肝癌B超图像的计算机辅助诊断研究

《肝癌B超图像的计算机辅助诊断研究》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、浙江工业大学硕士学位论文肝癌B超图像的计算机辅助诊断研究摘要医学图像计算机辅助识别工作属于数字图像处理的一个分支。现在越来越多的专家和学者开始涉足这一领域，并取得了较大的发展。本文在肝癌B超图像领域中做了一些计算机辅助诊断的研究，将核主成分分析法(KPCA)与粗糙集理论结合，对肝癌B超图像进行特征融合与分类识别，主要做了以下几点工作：1．肝癌B超特征图像的提取。现有研究方法往往直接提取原始B超图像一个或几个特征数值进行分析测算。而本文则根据肝癌B超图像的性质特点，先提取图像的特征图像，然后通过对多幅特征图像提取列均值与列方差的方法组合成特征矩阵，代替原始图像进行分析处理。2

2、．采用KPCA方法对生成的特征矩阵进行特征融合，并在融合过程中进行特征选取。首先选取合适的核函数，然后确定与选取核主成分。由于核主成分与图像的相关特征有着一一对应的关系，因此确定核主成分的过程也是特征选择的过程。本文通过仿真实验分析，得到影响肝癌B超图像的关键特征信息——灰度特征以及反映灰度的空间分布属性的特征，为图像的分类识别提供了重要依据。3．采用粗糙集方法进行肝癌B超图像分类识别。粗糙集理论是一种处理不精确、不确定与不完全数据的新的数学方法。它最大的一个特点就是它不需要先期经验，就能有效地分析不精确、不一致、不完整等各种木完备的信息，还可以对数据进行分析和推理，从中发

3、现隐含的知识，揭示潜在的规律。本文根据图像融合时选取的相关特征信息，确定灰度特征与纹理统计特征作为粗糙集分类识别的属性集，具体有偏度、峰度、均值、标准差、平滑度、一致性和熵，然后制定粗糙集分类属性规则，对测试样本进行识别，取得了较好的识别效果。本文的研究方法对肝癌与正常肝脏B超图像的识别正确率均超过90％，达到目前同类研究的同等或更高的识别率。与目前的基于小波纹理特征与人工神经网络识别的方法相比，本文的方法无需先期学习过程，不受输入改变的影响、稳定性更好和容易实现等优势。i浙江工业大学硕士学位论文关键词：肝癌B超图像，特征提取，核函数，核主成分分析，粗糙集理论，分类规则浙江

4、工业大学硕士学位论文THESTUDYoFCoMPUTERAIDEDDIAGNOSIS0FB．UIJRASoNICMEDICALIMAGESOFLⅣERCANCERABSTRACTThecomputer—aideddiagnosisofmedicalimageisabranchofimageprocessing．Moreandmorescholarsandmedicflexpertsworkatthisdomainandmakegreatprogress．InthispaperwestudiedinthefieldofB-ultrasonicmedicalimagesofli

5、vercancer．Weproposedawaywhichcombineswiththemethods，theKernelPrincipleComponentsAnalysis(rd'CA)andRoughSets，toanalyzetheB·-ultrasonicmedical．imagesofliver,andwecanrecognizetheB—·ultrasonicmedicalimagesofliverCanCercorrectly．Thefollowsistheworkofourstudy：1．FeatureimagesextractionoftheB-ultr

6、asonicimagesofliverCanCer．Theanalysisandmeasurementwereoftendirectlyby．extractingoneorafewcharacteristicsoftheoriginalmedicalimagesinthemostexistingmethods．Inthispaper，basedOilthenaturalcharacteristicsoftheB—ultrasonicimagesofliverCanCer，thefeatureimageswereextractedfirstandthenthefeaturem

7、atrixwhichmadeofthemeanandvarianceofthefeatureimages，insteadoftheoriginalimagecharacteristicswereanalyzedandprocessed．2．FeaturefusionandselectionusingthemethodofKPCA．Inthispaper，thefeaturematrixwasfusedbythemethodofKPCA(KernelPrincipleComponentsAnalysis)．First