检索历史 清除

摘要医疗影像为医生诊断疾病提供了重要的依据，并且随着时间的积累和医疗影像设备种类和数目的日益增多，医院已经积累了大量的医疗影像数据。医疗影像数据种类多，数据格式差异性大，由于不同的成像技术和干扰信息的存在，对其进行有效的组织和检索一直是研究的重点。医疗影像智能检索技术是构建数字一体化的医疗体系、疾病智能诊断等技术的关键基础，同时也能充分挖掘现有医疗影像数据的潜在价值。本文结合智能图像检索系统中的关键技术和医疗影像数据自身的特点，对医疗影像智能检索系统中的关键技术进行了研究和改进。<br>　　在基于医疗影像全局特征的检索技术中，本文选取了部分全局特征进行了检索测试。综合不同特征检索结果的精准度和医疗影像数据的特点，选取医疗影像的LBP纹理特征作为特征表达，并提出了非均匀分块和改进编码方式的LBP算子，该算子使检索系统的性能得到了提升。对医疗影像进行非均匀分块，使特征表达中增加了空间位置信息，提高了特征的维数，改善了使用Uniform LBP特征分类效果差的问题。同时，改进编码的LBP算子较普通的LBP特征增加了稳定性。<br>　　在基于医疗影像局部特征的检索技术中，针对基于SIFT的视觉单词特征存在的单词无序性问题，本文提出了两种改进算法。把SIFT特征向量和全局LBP特征融合，提出基于医疗影像SIFT和全局LBP特征的检索。该算法在一定程度上解决了单词的无序性问题，提升了检索性能，但是由于引入不相关的干扰因素，存在不稳定的问题。把SIFT特征和局部LBP特征拼接，提出基于医疗影像SIFT-LBP局部特征的检索。该算法把局部的LBP纹理特征和SIFT特征结合，消除了噪声的影响，同时也提升了检索系统的性能。<br>　　在检索系统的相关反馈模块中，本文应用集成学习技术的思想，选取了Bagging集成学习模型。学习过程中调整训练数据集中正负样本的比例，充分利用了未标记的影像数据，通过集成多个具有差异性的学习器，使学习机的性能得到了提升。同时，该模型弥补了SVM分类器存在的过度拟合和方差较大的问题，提高了泛化能力，对医疗影像数据集具有良好的适用性。