学位论文 > 优秀研究生学位论文题录展示

基于神经网络的医学组织纹理识别与诊断的研究

作　者: 赵晓霞
导　师: 蒋先刚
学　校: 华东交通大学
专　业: 电力系统及其自动化
关键词: 超声图像纹理特征 Gabor小波灰度共生矩阵神经网络
分类号: TP391.41
类　型: 硕士论文
年　份: 2009年
下　载: 120次
引　用: 1次
阅　读: 论文下载

内容摘要

本文结合计算机技术、生物医学工程、数字图像处理和模式识别知识,通过将模板匹配、LMES法和BP神经网络等模式识别方法引入到肝脏超声图像识别问题中,将纹理描述的统计方法灰度共生矩阵和信号处理方法Gabor小波变换的多分辨率提取纹理特征方法相结合,提出了利用图像纹理特征识别肝脏超声图像的几种方法。首先,通过分析肝脏超声图像的成像原理和肝脏B超图像的灰度信息情况得知肝脏病理组织的B超图像携带着丰富的纹理信息。图像纹理特征在模式识别的应用有很多,本文主要利用灰度共生矩阵、Gabor小波变换等法提取纹理特征,因为灰度共生矩阵可以有效的提取纹理的能量、熵、局部平稳等等的纹理特性,而用Gabor小波变换,它可以是多尺度、多方向的有效的刻划纹理特性,找到对于肝脏超声图像分类的有用的信息,将它们应用到识别正常肝、肝硬化和脂肪肝这三类超声肝脏图像中;其次,采用大量肝脏超声图像的选择区域作为样本,试验中三类图像选择相等数量的样本,在利用灰度共生矩阵和Gabor小波变换提取各个样本的纹理特征的基础上,采用模式识别的方法对三类肝脏B超图像进行分类识别,分别选用三种分类器:模板分类器、几何分类器和神经网络分类器,具体采用了模板匹配法、LMES法和BP神经网络。最后,进行实验比较选择最佳纹理特征提取方法和最佳模式识别分类方法,在实验中由于数据形式的差异较大、表示的范围也大相径庭,所以要使数据标准化,将提取的特征值进行归一化处理,然后进行分类测试,并分别对各类纹理特征提取方法的有效性和各个分类器的识别性能作了充分的分析和具体的说明,对从图像输入到识别过程的效率进行了分析测试评估。实验证明,应用Gabor小波变换提取纹理特征更能有效地表达其特性,而在识别中,采用改进的BP神经网络识别率更高,对正常肝、肝硬化、脂肪肝这三类肝脏超声进行分类识别的正确率达到了90.3%,得到了比较满意的效果。本文的研究成果对超声图像识别具有一定的实际意义,其研究的软件可以作为临床诊断肝脏疾病的客观手段之一,辅助医生临床诊断,可大大减轻医生的工作量,提高肝脏病理组织纹理的识别率。

全文目录

摘要  4-5
Abstract  5-11
第一章绪论  11-20
  1.1 医学超声图像技术发展及成像原理  11-13
    1.1.1 B 型超声及其成像原理  11-12
    1.1.2 生物组织的超声特性  12-13
  1.2 医学图像分析和特征分析的理论及运用概述  13-17
    1.2.1 肝脏B 超图像的超声特性  14-15
    1.2.2 超声图像纹理特征基本概念  15-16
    1.2.3 基于灰度的超声图像纹理特征分析  16
    1.2.4 基于小波的超声图像纹理特征分析  16-17
  1.3 医学图像纹理分析及识别在相关领域的现状及发展趋势  17-18
  1.4 课题的目的及意义  18
  1.5 本文的主要工作和安排  18-20
第二章肝脏超声图像识别系统构成及软件方法  20-35
  2.1 肝脏超声图像识别系统开发平台简介  20
  2.2 肝脏超声图像识别系统的硬件构成  20-23
    2.2.1 图像采集卡的硬件安装  20-21
    2.2.2 图像采集卡的软件安装  21
    2.2.3 图像摄取控件的应用  21-23
  2.3 肝脏超声图像识别系统的软件构成  23-34
    2.3.1 肝脏超声图像识别系统构成的软件框架  23-24
    2.3.2 图像预处理的基本方法  24-30
    2.3.3 灰度图像特殊处理方法  30-31
    2.3.4 肝脏超声图像特征定义  31
    2.3.5 模式特征库的建立与修改  31-34
  2.4 本章小结  34-35
第三章超声图像纹理分析  35-55
  3.1 纹理分析方法  36-37
    3.1.1 纹理特征提取方法  36
    3.1.2 纹理综合特征在肝脏识别中的综合应用  36-37
    3.1.3 超声图像纹理特征分析方法  37
  3.2 基于灰度共生矩阵的纹理特征提取技术  37-45
    3.2.1 灰度共生矩阵的定义  38
    3.2.2 灰度共生矩阵特征参数介绍  38-40
    3.2.3 基于灰度共生矩阵的B 超图像纹理特征提取的算法实现  40-43
    3.2.4 灰度共生矩阵提取的B 超图像纹理特征的分析  43-45
  3.3 基于Gabor 小波纹理的特征提取技术  45-54
    3.3.1 小波变换的基本概念  45-47
    3.3.2 Gabor 函数和Gabor 小波  47-49
    3.3.3 多通道Gabor 小波变换的设计  49-51
    3.3.4 基于Gabor 小波的B 超图像纹理特征提取的算法实现  51-52
    3.3.5 Gabor 小波提取的B 超图像纹理特征的比较分析  52-54
  3.4 本章小结  54-55
第四章超声图像分类方法  55-72
  4.1 模板匹配识别方法  55-58
    4.1.1 模板匹配原理  55-56
    4.1.2 模板匹配方法实现  56-57
    4.1.3 基于模板匹配的肝脏B 超图像识别实现  57-58
  4.2 最小平方误差准则（LMSE 法）  58-61
    4.2.1 最小平方误差原理  58-60
    4.2.2 LMSE 分类方法实现  60
    4.2.3 基于LMES 法的肝脏B 超图像识别实现  60-61
  4.3 神经网络识别方法  61-71
    4.3.1 神经网络概述  62-63
    4.3.2 神经网络模式识别系统  63-64
    4.3.3 BP 神经网络简介  64-68
    4.3.4 BP 网络的改进  68-69
    4.3.5 基于BP 神经网络的肝脏B 超图像识别实现  69-71
  4.4 本章小结  71-72
第五章肝脏超声图像识别系统软件技术与各模块协调  72-82
  5.1 肝脏超声图像识别系统中面向对象程序设计方法  73-75
  5.2 肝脏超声图像系统中的数据统筹调配  75-76
  5.3 肝脏超声图像识别系统各模块的建立与协调  76-81
  5.4 本章小结  81-82
第六章肝脏超声图像识别实验对比与总结  82-91
  6.1 纹理特征数据处理  82-84
  6.2 基于肝脏纹理的模板匹配实验测试  84-85
    6.2.1 基于灰度共生矩阵提取特征的模板识别实验  84-85
    6.2.2 基于Gabor 小波变换提取特征的模板匹配实验  85
  6.3 基于肝脏纹理的LMES 法实验测试  85-86
    6.3.1 基于灰度共生矩阵提取特征的LMES 法实验  85
    6.3.2 基于Gabor 小波变化提取特征的LMES 法实验  85-86
  6.4 基于肝脏纹理的BP 神经网络实验测试  86-89
    6.4.1 基于灰度共生矩阵提取特征的BP 网络的实验  86-88
    6.4.2 基于Gabor 小波变换提取特征的BP 网络的实验  88-89
  6.5 各类分类方法的比较分析  89
  6.6 本课题总结及后续研究  89-91
致谢  91-92
参考文献  92-95
附录一：计算位于不同角度灰度共生矩阵的源代码  95-96
附录二：Gabor 小波提取的B 超图像纹理特征算法实现源代码  96-97
附录三：LMSE 分类算法程序实现源代码  97-100
个人简历在读期间发表的学术论文  100

基于神经网络的医学组织纹理识别与诊断的研究

内容摘要

全文目录

相似论文