医学图像检索技术的研究进展

医用影像存储和检索工作离不开计算机技术。本文通过医学图像检索技术的发展历程、热门算法和应用探索简述了医学图像检索领域中的一些情况。基于内容的医学图像检索技术以及它的延伸基于语义的医学图像检索技术是当今研究热点。结合深度学习、人工神经网络等算法,能优化检索技术,这也是未来这个领域的发展方向。     

深度学习方法在阿尔茨海默病脑图像方面的应用进展

基于神经影像学的脑图像分析是诊断阿尔茨海默病(AD)的一种重要辅助方法。早期诊断对患者的预后具有重要影响,但是人工分析处理影像具有主观、耗时的缺点,而基于算法的计算机辅助诊断可以较好地实现对图像的识别、分类,有利于提高影像科医师的工作效率和诊断的准确性。深度学习作为机器学习最重要的一个分支,由于其优越的数据规律学习能力,在当今大数据时代,尤其适用于复杂的神经影像数据分析,在AD脑图像处理、分类、分析等方面具有较好的优越性和发展潜力。     

基于BP神经网络的常见中兽药中5种违禁药物显微图像识别

目的 以人工神经网络和模式识别技术为基础,对动物饲料中常添加的违禁西药进行了自动识别与分类.方法 对违禁药物的显微图像进行预处理、图像分割,并提取纹理特征.根据提取的特征应用BP人工神经网络完成对5种违禁药品（呋喃妥因、呋喃唑酮、呋喃它酮、氯霉素、扑热息痛）的识别分类.结果 该算法不仅能快速识别出上述5种违禁药品,且准确度比较高.结论 该方法对于以上5种违禁药品能得到满意的识别结果.     

图像分类数的自适应估计准则与最优分割算法

在图像分割算法中,将图像灰度分为多少类是首先需要决定的问题,它将直接影响分割的最终结果。因此,必须合理地估计图像分类数,它在理论分析和应用上都是很重要的一步。本文提出了一种基于马尔可夫场的图像分类数的自适应估计准则。当该准则达到最小时对应的类数就是图像正确分割所要求的分类数。准则中各参数由期望最大法和最大伪似然法来估计。试验表明,本文的算法能通过自适应的调整参数而正确地找到图像的分类数,并且在此分类数下能自动得到图像的最大后验分割。     

DR组织均衡技术在胸腰段椎体摄影中的应用

目的:探讨胸腰段椎体直接数字化X线摄影(DR)中,采用组织均衡技术的DR图像与标准的DR图像的差别。方法:随机选取160例患者的DR胸腰段摄影的影像资料作为分析材料,通过运用组织均衡技术对这些影像资料进行处理,比较采用组织均衡技术的DR图像与标准的DR图像的差别。结果:160例DR胸腰段椎体影像,运用组织均衡技术处理的胸腰段影像,能清晰显示T10~L5段的影像;标准DR图像仅能较好地显示L1~L5段的影像,需要通过调节窗宽窗位才能显示T10~T12的图像。结论:在直接数字化摄影中,使用DR组织均衡技术能明显改善因受检组织厚薄、密度高低影响而难以在标准DR中显示的影像清晰度,而又不牺牲其它部分的细节显示。     

模糊遗传人工神经网络算法提取乳腺微钙化点的效果

 【目的】微钙化点是早期乳腺癌的重要征象之一，本研究联合运用遗传算法、模糊数学和人工神经网络，建议一种乳腺微钙化点提取的新方法，为乳腺病变的自动识别提供前期处理，为早期乳腺癌的临床诊断提供帮助。【方法】首先利用随机方法产生大量的样本，然后，利用模糊遗传算法对产生的随机样本进行分类，将分类后的样本输入人工神经网络进行训练，将310幅乳腺图像的感兴趣区域输入训练后的人工神经网络分类器进行分类。【结果】与微钙化点提取方面的同类文献相比较，结果表明该算法在相同误检率下得到较高的阳性检出率。【结论】研究表明综合运用遗传算法、模糊数学和人工神经网络进行乳腺微钙化点提取比单纯运用人工神经网络提取效果好。     

模糊遗传人工神经网络算法提取乳腺微钙化点的效果

【目的】微钙化点是早期乳腺癌的重要征象之一，本研究联合运用遗传算法、模糊数学和人工神经网络，建议一种乳腺微钙化点提取的新方法，为乳腺病变的自动识别提供前期处理．为早期乳腺癌的临床诊断提供帮助。【方法】首先利用随机方法产生大量的样本，然后，利用模糊遗传算法对产生的随机样本进行分类，将分类后的样本输入人工神经网络进行训练，将310幅乳腺图像的感兴趣区域输入训练后的人工神经网络分类器进行分类。【结果】与微钙化点提取方面的同类文献相比较，结果表明该算法在相同误检率下得到较高的阳性检出率。【结论】研究表明综合运用遗传算法、模糊数学和人工神经网络进行乳腺微钙化点提取比单纯运用人工神经网络提取效果好。     

基于PACS的以数字化影像征象分类为模块的教学系统的研究与应用

目的研究基于PACS的以数字化影像征象分类为模块的教学系统及临床应用。方法在PACS系统中，允许每一权限医生对典型病例图像注释后按影像征象进行归类，然后存储于SQLSERVER2000服务器中，采用模块化管理方式，归类的影像征象按临床实践要求分析其病理过程、可能的疾病及其鉴别诊断方法。在专业的显示器（或个人计算机）上，通过用户界面输入解剖部位／影像征象即可调阅相关图像进行教学，弘要时通过Intrartet或Interilet实现网络教学。结果 系统开放性、稳定性好，影像数据和信息能安全、无损的存储，传输速度快，操作互动性好。结论基于PACS的以数字化影像征象分类为模块的教学系统符合临床实践过程要求，具有直观、实用性强，操作简便，图像安全可靠等优点，便于临床影像教学工作的开展。     

基于机器学习的郁证证型分类模型构建研究

目的 基于机器学习的随机森林和人工神经网络算法构建郁证证型分类模型,并采用混淆矩阵评估其模型的准确度。方法 医案数据来自古今医案云平台、中国知网、万方、维普数据库,共纳入1010例医案,训练集和测试集划分比例为7∶3。利用Python在Jupyter notebook中进行特征提取,再通过随机森林、人工神经网络构建郁证证型分类模型,最后利用混淆矩阵验证分类结果准确性。结果 利用随机森林算法构建的证型分类模型,整体准确度为89.44%,其中肝气郁结95.00%,气郁化火82.05%,痰气郁结89.29%,心神失养85.07%,心脾两虚89.74%,心肾阴虚95.16%;利用人工神经网络算法构建的证型分类模型,整体准确率为96.03%,其中肝气郁结100.00%,气郁化火92.31%,痰气郁结96.43%,心神失养91.04%,心脾两虚97.44%,心肾阴虚100.00%。结论 两类分类模型分类结果均达到了较理想的效果,但人工神经网络分类模型准确度高于随机森林分类模型准确率,其非线性、模糊性等特征更适合于中医证型分类预测,可为今后中医诊断研究提供新的思路与方向。     

一种基于MATLAB的快速MRI图像三维重建方法

目的构建一种基于MATLAB的快速颅脑的三维重建方法,能完整的显示脑的三维形态并去掉头皮等组织。方法使用MATLAB中的cat、isosurface等函数,采用图像预处理、图像分割、插值和面绘制的方法进行三维重建。结果可获得清晰显示脑纵裂和脑横裂的颅脑三维影像,算法简单快速。结论算法基于MATLAB,灵活性高于使用三维重建软件。     

基于神经网络的显微高光谱乳腺癌组织图像研究

目的 探索神经网络结合显微高光谱成像识别乳腺癌组织的可行性和应用价值。方法 采用显微高光谱成像技术采集乳腺癌组织的图像数据,使用基于神经网络的显微高光谱乳腺癌组织图像分析方法,实现乳腺癌组织的自动分类和区域划分。提出数据预处理方法以提高图像的信噪比,利用神经网络训练图谱信息识别乳腺组织病变区域并突显以利于可视化。结果 基于神经网络的显微高光谱的乳腺组织识别分析方法同时利用了图谱两个方面的特征,获得了比传统彩色病理图像更好的识别结果。结论 基于神经网络的显微高光谱乳腺组织图像分析方法可以提供特征性的样本信息,是传统彩色病理图像的有效补充。在神经网络分析方法的支持下,将显微高光谱成像技术应用于乳腺癌组织的分析具有一定的应用前景。     

基于迁移学习的全连接神经网络舌象分类方法

目的 针对深度学习在舌象分类中训练数据量大、训练设备要求高、训练时间长等问题,提出一种基于迁移学习的全连接神经网络小样本舌象分类方法。方法 应用经ImageNet海量数据集训练后的卷积Inception_v3网络提取舌象点、线等有效特征,再使用全连接神经网络对特征进行训练分类,将深度学习网络学习到的图像知识迁移到舌象识别任务中。利用舌象数据集进行训练、测试。结果 与典型舌象分类方法K最近邻（KNN）算法、支持向量机（SVM）算法和卷积神经网络（CNN）深度学习方法相比,本实验使用的两种方法（Inception_v3+2NN和Inception_v3+3NN）具有较高的舌象分类识别率,准确率分别达90.30%和93.98%,且样本训练时间明显缩短。结论 与KNN算法、SVM算法和CNN深度学习方法相比,基于迁移学习的全连接神经网络舌象分类方法可有效提高舌象分类的准确率、缩短网络的训练时间。     

Highly Sensitive Computer Aided Diagnosis System for Breast Tumor Based on Color Doppler Flow Images

A computer-aided diagnosis (CAD) system for breast tumor based on color Doppler flow images is proposed. Our system consists of automatic segmentation, feature extraction, and classification of breast tumors. First, the B-mode grayscale image containing anatomical information was separated from a color Doppler flow image (CDFI). Second, the boundary of the breast tumor was automatically defined in the B-mode image and then morphologic and gray features were extracted. Third, an optimal feature vector was created using K-means cluster algorithm. Then a back-propagation (BP) artificial neural network (ANN) was used to classify breast tumors as benign, malignant or uncertain. Finally, the blood flow feature was extracted selectively from the CDFI, and was used to classify the uncertain tumor as benign or malignant. Experiments on 500 cases show that the proposed system yields an accuracy of 100% for the malignant and 80.8% for the benign classification. Comparing with other systems, the advantage of our system is that it has a much lower percentage of malignant tumor misdiagnosis.     

A Mixture of Experts Network Structure for Breast Cancer Diagnosis

Mixture of experts (ME) is a modular neural network architecture for supervised learning. This paper illustrates the use of ME network structure to guide diagnosing of breast cancer. Expectation-maximization (EM) algorithm was used for training the ME so that the learning process is decoupled in a manner that fits well with the modular structure. Diagnosis tasks are among the most interesting activities in which to implement intelligent systems. Specifically, diagnosis is an attempt to accurately forecast the outcome of a specific situation, using as input information obtained from a concrete set of variables that potentially describe the situation. The ME network structure was implemented for breast cancer diagnosis using the attributes of each record in the Wisconsin breast cancer database. To improve diagnostic accuracy, the outputs of expert networks were combined by a gating network simultaneously trained in order to stochastically select the expert that is performing the best at solving the problem. For the Wisconsin breast cancer diagnosis problem, the obtained total classification accuracy by the ME network structure was 98.85%. The ME network structure achieved accuracy rates which were higher than that of the stand-alone neural network models.     

基于GSO算法与互信息的医学图像配准

医学图像处理过程通常包括图像预处理、特征提取、图像分类,Harris角点检测算法是常用的特征点提取算法之一。该算法适应多种变换、运算简便,在医学图像处理领域中广泛应用,但在实际应用中发现传统的Harris算法检测到的特征点数量不足且图像配准精度不高。因此提出了一种优化算法（GM-Harris算法）,即采用群搜索优化算法（GSO算法）与互信息相结合的方式优化传统Harris算法的过程,并从匹配有效率与算法效率两方面对2种算法的特征点提取效果进行了定量分析。实验结果表明,与传统的Harris算法相比,GM-Harris算法不但可以获得较充足的特征点,而且还能提高图像配准的精度。     

Development of a Robust Algorithm for Detection of Nuclei and Classification of White Blood Cells in Peripheral Blood Smear Images

Peripheral Blood Smear analysis plays a vital role in diagnosis of many diseases such as leukemia, anemia, malaria, lymphoma and infections. Unusual variations in color, shape and size of blood cells indicate abnormal condition. We used a total of 117 images from Leishman stained peripheral blood smears acquired at a magnification of 100X. In this paper we present a robust image processing algorithm for detection of nuclei and classification of white blood cells based on features of the nuclei. We used novel image enhancement method to manage illumination variations and TissueQuant method to manage color variations for the detection of nuclei. Dice similarity coefficient of 0.95 was obtained for nucleus detection. We also compared the proposed method with a state-of-the-art method and the proposed method was found to be better. Shape and texture features of the detected nuclei were used for classifying white blood cells. We considered classification of WBCs using two approaches such as 5-class and cell-by-cell approaches using neural network and hybrid-classifier respectively. We compared the results of both the approaches for classification of white blood cells. Cell-by-cell approach offered 1.4% higher sensitivity in comparison with the 5-class approach. We obtained an accuracy of 100% for lymphocyte and basophil detection. Hence, we conclude that lymphocytes and basophils can be accurately detected even when the analysis is limited to the features of nuclei whereas, accurate detection of other types of WBCs will require analysis of the cytoplasm too.     

X射线检测焊缝的图像处理与缺陷识别

根据射线检测焊缝图像的特点，设计了图像去噪、增强的算法；针对焊缝缺陷对比度差、光照不均、纹理较多等不利因素，在去除焊缝背景情况下，设计了动态划分焊缝区域算法，利用局域阈值法分割提取出对比度不均的缺陷；通过对焊缝缺陷特征分析，选取缺陷识别的特征参数；建立了用于焊缝缺陷识别的模糊神经网络模型。试验结果表明，图像预处理和缺陷提取是成功的，提出的识别算法能够提高介于模糊边界模式分类时的识别率，对焊缝缺陷识别的效果优于分类识别法。     

Computer-Based Identification of Breast Cancer Using Digitized Mammograms

High-quality mammography is the most effective technology presently available for breast cancer screening. Efforts to improve mammography focus on refining the technology and improving how it is administered and X-ray films are interpreted. Computer-based intelligent system for identification of the breast cancer can be very useful in diagnosis and its management. This paper presents a comparative approach for classification of three kinds of mammogram namely normal, benign and cancer. The features are extracted from the raw images using the image processing techniques and fed to the two classifiers namely: the feedforward architecture neural network classifier, and Gaussian mixture model (GMM) for comparison.. Our protocol uses, 360 subjects consisting of normal, benign and cancer breast conditions. We demonstrate a sensitivity and specificity of more than 90% for these classifiers.