核医学影像医学教学论文提纲

论文题目：基于内容的医学图像检索技术研究与应用

摘要：医学影像数据所呈现的爆炸式增长及数据挖掘等技术的迅速发展,对医学图像检索技术提出了新的需求。但是,传统的图像检索技术应用到医学图像检索当中,其表现却总是不尽如人意。为了能更好地将图像检索技术应用到辅助诊断、医学教学实践、医疗科研等领域中,本文对图像检索技术及医学图像的特点进行了一定的研究,并在此基础上提出了相关改进方案。本文首先对图像检索技术发展过程中的关键技术及数字化医学影像的特点进行了研究,在分析了国内外关于图像检索技术的研究现状之后,将研究的重点放在了基于内容的图像检索技术之上。在对基于内容的图像检索系统中图像特征提取、特征匹配、相关反馈及检索性能评价的深入研究的基础上,提出了针对医学图像这一具体领域的图像检索技术的应用。通过对比常用的颜色特征及纹理特征在医学图像检索中的表现,得出了纹理特征更利于医学图像检索的结论。结合医学图像分割水平的局限性及医学图像自身的特点,选用了灰度共生矩阵作为医学图像检索的全局纹理特征,并在此基础上,提出了对灰度共生矩阵的改进方案——基于加权子图的灰度共生矩阵WS-GLCM。结合局部不变性特征SIFT在医学图像检索中的表现,本文将其作为医学图像检索的局部特征。在基于对BOW（Bag Of Words）模型的研究的基础上,进一步将WS-GLCM与SIFT特征相结合,提出了两种改进方案,即带全局纹理上下文的SIFT特征和带局部纹理特征上下文的SIFT特征。针对现有的基于支持向量机（Support Vector Machine）的相关反馈技术在医学图像检索中的局限性,本文在对SVM分类器及bagging组合分类器算法的研究的基础之上,提出了新的相关反馈技术的改进方案,有效地解决了人工反馈模块中所出现的训练样本不足,及SVM分类器对医学图像分类的准确率偏低的问题。最后,本文对医学图像检索技术在辅助诊断、医学教学实践及医学科研等领域的应用做了简要的论述。针对当下医疗信息数据及医疗影像数据的存储及使用现状,及机器学习技术、云计算等技术的迅速发展,提出了医学图像检索技术的主要发展方向,并对从海量的医学数据中挖掘出巨大的医学价值,以更好地促进医疗水平的提升做出了美好的展望。

关键词：基于内容的图像检索;灰度共生矩阵;WS-GLCM;SIFT;支持向量机

学科专业：计算机应用技术

摘要

ABSTRACT

第一章 绪论

1.1 研究背景与意义

1.1.1 研究的背景

1.1.2 研究的意义

1.2 图像检索技术的发展现状

1.2.1 基于文本的图像检索

1.2.2 基于内容的图像检索方式

1.2.3 基于语义的图像检索方式

1.3 医学影像技术的发展现状

1.3.1 传统打印胶片形式的医学影像

1.3.2 数字化的医学影像

1.3.3 医学图像的特点

1.3.4 医学图像检索技术的发展现状

1.4 主要内容及组织结构

1.5 本章小结

第二章 医学图像检索的关键技术

2.1 基于文本的医学图像检索

2.2 基于内容的医学图像检索

2.2.1 基于内容的医学图像检索系统的主要功能模块

2.2.2 内容描述

2.2.3 相似性度量

2.2.4 检索结果的优化

2.2.5 检索性能的评价

2.3 本章小结

第三章 基于全局特征的医学图像检索与改进

3.1 全局特征的选取

3.1.1 几种常用的全局特征的医学图像检索性能比较

3.2 基于灰度共生矩的纹理特征

3.3 对灰度共生矩阵纹理特征的改进

3.3.1 灰度归一化

3.3.2 划分子图并赋予不同的权重

3.3.3 计算子图的灰度共生矩阵

3.3.4 生成图像的纹理特征矢量

3.3.5 特征向量归一化

3.4 改进算法的测试与评价

3.5 本章小结

第四章 基于组合特征的医学图像检索与改进

4.1 组合特征的选取

4.2 尺度不变特征变换

4.2.1 搭建高斯差分图像空间

4.2.2 检测高斯差分尺度空间极值点

4.2.3 删除边缘效应

4.2.4 特征点方向分配

4.2.5 生成128维SIFT特征向量

4.3 使用SIFT特征进行的医学图像检索实验

4.4 基于词袋模型的特征组合

4.4.1 词袋模型

4.4.2 词袋模型在图像检索中的应用

4.4.3 特征组合

4.5 改进算法的测试与评价

4.5.1 带全局纹理上下文的SIFT特征与原特征性能比较

4.5.2 带局部纹理上下文的SIFT特征与原特征的性能比较

4.6 本章小结

第五章 医学图像检索中的相关反馈与改进

5.1 传统的基于支持向量机的相关反馈

5.1.1 支持向量机概述

5.1.2 传统的基于支持向量机的相关反馈

5.2 对基于单一支持向量机的相关反馈技术的改进

5.2.1 组合分类器算法

5.2.2 正例和无标记样本学习问题

5.2.3 基于libSVM和bagging的相关反馈的改进算法

5.3 改进算法与原始算法的比较

5.4 本章小结

第六章 总结与展望

6.1 全文总结

6.2 医学图像检索领域展望

致谢

参考文献