【摘要】：肺結節(jié)CT圖像的相似性檢索是計算機輔助診斷系統(tǒng)中最重要的部分,目前常用的檢索方法通常匹配精度低,檢索速度慢.針對上述問題,提出一種新的基于視覺信息與征象標簽的雙概率超圖哈希算法,使用兩層結構提高肺結節(jié)圖像的檢索精度:在第一層,將肺結節(jié)影像視覺信息和標簽信息分別構建概率超圖,最優(yōu)劃分概率超圖得到哈希碼;在第二層,使用結節(jié)圖像的視覺特征、標簽特征和第一層得到的哈希碼來訓練哈希函數(shù).在檢索時,對待檢圖像通過訓練好的哈希函數(shù)進行0,1編碼,與數(shù)據(jù)集中圖像比較漢明距離,返回相似結節(jié)圖像.對9種不同征象類型的3422張肺結節(jié)CT圖像進行實驗,并與不同哈希算法進行比較,結果表明,提出的方法在哈希碼長為32位時可以達到最高精度90.18%,有效提高了檢索精度,可以給醫(yī)生提供客觀的輔助診斷.
[Abstract]:The similarity retrieval of CT images of pulmonary nodules is the most important part in the computer-aided diagnosis system. At present, the commonly used retrieval methods usually have low matching accuracy and slow retrieval speed. In order to solve the above problems, a new double-probability hypergraph hashing algorithm based on visual information and sign label is proposed, which uses two-layer structure to improve the retrieval accuracy of pulmonary nodule image: in the first layer, In the second layer, the visual features of the nodule image, the label feature and the hash code of the first layer are used to train the hash function. In retrieval, the detected image is encoded by a trained hash function, and the hamming distance of the image is compared with that of the dataset image, and the similar nodule image is returned. 3422 pulmonary nodule CT images of 9 different types of signs were tested and compared with different hash algorithms. The results show that the proposed method can achieve the highest accuracy of 90.18 when the hash code length is 32 bits, and the retrieval accuracy is improved effectively. It can provide the doctor with objective auxiliary diagnosis.
【作者單位】： 太原理工大學計算機科學與技術學院;山西省人民醫(yī)院CT室;美國德克薩斯大學圣安東尼奧分校計算機科學系;
【基金】：國家自然科學基金(61373100) 山西省回國留學人員科研資助項目(2016-038) 虛擬現(xiàn)實技術與系統(tǒng)國家重點實驗室開放基金(BUAA-VR-17KF-14,BUAA-VR-17KF-15)
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前10條

1 潘爍;張煜;王凱;高紹英;曹蕾;;基于血管增強分割的三維肺結節(jié)自動檢測[J];計算機應用與軟件;2014年05期

2 依玉峰;高立群;郭麗;;一種基于改進隨機游走的肺結節(jié)分割方法[J];東北大學學報(自然科學版);2012年03期

3 曹蕾;張煜;路利軍;陳武凡;;基于徑向梯度指數(shù)的肺結節(jié)假陽性篩除方法[J];計算機工程;2010年13期

4 孫娟;王兵;楊穎;田學東;;聚類分析在肺結節(jié)識別中的應用[J];計算機應用;2014年07期

5 曹蕾;路利軍;楊蕊夢;陳武凡;;基于區(qū)域增長的肺結節(jié)自適應形態(tài)分割[J];南方醫(yī)科大學學報;2008年12期

6 欒國欣;魏穎;薛定宇;;一種改進的邊界法向量疊加疑似肺結節(jié)提取[J];東北大學學報(自然科學版);2010年08期

7 宋佳;聶生東;王遠軍;魯雯;;一種基于三維特征的肺結節(jié)概率分割算法[J];生物醫(yī)學工程學雜志;2014年04期

8 周翰遜;郭薇;王妍;徐紅艷;賈大宇;;一種自適應的分布式肺結節(jié)檢測方法[J];儀器儀表學報;2010年10期

9 孫申申;郭陽;任會之;范立南;康雁;;基于流向特征熵和測地線距離的粘連血管型肺結節(jié)聚類分割[J];中國科學:信息科學;2013年09期

10 李彬;歐陜興;田聯(lián)房;齊燕;劉思偉;張婧;;肺結節(jié)計算機輔助檢測與定位系統(tǒng)[J];計算機應用研究;2010年06期

相關會議論文 前10條

1 杜建軍;陸建榮;喬愛科;劉有軍;;一種基于CT圖像的血管快速分割方法[A];2008年全國生物流變學與生物力學學術會議論文摘要集[C];2008年

2 汪家旺;俞同福;張也樂;孫濤;;基于FCM肺結節(jié)檢測研究[A];2009中華醫(yī)學會影像技術分會第十七次全國學術大會論文集[C];2009年

3 沈宏榮;;控制CT掃描中的變量因素提高CT圖像質(zhì)量[A];2009中華醫(yī)學會影像技術分會第十七次全國學術大會論文集[C];2009年

4 楊誼;喻德曠;申洪;;用基于主動輪廓模型的方法分割肺部病理CT圖像病灶[A];2005年全國理論計算機科學學術年會論文集[C];2005年

5 李國麗;張建;胡存剛;;基于小波軟閾值法的CT圖像偽影去除方法[A];全國第13屆計算機輔助設計與圖形學（CAD/CG）學術會議論文集[C];2004年

6 胡戰(zhàn)利;張娜;鄒晶;戎軍艷;桂建保;鄭海榮;;人體CT圖像的三維可視化(英文)[A];中國生物醫(yī)學工程學會成立30周年紀念大會暨2010中國生物醫(yī)學工程學會學術大會壁報展示論文[C];2010年

7 陳旭文;朱紅麗;;一種高效的圖像檢索方法[A];中國儀器儀表學會第九屆青年學術會議論文集[C];2007年

8 周向東;張亮;張琪;劉莉;殷慷;施伯樂;;一種新的圖像檢索相關反饋方法[A];第十九屆全國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2002年

9 陳世亮;李戰(zhàn)懷;閆劍鋒;;一種基于本體描述的空間語義圖像檢索方法[A];第二十一屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2004年

10 趙海英;彭宏;;基于最優(yōu)近似反饋的圖像檢索[A];’2004系統(tǒng)仿真技術及其應用學術交流會論文集[C];2004年

相關重要報紙文章 前1條

1 吉林 鄒連瑞;CT圖像偽影淺析與對策[N];電子報;2007年

相關博士學位論文 前10條

1 劉陽;基于肺部高分辨率CT影像的肺結節(jié)識別方法研究[D];東北大學;2011年

2 裴曉敏;基于CT影像的孤立性肺結節(jié)檢測關鍵技術研究[D];東北大學;2011年

3 韓芳芳;基于CT圖像多維特征的肺結節(jié)檢測和診斷方法研究[D];東北大學;2015年

4 孫申申;基于CT影像的肺結節(jié)檢測與分割方法研究[D];東北大學　;2009年

5 張婧;基于SVM的肺結節(jié)自動識別方法研究[D];華南理工大學;2011年

6 崔超然;圖像檢索中自動標注、標簽處理和重排序問題的研究[D];山東大學;2015年

7 楊迪;基于內(nèi)容的分布式圖像檢索[D];北京郵電大學;2015年

8 張旭;網(wǎng)絡圖像檢索關鍵技術研究[D];西安電子科技大學;2014年

9 吳夢麟;基于半監(jiān)督學習的醫(yī)學圖像檢索研究[D];南京理工大學;2015年

10 高毫林;基于哈希技術的圖像檢索研究[D];解放軍信息工程大學;2014年

相關碩士學位論文 前10條

1 黑嘯吉;基于低劑量CT圖像的肺結節(jié)分割算法研究[D];鄭州大學;2016年

2 劉晨輝;基于DoG的胸部CT肺結節(jié)自動檢測算法研究[D];廣州大學;2016年

3 樂昂霖;基于SVM的肺結節(jié)分割與識別[D];東北大學;2015年

4 柏蕓;低劑量胸腔CT肺部影像的肺結節(jié)計算機輔助診斷方法研究[D];西南交通大學;2017年

5 王國明;基于CT圖像的肺結節(jié)分割方法研究[D];長春工業(yè)大學;2017年

6 廖曉磊;薄掃CT序列圖像的肺實質(zhì)分割和肺結節(jié)檢測方法研究[D];太原理工大學;2017年

7 肖小嬌;基于卷積神經(jīng)網(wǎng)絡的肺結節(jié)自動檢測深度學習模型[D];太原理工大學;2017年

8 高園園;肺結節(jié)檢測算法的研究[D];南方醫(yī)科大學;2008年

9 郭怡菲;基于多投影相關圖像的肺結節(jié)檢測關鍵算法研究[D];沈陽航空航天大學;2014年

10 石國良;基于肺實質(zhì)分割的肺結節(jié)檢測系統(tǒng)研究與實現(xiàn)[D];重慶大學;2012年

，

本文編號：2281257