超声子宫图像全自动识别研究

《超声子宫图像全自动识别研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、浙江大学博上学位论文摘要医学超声图像识别研究始终受到超声图像存在斑点噪声、信噪比低、边缘信息丢失等因素的影响。本文首先针对超声图像识别问题的固有特点，对不均衡类样本问题和数据噪声问题进行研究，提出了一种特征数据预处理机制，并结合多分类器融合提出了一种超声子宫图像识别框架。然后设计并实现了一种快速全自动的超声子宫图像节育环物体识别及定位算法。最后再设计并实现了一种快速全自动的超声图像胎儿性别部位识别及定位算法。本文研究内容依次包括以下几个方面：l、研究了不均衡类样本问题，概述了该领域的发展现状，并针对人造少数类样本生成机制进行研究，提出了一种人造样本过采样算法：ADOMS算法。基于UCI特征集

2、开展实验验证工作，实验结果表明与其他相关算法相比，所提ADOMS算法可以更为有效地减轻不均衡类样本环境下分类器分类性能下降情况。2、研究了数据噪声问题，概述了该领域的发展现状，并提出了一类基于数学形态学思想的形态学去噪算法。基于UCI特征集开展实验验证工作，实验结果表明与其他相关算法相比，所提形态学去噪算法可以更为有效地改善分类器分类性能。3、提出了一种同时处理不均衡类样本问题和数据噪声问题的串联处理机制，通过实验验证了该串联处理机制在超声子宫图像识别问题上的良好效果。随后结合特征降维进一步提出了一种特征数据预处理机制，并在此基础上结合多分类器融合提出了一种超声子宫图像识别框架。4、设计并实

3、现了一种快速全自动的超声子宫图像节育环物体识别及定位算法，其包括全自动超声子宫图像分割和特定模式识别框架两大部分，通过感兴趣物体(Objectofinterest，OOI)进行连接。基于由719幅超声子宫图像所组成实验图像库开展算法性能验证工作，实验结果表明所提算法性能优秀，其处理过i浙江人学博．I：学位论文程完全自动，在普通PC机上平均耗时仅527ms／幅，有坏图像识别及定位准确率达81．1％，无环图像识别准确率达94．7％。5、设计并实现了一种快速全自动的超声图像胎儿性别部位识别及定位算法，其可分为粗分类阶段和细分类阶段两大部分，通过感兴趣像素(Pointofinterest，POI)进

4、行连接。基于由658幅阳性图像(图中含胎儿性别部位)和500幅阴性图像(图中不含胎儿性别部位_)所组成实验图像库开展算法性能验证工作，实验结果表明所提算法性能优秀，其处理过程完全自动，在普通PC机上平均耗时仅为453ms／幅，阳性图像识别及定位准确率达80．9％，阴性图像识别准确率达R3．8％。关键词：超声子宫图像；图像识别；不均衡类样本；数据噪声；特征数据预处理；识别框架；宫内节育器；胎儿性别部位；浙江犬学博}：学位论文AbstractTheresearchdevelopmentofmedicalultrasoundimagerecognitionisstillcumberedbythep

5、oorqualityofultrasoundimage，includingspeckle，lowsignal—to-noiseratio，lostofedgeinformation，etc．Inthisdissertation，focusingontheinstinctivecharacteristicsofultrasoundimagerecognitionproblem，theclassimbalanceproblemandthedatanoiseproblemarestudiedatfirst，andthenallultrasounduterusimagerecognitionfram

6、eworkisproposed，whichisbasedontheproposedfeaturedatapreprocessingmechanismandthemultipleclassifiersfusion．Afterthat，afastandautomaticultrasounduterusimagerecognitionalgorithmfortheintra—uterinedeviceisproposedandrealized。Atlast，afastandautomaticultrasoundimagerecognitionalgorithmforfetalgenitalorga

7、nisproposedandrealized．Themainresearchesofthisdissertationarelistedasfollowing：1，Therelatedworkofdealingwiththeclassimbalanceproblemisfirstlyreviewed，andthenapropergenerationmechanismofsyntheticminorityclas