验中不同程度脂肪肝的病理检测结果进行对比分析，从而实现对脂肪肝患病程度的定量评价，以此来改变应用超声成像诊断脂肪肝疾病的现状。目前来看，有很多图像处理方法可以用来处理脂肪肝医学超声图像的分类问题，但是这些分类问题大都是基于正常肝与脂肪肝两类问题进行分类，而且这些方法均没有给出定量的数值用来对脂肪肝医学超声图像进行准确的程度描述。因此，本文不但采用图像处理中的纹理分析技术对正常肝、轻度脂肪肝、中度脂肪肝叁类进行区分，而且还采用模式识别以及数理统计技术给出了这叁类的定量评价结果，改变了传统分析方法的只定性不定量的现状。为了给本文的研究提供充足的图像资源以及科学的结果评价依据，在大连医科大学动物实验中心进行了脂肪肝动物造模实验，并对这些动物模型进行超声检测以获得充足的图像资源，在进行超声检测之后对这些动物模型进行解剖，获得肝脏后进行病理检测，可以为本文的脂肪肝定量评价结果的准确性提供客观的依据。本文首先对医学图像纹理分析方法进行了总结，其后对几种经典的纹理分析方法或已在某些医学图像中使用过的纹理分析方法进行了较为全面的分析，并给出了这些方法对脂肪肝医学超声图像进行分类的定性结果。由于目前这些方法只给出了定性的结果，而未给出定量的评价，为了完成本文的目的，开展了以下四个方面的工作：第一，为了能够更好的进行脂肪肝医学超声图像定量分析，给出比较准确的定量数值，本文采用了非线性滤波器—峰谷滤波器法对肝脏超声图像进行滤波，该方法不但能够很好地去除图像中的噪声，而且还能够保留图像中的边缘细节信息；第二，本文给出了基于多分辨率分形布朗运动及遗传算法的脂肪肝医学超声图像定量评价方法，该方法可以准确地给出脂肪肝医学超声图像的定量评价标准；第叁，为了更为形象的给出不同程度脂肪肝的定量评价结果，本文给出了一种基于Gabor滤波的双谱脂肪肝定量评价方法，该方法可以直观的从双谱扩散程度得到评价脂肪肝医学超声图像的定量结果；第四，为了验证图像纹理分析方法对人体脂肪肝医学超声图像的适用性，将叁种纹理分析方法在人体脂肪肝医学超声图像分析中进行了一些探索，并对结果进行了分析总结。
季桂树[2]2013年在《肝癌超声图像纹理特征识别中的关键技术研究》文中研究指明肝癌是危害人类健康甚至危及人类生命的主要病症,及早确诊这种病症是当务之急。随着计算机与图像处理技术的快速发展,超声等医学影像已成为对肝病进行诊断的主要信息源,同时也促进了模型方法在包括医学图像在内的图像特征提取方面的显着进步,这将更好地弥补用目视诊断方法远远不能满足对诊断结果要求的缺陷。因此成为了学界研究的热点。本文以正常肝和肝癌超声图像为数据样本,以肝脏超声图像纹理的分形特征为信息对肝脏超声图像计算机辅助诊断技术中的分类识别问题进行了深入的研究。所研究的内容包括：(1)分维和孔隙度的统计分析。对比分析了在其它领域对纹理图像进行分析均有上佳表现的4种分维方法,即毯子法(blanket)、傅立叶功率谱法(Fourier power spectrum, FPS)、分数布朗运动法(fractional Brownian motion, FBM)和差分盒计数法(differential box counting, DBC)。与此同时,又对分形几何学中的另一个重要参数——孔隙度的5种计算方法,即曼德尔布罗特法(Mandelbrot)、差分盒计数法(lacunarity of differential box counting, LDBC)、盒柱极差法(lacunarity of box column range,LBCR)、立方盒质量法(lacunarity of cube box mass, LCBM)和本文提出的盒柱平均值法(lacunarity of box column mean, LBCM)进行了对比分析。小样本正态分布拟合优度检验和小样本双边Student-t检验表明：由4种分维方法得到的分维值基本均呈正态分布,用4种分维方法得到的正常肝和肝癌超声图像分维的平均值均在0.05置信水平上差异显着；由5种孔隙度方法得到的最佳尺度孔隙度值,除LBCR方法得到的肝癌孔隙度值外,其他方法得到的孔隙度值均呈正态分布,但只有LCBM和本文提出的LBCM方法得到的正常肝和肝癌超声图像孔隙度平均值在0.05置信水平上差异显着。除FBM外,由其他分维方法得到的正常肝超声图像分维平均值均小于肝癌超声图像分维的平均值,同样,由LCBM和LBCM方法得到的正常肝超声图像孔隙度平均值亦小于肝癌超声图像孔隙度平均值。(2)SVM和ROC对分维和孔隙度的分类研究。为进一步确认上述4种分维方法和5种孔隙度方法表征肝脏超声图像纹理特征的能力,在此用受试者工作特征曲线(Receiver Operating Characteristic,ROC)和支持向量机(Support Vector Machine,SVM)对上述分维方法和孔隙度方法获得的正常肝超声图像和肝癌超声图像的分维值进行了ROC评估和SVM分类。评估和分类结果表明：分维方法中的FPS方法和孔隙度方法中的LBCM方法能获得较大的ROC曲线下面积(Area Under ROC Curve, AUC)和较高的分类准确率。(3)SVM和ROC对分形和孔隙度的组合因子的分类研究。用前述的4种分维值和LBCM孔隙度值作为单因子并由这4种分维值分别与LBCM孔隙度值构成组合因子(blanket+LBCM、FPS+LBCM、FBM+LBCM、 DBC+LBCM)作为分析因子,用SVM分类和ROC评估方法进行了对比分析,发现除FPS和LBCM单因子仍然得到较高的分类准确率和AUC外,组合因子FPS+LBCM和DBC+LBCM两种因子比其对应的单因子和其它组合因子有更高的分类准确率和AUC。(4)用ROC对叁种多重分形方法进行对比研究。通过以盒合计值、小波系数和小波主要指数为测度对正常肝和肝癌超声图像进行多重分形分析,实验结果表明以盒合计值为测度矩阶g在[-1,1]范围内时获得了最大的AUC值,这表明盒合计值测度具有较强的捕捉肝脏超声图像纹理特征的能力,肝脏超声图像纹理特征属于低维的分形特征。
赵晓霞[3]2009年在《基于神经网络的医学组织纹理识别与诊断的研究》文中认为本文结合计算机技术、生物医学工程、数字图像处理和模式识别知识,通过将模板匹配、LMES法和BP神经网络等模式识别方法引入到肝脏超声图像识别问题中,将纹理描述的统计方法灰度共生矩阵和信号处理方法Gabor小波变换的多分辨率提取纹理特征方法相结合,提出了利用图像纹理特征识别肝脏超声图像的几种方法。首先,通过分析肝脏超声图像的成像原理和肝脏B超图像的灰度信息情况得知肝脏病理组织的B超图像携带着丰富的纹理信息。图像纹理特征在模式识别的应用有很多,本文主要利用灰度共生矩阵、Gabor小波变换等法提取纹理特征,因为灰度共生矩阵可以有效的提取纹理的能量、熵、局部平稳等等的纹理特性,而用Gabor小波变换,它可以是多尺度、多方向的有效的刻划纹理特性,找到对于肝脏超声图像分类的有用的信息,将它们应用到识别正常肝、肝硬化和脂肪肝这叁类超声肝脏图像中;其次,采用大量肝脏超声图像的选择区域作为样本,试验中叁类图像选择相等数量的样本,在利用灰度共生矩阵和Gabor小波变换提取各个样本的纹理特征的基础上,采用模式识别的方法对叁类肝脏B超图像进行分类识别,分别选用叁种分类器:模板分类器、几何分类器和神经网络分类器,具体采用了模板匹配法、LMES法和BP神经网络。最后,进行实验比较选择最佳纹理特征提取方法和最佳模式识别分类方法,在实验中由于数据形式的差异较大、表示的范围也大相径庭,所以要使数据标准化,将提取的特征值进行归一化处理,然后进行分类测试,并分别对各类纹理特征提取方法的有效性和各个分类器的识别性能作了充分的分析和具体的说明,对从图像输入到识别过程的效率进行了分析测试评估。实验证明,应用Gabor小波变换提取纹理特征更能有效地表达其特性,而在识别中,采用改进的BP神经网络识别率更高,对正常肝、肝硬化、脂肪肝这叁类肝脏超声进行分类识别的正确率达到了90.3%,得到了比较满意的效果。本文的研究成果对超声图像识别具有一定的实际意义,其研究的软件可以作为临床诊断肝脏疾病的客观手段之一,辅助医生临床诊断,可大大减轻医生的工作量,提高肝脏病理组织纹理的识别率。
李秀丽, 孟晓涛[4]2016年在《基于变差函数的肝癌超声图像纹理识别的研究》文中研究说明本文提出了应用变差函数识别肝脏超声图像纹理的方法,并定义了各向异性系数,以进一步定量化肝脏超声图像的纹理特征。采用此方法,本文研究了4例肝癌肝脏超声图像及5例正常肝脏超声图像,计算了各个肝脏超声图像8个方向上的变差函数r(h)max值。结果表明,正常肝脏图像r(h)max值较小,肝癌肝脏图像r(h)max值较大;正常肝脏图像的各向异性系数较大,肝癌肝脏图像的各向异性系数较小。参数r(h)max及各向异性系数可以很好地定量化区别正常肝脏与肝癌肝脏。
崔蕊[5]2016年在《基于肝脏超声图像的脂肪肝计算机辅助诊断研究》文中研究说明随着大数据时代的到来,被数字化后的医学图像数据量和数据维度越来越丰富,从而形成了庞大的医学数字图像库,如肝脏B超图像。如何使图像观察者从大量的肝脏B超图像中,快速识别出某种疾病的图像(如脂肪肝的图像),从而缩减搜索范围,在保障一定准确率的同时,大大减少观察者繁杂的工作量,是一个非常有意义的课题。首先,本研究收集了大量肝脏超声图像,所收集的超声图像是来自于淅川县第一人民医院的临床影像,并由经验丰富的影像学医生对图像进行了分类,确保了数据源的数量和质量。在收集图像的基础上,本研究还对肝脏超声检查的基本原理进行了解,并识别了典型的超声图像切面。同时,也对脂肪肝判别的医疗标准进行了说明,以此为前提条件,提出了利用计算机进行脂肪肝辅助诊断的研判标准。其次,本研究还介绍了图像的预处理方法,并通过手动选取的方法选取了图像的典型局部区域。本研究中确定了利用纹理特征来识别脂肪肝的思路,对于图像中纹理特征的表示采用了灰度共生矩阵(Gray Level Cooccurrence Matrix, GLCM)的方法,同时,本研究就从灰度共生矩阵的特征出发,对共生矩阵的角度、各种间距等参数进行了分析,从共生矩阵本身进行了纹理特征的相关讨论,并且利用零空间的方法对矩阵进行了降阶处理。再次,本研究从灰度共生矩阵中二次提取了特征值,来深刻的反应纹理的特征,并形成向量库。向量库中的每一条向量表示一个图像的纹理信息,由于灰度共生矩阵的参数的不同从而形成多种不同的特征向量模板,分为正常肝脏向量和脂肪肝向量两种类型。最后,比对测试集中的图片特征向量与特征库向量的欧式距离,最近欧式距离图像所在类即为肝脏图像类别。鉴于欧式距离方法的局限性,本文把数据挖掘分类技术中的KNN方法应用到本文,通过大量实验验证比较,这种有效的筛选方法能够解决问题并实现了86.78%以上的准确率。本文的研究成果对医学大数据背景下,在大量的肝脏B超图像中快速识别脂肪肝图像,辅助医生临床诊断,提高识别率具有十分重大的理论价值和现实意义。
张雪[6]2004年在《肝脏超声图像的纹理分析》文中进行了进一步梳理超声图像诊断是与X线CT、同位素扫描、核磁共振等一样重要的医学图像诊断手段。超声检查能够无损、直观地显示人体脏器的形态结构，能实时地观察人体脏器的功能活动而且操作简便、价格低廉，它已经成为进行人体内部结构与组织检查的最为常用的手段。但是，与CT和核磁共振等医学图像相比，超声图像的图像质量较差，目前的诊断以定性为主，受主观因素影响较大。运用计算机手段对超声图像进行分析，为医生的诊断提供量化的依据，是非常必要的。 本文将肝脏的超声图像作为研究对象，结合超声理论、纹理分析理论和模式识别理论，探讨了肝脏所具有的纹理特性，以及反映在纹理特征参数上的规律，并运用灰度共生矩阵方法提取肝脏超声图像的纹理特征参数验证了这种规律性。最后，利用这种规律，采用加权的最小距离分类法和k-平均聚类法对图像进行了分类识别，对针对肝脏的临床辅助诊断做了有益的探索。
黄亚丽[7]2005年在《基于纹理分析和概率神经网络的肝脏B超图像识别研究》文中认为目前临床上常采B 超成像技术诊断脂肪肝,但临床医生仅凭肉眼观察B 超图像诊断,这种经验性的、带有主观意识的诊断易导致脂肪肝的误诊,因此需要建立一种客观的方法,为医生诊断脂肪肝提供必要的辅助手段,本文正是基于这一思想对肝脏B超图像的分类识别进行了研究。肝脏超声图像具有一定的纹理特征,因此可以通过对图像进行纹理分析提取特征参数,达到识别的目的。利用小波变换及人工神经网络在信息处理方面的优势解决图像识别问题是本文研究的目的和重点。在图像预处理部分,对获得图像进行降噪、增强。在图像纹理特征提取部分,分别从空域和频域对B 超肝脏图像进行了纹理分析。空域纹理分析中,分别采用直方图统计法、差分统计法、及共生矩阵法提取特征参数,并定性地分析了各种特征参数的实际纹理含义。频域纹理分析中,首先介绍了小波分析基础,然后采用多尺度离散小波变换对图像进行多分辨分析,由于小波变换的低频部分保持了图像的概貌,高频部分体现了图像的细节,所以从这些小波系数中提取的特征,能够表征图像的纹理特性,计算小波子带图像分解系数的纹理能量和方差,作为纹理特征参数。最后,根据提取到的特征参数对图像进行分类识别。由于BP 收敛速度慢,且容易陷入误差局部最小值,而采用径向基函数网络能克服这些缺点。本文采用由径向基函数网络演变而来的概率神经网,它是基于贝叶斯定理的最大后验概率而设计的,适用于解决分类问题。采用概率神经网络对图像进行模式识别,实验证明:从小波变换提取的特征参数有更好的识别效果,并且取得了较好的识别率。
朱红娟[8]2006年在《B超图像纹理分析的研究与实现》文中提出医学B超图像有图像模糊,肉眼分辨率低的特点。目前,临床上脂肪肝的诊断都是医师根据经验主观判断,这种定性诊断有时会造成误诊,因此计算机辅助诊断成为医学发展的一个方向。随着当代医学的进步和计算机的发展,医学图像量化分析成为计算机辅助诊断的一种方法。本文总结了脂肪肝研究上提出的多种量化方法包括边缘检测法、光点个数计算以及纹理分析方法,通过对比发现纹理分析方法是一种有效的图像量化分析方法。在针对脂肪肝图像上使用的纹理分析包括统计方法,小波变换法以及分形模型法,统计方法和小波多分辨率方法的研究取得了一定效果,但由于这两种方法只把图像分为正常肝和脂肪肝两类,因此准确率不高。在实际临床应用中,还需要知道脂肪肝的轻重程度,为此,本文使用分形方法和小波包方法对肝脏B超图像进行研究,将图像分为正常肝脏、轻度脂肪肝、重度脂肪肝叁类。最后,为了便于临床应用,用MATLAB编制了用户图形交互界面,对80幅图像进行特征量提取,对不同病理的肝脏超声图像的粗糙度、能量等特征量进行测量,发现在使用小波包方法进行特征提取时,正常肝脏、轻度脂肪肝、重度脂肪肝的各特征量显着不同,并且随着脂肪肝程度的加重,各特征量的变化呈现一定的规律性,从而可作为医生临床诊断的定量依据。
邓秋香[9]2008年在《神经网络串并联学习算法在B超图像识别中的应用》文中认为如何更好地利用神经网络在信息处理方面的优势解决B超图像识别问题是本文研究的目的和重点。本文围绕B超图像识别这一中心课题,研究了目标图像特征数据的提取,神经网络串并联拓扑结构和学习算法,以及神经网络识别技术。研究结果使我们进一步增强了对神经网络的理解和认识,拓宽了它们解决更多实际问题的应用空间。B超作为医学图像的一种重要诊断手段,研究其图像识别技术具有重要的现实意义和应用价值。本文的主要工作总结如下:在神经网络的学习算法部分,本文给出了神经网络串并联模型的拓扑结构,提出了两个学习算法的定理。详细介绍了神经网络串并联学习算法的学习过程。神经网络串并联是在传统神经网络的基础上,根据解决实际问题的需要发展起来的一种新型神经网络模型。神经网络串并联网络将一个复杂的网络输入分解成较简单的一系列子神经网络的输入,各子神经网络通过串联或并联连接,它们大大降低了单个神经网络的规模,加快了学习速度。在对B超图像的处理和特征提取部分,先对B超图像进行灰度化,去机密信息和图像感兴趣区域选择。再对图像进行特征提取,包括不变矩特征、频谱特征、纹理统计矩特征以及基于灰度共生矩阵的纹理特征四大类特征数据。文中数据显示,所提取的四类特征数据都具有很好的旋转不变性,都较好地符合了医学B超图像的识别参数。在神经网络串并联对B超图像的识别部分,结合计算机技术、生物医学工程和模式识别技术,提出利用神经网络串并联方法对肝脏B超图像进行识别。采用120个样本,四类图像各30个样本,均来自同一医师和同一超声仪器。从每幅图像中,选择200×200的感兴趣区域,提取特征数据,考虑数据形式的差异较大,先将特征值进行归一化,再对标准化后的特征数据进行分类测试,试验结果表明,神经网络串并联在识别正确率,识别速度方面获得了较理想的效果。最后,本文利用MATLAB 7.4开发了基于神经网络串并联结构的B超图像识别系统,实现了对正常肝脏、脂肪肝、血吸虫肝和肝癌四类超声图像的识别。
张清勇[10]2009年在《支持向量机在肝脏B超图像识别中的应用研究》文中研究说明支持向量机是在统计学习理论基础上发展起来的一种非常有效的机器学习方法。由于其出色的学习性能,该技术已成为分类领域新的研究热点。论文将支持向量机的机器学习方法引入到医学图像的分类问题中。如何利用支持向量机在信息处理方面的优势解决肝脏B超图像识别问题是本文研究的目的和重点。结合计算机技术、生物医学工程和模式识别技术,提出利用支持向量机多分类方法对肝脏B超图像进行识别。本文的主要工作总结如下:在对B超图像的处理和特征提取部分,先对B超图像进行灰度化,选择图像感兴趣区域。再对图像进行特征提取,包括纹理统计矩特征和基于灰度共生矩阵的纹理特征。文中数据显示,所提取的特征数据都具有很好的旋转不变性,都非常符合了医学B超图像的识别参数。采用120个样本,四类图像各30个样本,均来自同一医师和同一超声仪器。从每幅图像中,选择200*200的感兴趣区域,提取特征数据,考虑数据形式的差异较大,先将特征值进行归一化,再对标准化后的特征数据进行分类测试。回顾了支持向量机的理论基础和基本原理,对支持向量机的多分类算法作了研究,分析了它们的优缺点及适用范围。深入探讨了支持向量机在分类中的应用。分析了不同的核函数、不同的特征选择对支持向量机分类性能的影响。分类结果表明,RBF核函数总能得到最好的性能。最后,把实验仿真结果和神经网络算法结果相比较,结果表明支持向量机分类算法优于神经网络算法。最后,本文利用Visual C++6.0开发了基于支持向量机的B超图像识别系统,实现了对正常肝脏、脂肪肝、血吸虫肝和肝癌四类超声图像的识别。
参考文献：
[1]. 脂肪肝医学超声图像定量分析的研究[D]. 康伟. 大连理工大学. 2007
[2]. 肝癌超声图像纹理特征识别中的关键技术研究[D]. 季桂树. 中南大学. 2013
[3]. 基于神经网络的医学组织纹理识别与诊断的研究[D]. 赵晓霞. 华东交通大学. 2009
[4]. 基于变差函数的肝癌超声图像纹理识别的研究[J]. 李秀丽, 孟晓涛. 中国医疗设备. 2016
[5]. 基于肝脏超声图像的脂肪肝计算机辅助诊断研究[D]. 崔蕊. 南阳师范学院. 2016
[6]. 肝脏超声图像的纹理分析[D]. 张雪. 长春理工大学. 2004
[7]. 基于纹理分析和概率神经网络的肝脏B超图像识别研究[D]. 黄亚丽. 河北大学. 2005
[8]. B超图像纹理分析的研究与实现[D]. 朱红娟. 河北大学. 2006
[9]. 神经网络串并联学习算法在B超图像识别中的应用[D]. 邓秋香. 武汉理工大学. 2008
[10]. 支持向量机在肝脏B超图像识别中的应用研究[D]. 张清勇. 武汉理工大学. 2009
标签：计算机软件及计算机应用论文; 特征提取论文; 神经网络模型论文; 超声成像论文; 肝癌论文; 脂肪肝论文; 图像处理论文; 肝脏论文; 肝脏b超论文; b超论文;