本文選題：紋理特征 + GLCM矩陣�。� 參考：《南陽師范學(xué)院》2017年碩士論文

【摘要】：隨著大數(shù)據(jù)時代的到來,被數(shù)字化后的醫(yī)學(xué)圖像數(shù)據(jù)量和數(shù)據(jù)維度越來越豐富,從而形成了龐大的醫(yī)學(xué)數(shù)字圖像庫,如肝臟B超圖像。如何使圖像觀察者從大量的肝臟B超圖像中,快速識別出某種疾病的圖像(如脂肪肝的圖像),從而縮減搜索范圍,在保障一定準確率的同時,大大減少觀察者繁雜的工作量,是一個非常有意義的課題。首先,本研究收集了大量肝臟超聲圖像,所收集的超聲圖像是來自于淅川縣第一人民醫(yī)院的臨床影像,并由經(jīng)驗豐富的影像學(xué)醫(yī)生對圖像進行了分類,確保了數(shù)據(jù)源的數(shù)量和質(zhì)量。在收集圖像的基礎(chǔ)上,本研究還對肝臟超聲檢查的基本原理進行了解,并識別了典型的超聲圖像切面。同時,也對脂肪肝判別的醫(yī)療標準進行了說明,以此為前提條件,提出了利用計算機進行脂肪肝輔助診斷的研判標準。其次,本研究還介紹了圖像的預(yù)處理方法,并通過手動選取的方法選取了圖像的典型局部區(qū)域。本研究中確定了利用紋理特征來識別脂肪肝的思路,對于圖像中紋理特征的表示采用了灰度共生矩陣(Gray Level Cooccurrence Matrix, GLCM)的方法,同時,本研究就從灰度共生矩陣的特征出發(fā),對共生矩陣的角度、各種間距等參數(shù)進行了分析,從共生矩陣本身進行了紋理特征的相關(guān)討論,并且利用零空間的方法對矩陣進行了降階處理。再次,本研究從灰度共生矩陣中二次提取了特征值,來深刻的反應(yīng)紋理的特征,并形成向量庫。向量庫中的每一條向量表示一個圖像的紋理信息,由于灰度共生矩陣的參數(shù)的不同從而形成多種不同的特征向量模板,分為正常肝臟向量和脂肪肝向量兩種類型。最后,比對測試集中的圖片特征向量與特征庫向量的歐式距離,最近歐式距離圖像所在類即為肝臟圖像類別。鑒于歐式距離方法的局限性,本文把數(shù)據(jù)挖掘分類技術(shù)中的KNN方法應(yīng)用到本文,通過大量實驗驗證比較,這種有效的篩選方法能夠解決問題并實現(xiàn)了86.78%以上的準確率。本文的研究成果對醫(yī)學(xué)大數(shù)據(jù)背景下,在大量的肝臟B超圖像中快速識別脂肪肝圖像,輔助醫(yī)生臨床診斷,提高識別率具有十分重大的理論價值和現(xiàn)實意義。
[Abstract]:With the arrival of big data era, the digital medical image data volume and data dimension are more and more abundant, thus forming a huge medical digital image database, such as liver B-ultrasound image. How to make the image observer quickly recognize the image of a certain disease (such as fatty liver image) from a large number of liver B ultrasound images, thus reducing the search range, while ensuring a certain accuracy, while greatly reducing the workload of the observer. Is a very meaningful subject. First of all, a large number of liver ultrasound images were collected from the first people's Hospital of Xichuan County, and the images were classified by experienced imageologists. Ensures the quantity and quality of data sources. On the basis of collecting images, the basic principle of liver ultrasound examination was also understood, and typical ultrasound images were identified. At the same time, the medical standard of fatty liver discrimination is explained, and the computer aided diagnosis standard of fatty liver is put forward. Secondly, the preprocessing method of image is introduced, and the typical local area of image is selected by manual selection. In this study, the idea of using texture features to identify fatty liver is determined. The gray level occurrence matrix (GLCMCMx) method is used to represent texture features in images. At the same time, this study starts from the characteristics of gray co-occurrence matrix. Based on the analysis of the angle of the symbiotic matrix and the distance between the parameters, the texture features of the symbiotic matrix are discussed, and the order reduction of the matrix is carried out by using the method of zero space. Thirdly, the eigenvalues are extracted from the gray level co-occurrence matrix, which can reflect the texture features deeply and form a vector library. Each vector in the vector library represents the texture information of an image. Because of the different parameters of the gray level co-occurrence matrix, there are many different feature vector templates, which can be divided into two types: normal liver vector and fatty liver vector. Finally, compared the Euclidean distance between the feature vector and the feature vector in the test set, the nearest Euclidean distance image is the liver image category. In view of the limitation of the Euclidean distance method, this paper applies the KNN method in the data mining classification technology to this paper. Through a large number of experiments and comparison, the effective screening method can solve the problem and achieve the accuracy of more than 86.78%. The research results of this paper are of great theoretical value and practical significance for rapid recognition of fatty liver images in a large number of B-mode ultrasound images of liver, assisting doctors in clinical diagnosis and improving the recognition rate under the background of medical big data.
【學(xué)位授予單位】：南陽師范學(xué)院
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：R575.5;TP391.41

【相似文獻】

相關(guān)期刊論文 前5條

1 姚宇華,嚴洪,熊江輝;基于灰度共生矩陣特征的對模擬微重力條件下心肌細胞骨架的圖像分析[J];航天醫(yī)學(xué)與醫(yī)學(xué)工程;2003年06期

2 高園園;傅蓉;鄺勇;呂慶文;;基于灰度共生矩陣的腹部圖像分類與檢索[J];醫(yī)療衛(wèi)生裝備;2012年03期

3 鞏萍;王阿明;;基于灰度共生矩陣和人工神經(jīng)網(wǎng)絡(luò)的肺癌CT圖像的分類研究[J];生物醫(yī)學(xué)工程與臨床;2013年06期

4 朱福珍;吳斌;;基于灰度共生矩陣的脂肪肝B超圖像特征提取[J];中國醫(yī)學(xué)影像技術(shù);2006年02期

5 ;[J];;年期

相關(guān)會議論文 前10條

1 王亞軍;李德勝;蘇少昌;王希軍;;基于灰度共生矩陣的光盤測量[A];第十二屆全國光學(xué)測試學(xué)術(shù)討論會論文（摘要集）[C];2008年

2 黃勃;李乃民;劉春雨;張大鵬;王寬全;林曉東;張宏;王淑英;張宏志;;基于灰度共生矩陣的中醫(yī)虛實證舌象分類研究[A];第一屆全國中西醫(yī)結(jié)合診斷學(xué)術(shù)會議論文選集[C];2006年

3 盧易楓;;基于灰度共生矩陣的金剛石瑕疵自動識別技術(shù)研究[A];經(jīng)濟策論（上）[C];2011年

4 趙亞偉;周晨波;王同樂;王剛;郭冰;劉華;;基于灰度共生矩陣的連續(xù)多幅非平面散斑圖像特征研究[A];第十三屆全國光學(xué)測試學(xué)術(shù)討論會論文（摘要集）[C];2010年

5 陳明麗;黃詠紅;單潔玲;楊永明;秦茜淼;王怡;;探討適用于大鼠肝纖維化聲像圖紋理灰度共生矩陣分析的構(gòu)造因子[A];2010年超聲醫(yī)學(xué)和醫(yī)學(xué)超聲論壇會議論文集[C];2010年

6 蘇慧;費樹岷;;基于多分辨率分析及灰度共生矩陣的織物紋理識別[A];第25屆中國控制會議論文集（下冊）[C];2006年

7 馬德新;楊帆;侯景忠;高金喬;;基于灰度共生矩陣的掌紋識別技術(shù)研究[A];第六屆全國信息獲取與處理學(xué)術(shù)會議論文集（2）[C];2008年

8 高硯軍;徐華平;;基于窗口自適應(yīng)灰度共生矩陣的SAR圖像分類[A];第六屆全國信息獲取與處理學(xué)術(shù)會議論文集（1）[C];2008年

9 蔣圣;羌鑫林;汪閩;;基于灰度共生矩陣改進的紋理分割算法[A];江蘇省測繪學(xué)會2007年學(xué)術(shù)年會論文集[C];2008年

10 嚴洪;姚宇華;熊江輝;;基于灰度共生矩陣和分形的細胞骨架圖像的分析[A];第十二屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2005年

相關(guān)博士學(xué)位論文 前2條

1 張娟;基于圖像分析的梅花種類識別關(guān)鍵技術(shù)研究[D];北京林業(yè)大學(xué);2011年

2 劉成霞;模擬實際著裝的織物折皺測試及等級評價方法研究[D];浙江理工大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 袁森林;基于紋理分析的羊絨羊毛鑒別[D];東華大學(xué);2016年

2 井寒;面向X光胸片的塵肺病灶輔助檢測系統(tǒng)研究[D];西北大學(xué);2015年

3 童逸舟;基于圖像處理的智能割草機器人路徑規(guī)劃研究[D];浙江理工大學(xué);2016年

4 楊龍飛;基于局部二值模式和灰度共生矩陣的紋理特征提取技術(shù)研究[D];蘭州大學(xué);2016年

5 李天棋;皮膚表面粗糙度檢測技術(shù)的研究[D];東北林業(yè)大學(xué);2016年

6 楊建;基于灰度共生矩陣的癌細胞識別技術(shù)研究[D];長春理工大學(xué);2016年

7 王華峰;基于灰度共生矩陣的沖擊斷口形貌分析[D];濟南大學(xué);2016年

8 劉啟全;基于線陣相機的哈密瓜分級機改進設(shè)計與試驗研究[D];新疆農(nóng)業(yè)大學(xué);2016年

9 林澤通;利用CT影像的肺功能評估關(guān)鍵問題研究[D];東北大學(xué);2011年

10 崔蕊;基于肝臟超聲圖像的脂肪肝計算機輔助診斷研究[D];南陽師范學(xué)院;2017年

，

本文編號：2001277