学位论文 > 优秀研究生学位论文题录展示

生物医学图像组织统计分类研究

作　者: 贾富仓
导　师: 李华
学　校: 中国科学院研究生院（计算技术研究所）
专　业: 计算机应用技术
关键词: 生物医学图像加权距离矩阵组合分类器随机森林期望最大化自助法最大强度投影法混合模型规律二次抽样初始聚类中心
分类号: TP391.41
类　型: 博士论文
年　份: 2004年
下　载: 530次
引　用: 3次
阅　读: 论文下载

内容摘要

生物医学成像仪器每天产生大量的图像数据。中国的数字人计划也已经获取了高分辨率、高质量的数据集。在这些来源不同的庞大数据中进行正常或病变组织、器官的定量分析与三维重建在科学研究和医学临床应用上非常重要。而图像分割是定量分析和产生高质量几何模型的前提。一般把基于统计方法的图像分割称为组织分类。组织分类方法随图像模态、图像特征和图像质量不同而不同。本文针对神经、血管和脑组织这三种不同的数据,使用了三种不同的统计方法完成了组织分类。还针对大尺寸图像聚类提出了一种减少计算时间的种子点初始化方法。本文提出了一种从臂丛神经扫描图像中提取神经微束并对神经微束进行自动分类的方法。扫描得到的彩色图像中,包含神经微束的神经束的外周边界很不清晰。通过神经微束质心的欧氏距离和神经微束最短距离的加权距离矩阵的凝结层次聚类算法能够对神经微束正确分类,通过误差平方和准则函数和上层类数先验知识可以自动判断神经束的数目。实验结果证明了这种方法的可行性。本文提出了一种基于最大强度投影法预处理的有限混合模型方法提取磁共振血管造影图像中的血管。图像中强度较大的体素对应于血管或皮下脂肪,在分割时会干扰血管的提取。通过计算垂直于切片的Z-轴方向上的最大强度投影图像,二值化得到掩码图像。原始图像通过掩码图像处理后,用两个正态分布拟合,通过期望最大化方法计算混合模型的参数。用半高全宽和直方图曲线下的面积估计参数初值,减少了迭代计算次数,避免了收敛于局部极值点的缺点。正确地提取了血管并建立了几何模型。本文提出用随机森林进行多通道图像的组织分类。通过自助重抽样技术产生多个训练样本,是用随机特征选择产生多个分类树,采用组合投票方法进行组织分类。结果表明,组合分类器是一种简单、快速、高效的多通道图像组织分类方法。本文提出了一种对图像进行规律性二次抽样的方法,对生成的子样本进行聚类,产生的聚类中心作为原始图像聚类的初始中心。这种方法能够减少聚类中的迭代次数,加快计算速度。实验结果表明,规律性二次抽样是进行大尺寸图像聚类分析的有效方法。本文最后总结并讨论了中国数字人项目下一步的研究工作。

全文目录

声明  5
关于论文使用授权的说明  5-6
摘要  6-7
英文摘要  7-12
第一章绪论  12-23
  1.1 医学成像技术发展概况  12-13
  1.2 生物成像技术发展概况  13-15
  1.3 中国数字人计划  15-18
  1.4 生物医学图像特点  18-20
  1.5 三维生物医学图像的可视化  20-22
  1.6 本文章节安排  22-23
第二章生物医学图像分割方法  23-41
  2.1 引言  23-25
  2.2 统计分类方法  25-27
    2.2.1 无监督聚类  25-26
    2.2.2 参数统计分类  26-27
    2.2.3 非参数统计分类  27
  2.3 区域分割方法  27-30
    2.3.1 分水岭法  27-28
    2.3.2 区域增长法  28-29
    2.3.3 模糊连通法  29-30
  2.4 变形模型分割方法  30-34
    2.4.1 参数变形模型  30-31
    2.4.2 几何变形模型  31-33
    2.4.3 测地主动轮廓线法  33-34
  2.5 其他分割方法  34-39
    2.5.1 随机场  34-35
    2.5.2 统计形状模型  35-36
    2.5.3 基于图谱配准的分割  36-37
    2.5.4 局部特征分割  37-38
    2.5.5 混合分割  38-39
  2.6 非线性滤波  39-40
  2.7 小结  40-41
第三章基于加权距离矩阵的神经微束分类  41-53
  3.1 研究背景  41-42
  3.2 图像预处理方法  42-44
    3.2.1 Otsu 二值化  42-43
    3.2.2 连通成分标记  43-44
  3.3 聚类算法  44-48
    3.3.1 K-均值聚类  44-45
    3.3.2 层次聚类  45-48
  3.4 神经微束分类实验  48-52
    3.4.1 实验数据  48-49
    3.4.2 实验步骤  49-50
    3.4.3 实验结果  50-52
  3.5 总结与讨论  52-53
第四章基于最大强度投影和混合模型的血管提取  53-64
  4.1 研究背景  53-54
  4.2 血管提取方法  54-59
    4.2.1 最大强度投影法  55
    4.2.2 混合模型  55-57
    4.2.3 参数估计方法  57-59
  4.3 血管提取实验  59-63
    4.3.1 实验数据  59
    4.3.2 MIP 预处理  59-60
    4.3.3 混合模型构建  60
    4.3.4 参数估计  60-61
    4.3.5 实验结果  61-63
  4.4 总结与讨论  63-64
第五章基于组合分类器的组织分类  64-82
  5.1 研究背景  64
  5.2 重抽样技术  64-65
  5.3 基于分类树的组合分类器  65-71
    5.3.1 分类树  66-68
    5.3.2 随机森林  68
    5.3.3 随机森林生长方法  68-69
    5.3.4 随机森林的收敛性  69-71
  5.4 分类效果评估  71-72
  5.5 组织分类实验  72-80
    5.5.1 实验1  72-78
    5.5.2 实验2  78-80
  5.6 总结与讨论  80-82
第六章大尺寸图像聚类种子点的初始化  82-91
  6.1 大数据集聚类研究概况  82-84
  6.2 K-均值聚类种子点选取方法  84-85
  6.3 图像多分辨率子采样  85-86
  6.4 图像规律二次抽样方法  86-90
    6.4.1 图像规律二次抽样  86-87
    6.4.2 实验  87-90
  6.5 总结与讨论  90-91
第七章结束语  91-94
  7.1 本文主要贡献与创新  91-92
  7.2 下一步研究工作  92-94
参考文献  94-106
致谢  106-107
作者简历  107-108
攻读博士学位期间发表的论文  108-109

生物医学图像组织统计分类研究

内容摘要

全文目录

相似论文