基于自适应概率统计模型的计算机辅助诊断算法研究

作者:叶得学 刊名:软件 上传者:刘英胜

【摘要】计算机辅助诊断是医学诊断学与人工智能技术结合的产物,在诊断学的各个领域的应用日益增多。结合先进的计算机图像技术,利用自适应概率统计模型建立的肺部肿瘤识别模型和正常模型。可以通过计算待检测样本和两个模型的相似度,提高诊断的准确度。

全文阅读

0引言计算机辅助诊断(CAD)系统[1]是将医学与计算机科学、认知科学等学科相结合的一种新型诊疗手段,其目的是给内科医生提供疾病定量分析及损伤诊断方面的参考意见,可帮助医生提高对疾病的判断和诊疗效率。目前在临床辅助诊断、细胞学辅助诊断、影像学辅助诊断等各个领域均有应用和研究[2]。内科医生在诊断病情时除了谈话了解患者的病痛情况外,往往还需参阅患者的扫描图像。图像扫描实际上就是在利用计算机进行辅助诊断[3]。扫描图像中除了含有病灶信息外,当然还有大量的正常信息。由于解剖学的高度复杂性,还有通常良性恶性病情的甄别难度也非常之大。再加上医生个体的能力差异,使得病况的误诊几率也变得非常大。利用计算机参与的辅助诊断其目的是为了更快速地进行器官损伤检测,提高内科医生诊断的准确率。目前,许多疾病的诊断都离不开大量的医学扫描图像,比如:利用CT片和X光片来诊断肺部肿瘤;利用超声图像以及胸部的X光片可以鉴定胸部的损伤情况;利用正电子影像来诊断大脑失常等疾病情况[4]。最近几年,将计算机人工智能与数字图像技术相结合的计算机辅助诊断系统快速发展,已在多种疾病诊断过程中大量使用。对提高病情的诊断准确率有很大的帮助。1计算机辅助诊断系统的体系结构计算机辅助诊断系统是一个整体性人工智能系统,其体系结构主要包括:图像预处理功能模块、定义关心部位功能模块、病理特征扩展模块以及特征分级模块等四大功能模块。1.1图像预处理功能模块图像预处理的目的是优化数据质量,由于后续诊断在很大程度上都要依赖图像结果,所以该模块的处理能力具有绝对的意义。均值滤波、中值滤波、拉普拉斯滤波和高斯滤波等方法在这些数据质量的优化过程中被广泛使用[5]。如模糊变化和小波变化用以增强图像结构边缘;在增强图像的反差时利用直方图的均衡性等。同时在该处理模块中,还规定用线性或非线性灰度变换的标准图像代表其它预处理任务,并且允许将其他设备产生的图像进行比对。1.2定义关心部位功能模块定义关心部位就是使用手动、半自动或全自动方法,使诊断者在存在干扰的因素下,也能对图像中的解剖结构准确确定,其中就包括正常和不正常的结构。如利用半自动方法[6]定义关心部位的一个实例就是医学图像种子部位生长。目前,灵活的外形模型已经成功的应用于二维医学图像的自动化定义和解剖轮廓的跟踪处理。通过该模型,即便器官的轮廓随意,但仍能50叶得学:基于自适应概率统计模型的计算机辅助诊断算法研究够对其进行精确的近似。1.3病理特征扩展功能模块特征扩展是指对医学图像的各种定量测量,该功能适宜于光谱或空间领域。为了提高分级的准确性,减少各种复杂因素,特征只要被扩展,大部分具有优良特征的小分子团就要成为必须的选择。具体的选择方法有过度式、启发式或非确定的搜索策略,如从血液的显微镜图像上获取五种白细胞的不同性,就是启发式技术的应用;在肺结节的特征选择上类似遗传公式的使用就是非确定技术的典型。1.4特征分级功能模块特征分级是医学界公认的关于医学图像处理的首要问题。因为前期分析的特征中,有的可能已经得到监控,故我们将特征分级分为有监控的特征分级和无监控的特征分级。有监控的分级中,特征集合称为预定义级别;而无监控的分级中,特征集合被称成未知级别。判断树、k毗邻和贝叶斯定理分级机以及NN分级机等统计分级机[7]是有监控分级的处理基础。也有不少尖端的有监控分级方法正在不断的推广,例如利用总体分级机完成CT结肠成像中结肠息肉的检测等。目前,有监控分级和无监控分级方法在胸部肿瘤诊断中都得到了广泛应用,且已获得比较评价结论。2CT图像肺部肿瘤的诊断通过肺部CT图像对肺部肿瘤进

参考文献

引证文献

问答

我要提问