基于混合貝葉斯網(wǎng)絡(luò)的醫(yī)學(xué)圖像語義建模及其檢索的研究.pdf

1、醫(yī)學(xué)圖像語義檢索的研究正成為醫(yī)學(xué)圖像檢索研究的新熱點(diǎn)，也是醫(yī)學(xué)迫切需要解決的問題，它是實(shí)現(xiàn)醫(yī)學(xué)圖像理解的多學(xué)科交叉的研究課題，融合了醫(yī)學(xué)、圖像處理、模式識別、計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)、數(shù)據(jù)庫與人工智能等研究領(lǐng)域。圖像語義檢索的難點(diǎn)和重點(diǎn)在于語義建模和語義相似度度量，而圖像語義建模的核心任務(wù)是從反映圖像內(nèi)容的低層視覺特征提取出隱含的、預(yù)先未知的高層語義，彌補(bǔ)“語義鴻溝”問題。本文針對醫(yī)學(xué)圖像的特點(diǎn)和醫(yī)學(xué)臨床的需求，提出了基于混合貝葉斯網(wǎng)絡(luò)(h

2、ybridBayesiannetwork，HBN)的醫(yī)學(xué)圖像語義建模的方法，分別研究了醫(yī)學(xué)圖像語義的多層統(tǒng)計(jì)模型、對象語義和高級語義的獲取以及語義相似度度量等內(nèi)容，并將以上方法應(yīng)用于星形細(xì)胞瘤惡性程度的預(yù)測，設(shè)計(jì)了星形細(xì)胞瘤惡性程度的語義模型和檢索系統(tǒng)。 本論文的主要研究成果及其創(chuàng)新點(diǎn)包括： 1、提出了引入條件高斯模型來模糊離散化連續(xù)變量的基于混合貝葉斯網(wǎng)絡(luò)的醫(yī)學(xué)圖像語義建模的方法 (1)考慮到醫(yī)學(xué)圖像的特點(diǎn)以及

3、貝葉斯網(wǎng)絡(luò)的性能和優(yōu)勢，提出了利用貝葉斯網(wǎng)絡(luò)來對醫(yī)學(xué)圖像的語義建模，但傳統(tǒng)的貝葉斯網(wǎng)絡(luò)只適用于離散變量，而自動提取的圖像特征往往是連續(xù)的，為了可以在貝葉斯網(wǎng)絡(luò)中使用連續(xù)變量，并考慮到醫(yī)學(xué)圖像特征的模糊性和不確定性，提出了使用條件高斯(conditionalGaussian，CG)模型對連續(xù)的視覺特征進(jìn)行模糊離散化處理，然后嵌入到貝葉斯網(wǎng)絡(luò)中，建立僅利用低層視覺特征的智能模型BN-CG-Low。仿真實(shí)驗(yàn)結(jié)果表明，該模型可以很好地描述圖像的

4、內(nèi)容，從低層視覺特征自動提取高層語義，有效解決“語義鴻溝”問題，并提供了符合醫(yī)學(xué)習(xí)慣的知識表達(dá)。 (2)在第1(1)點(diǎn)的基礎(chǔ)上，考慮到貝葉斯網(wǎng)絡(luò)的數(shù)據(jù)融合能力，為了更完整地描述圖像內(nèi)容和提高語義提取的準(zhǔn)確率和查全率，提出了融合低層視覺特征和中層語義的語義模型BN-CG，通過與BN-CG-Low的比較實(shí)驗(yàn)，BN-CG可以進(jìn)一步提高準(zhǔn)確率和查全率。 2、給出了基于BN-GMM的醫(yī)學(xué)圖像的三層語義模型 醫(yī)學(xué)圖像的診斷中

5、，醫(yī)生的思維是著重病變區(qū)域的性質(zhì)和特點(diǎn)，然后綜合考慮從不同角度對病變區(qū)的理解和判斷，最后得出病癥語義。從這個(gè)特點(diǎn)出發(fā)，我們提出了首先利用高斯混合模型(Gaussianmixturemodels，GMM)對病變區(qū)域進(jìn)行模糊識別，實(shí)現(xiàn)從視覺特征到對象語義的映射，然后利用貝葉斯網(wǎng)絡(luò)融合各種從不同理解角度得到的對象語義，從而建立一個(gè)基于BN-GMM的醫(yī)學(xué)圖像三層語義模型。與使用K近鄰分類器(KNN)代替GMM的BN-KNN相比，取得了更好的精度

6、和語義的可解釋性。 3、研究了分層的基于語義概率空間距離的語義相似度度量方法 在前面所提出的語義模型中，不同層次的語義其重要性是不一樣的，語義的概率反映了語義的置信度，這也符合醫(yī)學(xué)診斷的習(xí)慣，因此提出了按照語義層次的不同進(jìn)行分層處理，在每一層分別通過度量語義的后驗(yàn)概率空間距離進(jìn)行語義相似度的度量。將這種度量方法應(yīng)用于醫(yī)學(xué)圖像的語義檢索，取得了令人滿意的查詢結(jié)果。 4、設(shè)計(jì)了基于BN-SVM的醫(yī)學(xué)圖像三層語義模型

7、 考慮到臨床實(shí)際中取得大量具有病理結(jié)果的醫(yī)學(xué)圖像訓(xùn)練樣本的困難，很多研究成果表明，在小樣本的情況下，支持向量機(jī)(Supportvectormachine，SVM)能取得比GMM更高的識別精度，因此提出了首先利用支持向量機(jī)對病變區(qū)域進(jìn)行識別，實(shí)現(xiàn)從低層視覺特征到對象語義的映射，然后利用貝葉斯網(wǎng)絡(luò)融合各種從不同理解角度得到的對象語義(來源于不同的SVM)，從而建立一個(gè)適用于小樣本的基于BN-SVM的醫(yī)學(xué)圖像三層語義模型。實(shí)驗(yàn)結(jié)果表明，