資源描述：
《醫(yī)學類基于頭部醫(yī)學ppt培訓課件》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。
1、基于頭部醫(yī)學 CT圖像的特征提取及分類報告人：張薇麗主要內(nèi)容1.研究意義2.國內(nèi)外研究現(xiàn)狀3.研究內(nèi)容及方法4.未來工作研究意義醫(yī)務(wù)人員對影像切片的處理只能以固定方式對其進行觀察，所得到的診斷結(jié)果帶有醫(yī)生的主觀經(jīng)驗判斷，這在很大程度上取決于醫(yī)生的臨床經(jīng)驗。目前借助計算機的影像處理與分析，提高了醫(yī)生的診斷，這對醫(yī)學臨床診斷有很大的意義。圖像醫(yī)療計算機輔助診斷是通過計算機處理待處理的醫(yī)學圖像，通過分析，最終計算機給定一個輸出結(jié)果。這在一定程度上也推動科學智能化的發(fā)展。計算機輔助診斷是考慮到醫(yī)生和計算機的具有等同地位的觀念，不同于自動診斷僅僅依靠計算機算法。
2、所以計算機輔助診斷的意義就在于計算機的輸出結(jié)果作為對醫(yī)生的輔助診斷，它不需要和醫(yī)生的結(jié)果比較或有甚比醫(yī)生的診斷結(jié)果更準確?！皊econdopinion”。國外研究現(xiàn)狀計算機輔助診斷在醫(yī)學中的應(yīng)用可追溯到20世紀50年代。1959年，美國學者Ledley等首次將數(shù)學模型引入臨床醫(yī)學，提出了計算機輔助診斷的數(shù)學模型，并診斷了一組肺癌病例，開創(chuàng)了計算機輔助診斷的先河。1967年，第一個乳腺X線平片CAD問世。它重點分析乳腺腫塊和微小鈣化點。1987年，CAD被賦予專利權(quán)。20世紀90年代后，計算機輔助診斷系統(tǒng)致力于研究X線乳腺癌和肺結(jié)節(jié)疾病并取得不錯的結(jié)果目
3、前市場上出現(xiàn)在市場上只有3種CAD系統(tǒng)經(jīng)FDA批準進入臨床使用,其中2種用于乳腺X線影像診斷,1種用于胸部X線影像診斷,都是采用激光掃描經(jīng)數(shù)字化的X線圖像。目前,CAD在乳腺癌及肺部結(jié)節(jié)影的X線檢測和診斷中已經(jīng)得到了充分肯定。但乳腺癌臨床應(yīng)用的研究仍是熱點。在肺部、肝臟結(jié)節(jié)CT影像CAD方面也取得明顯進展。國外研究現(xiàn)狀表1：2000至2005年，在芝加哥舉行的北美放射學會（RSNA）會議中CAD系統(tǒng)研究的器官文章數(shù)目200020012002200320042005胸223753947048乳腺232832374849DNA41021171530頭—42
4、10915肝臟3—59915骨骼277985動脈等.5—121527總數(shù)5986134191161163部位年圖像特征提取灰度圖像在計算機中存儲的是各個像素的的灰度值，即相當于一個二維數(shù)組。對于M*N的圖像就存儲了m*n個像素點?？捎肈[M][N]表示，數(shù)組的值就代表了圖像該點的灰度值。提取的特征(1)均值(mean)：均值反映的是一幅圖像的平均灰度值。其中k表示灰度級種類數(shù)。(2)方差(variance)：方差反映的是一幅圖像的灰度在數(shù)值上的離散分布情況。(3)傾斜度(skewness)：傾斜度反映的是圖像直方圖分布的不對稱程度,歪斜度越大表示直方圖
5、分布越不對稱,反之越對稱。提取的特征(4)峰值(kurtosis):峰值反映的是圖像的灰度分布在接近均值時的大致狀態(tài),用以判斷圖像的灰度分布是否非常集中于平均灰度附近,峰度越小,表示越集中。(5)能量（Energy）：對于等概率的分布具有最小的能量。(6)熵（Entropy）：灰度熵值可以反映圖像中灰度的不均勻程度或復雜程度，對于等概率的分布具有最大的熵。計算機輔助診斷步驟：圖像分割（物體分離）：提取出感興趣的區(qū)域。特征抽?。簩ξ矬w進行度量。通過計算感興趣區(qū)域的一些重要特性進行量化表示。分類：從而確定每個圖片應(yīng)該歸屬的類別。知識庫分割表示與描述識別與解
6、釋預(yù)處理中級處理存在問題由于針對整張圖片進行灰度特征提取的效果不理想，沒有針對性，所以考慮到研究頭部腦出血疾病的特點及所在層次，首先對圖像就行分割，提取出感興趣的部分，再提取其相應(yīng)的灰度特征。圖像分割算法有很多，而每種算法都有各自的優(yōu)缺點，適合不同的圖像。本文中對醫(yī)學圖像進行分割，主要的目的是為了把顱骨分割出去。文獻中提到對于醫(yī)學圖像的分割，閾值分割效果最好，方法簡單而且計算量小。但是對噪聲和灰度分布的均勻性很敏感；同時，用戶先驗知識在閾值分割中顯得尤為重要。特征提取由于這對整張圖片提取的特征不夠精確，而分類不準確和特征提取有密切的聯(lián)系，所以考慮如下：
7、正常異常全閾值分割（自迭代分割）特征提取正常異常閾值分割（T=200）特征提取圖像的分類圖像特征提取是圖像識別的基礎(chǔ)和前期必須的準備工作。特征提取在廣義上就是一種變換,即通過變換的方法用低維空間表示高維的圖像樣本空間。特征選擇和提取很重要,直接影響到圖像識別分類器的設(shè)計、性能及其識別結(jié)果的準確性,其基本任務(wù)是從眾多特征中找出那些最有效的特征。算法SEE5RBFNN擴張矩陣、關(guān)聯(lián)規(guī)則。改進RBF算法灰度直方圖灰度（分塊）紋理rbf10.80-0.820.74-0.760.67-0.71rbf20.79-0.830.79-0.820.73-0.75特征算法
8、進一步工作實現(xiàn)前面提到的特征，看結(jié)果如何?？紤]結(jié)合別的特征，如對圖像分割后，對感興趣區(qū)域提取灰
