【作者】 宋余庆；

【导师】 孙志挥；

【作者基本信息】 东南大学 ， 计算机应用技术， 2005， 博士

【摘要】 医学影像诊断是医学无创伤性诊断的主要方法之一,是国内外医学领域重点研究的方向。医学图像具有很大的数据量。医学图像中蕴含着丰富的图像特征信息和规则,有待人们去研究和认识,所以,面向医学图像的数据挖掘技术研究成为医学和计算机科学交叉学科研究的一个十分重要的领域。医学图像的高分辨率、数据的海量性、图像特征表达的复杂性等特点,使得数据挖掘技术在医学图像中的研究具有较大的学术价值和广泛的应用前景。目前,面向医学图像的数据挖掘研究刚刚起步,现有的数据挖掘方法直接应用还存在许多问题。研究和探索适合于医学图像的数据挖掘方法及其算法等医学图像数据挖掘的理论和实践问题具有重要而现实的意义,对辅助医生进行医学图像临床诊断具有重要实用价值。本论文介绍了“基于医学图像数据挖掘若干技术研究”工作的相关研究成果,主要内容有:(1)总结了国内外关于图像数据挖掘研究现状和发展,探讨了医学图像的特点,提出了适合医学图像数据挖掘的图像数据预处理技术。图像象素的灰度及其密度是表达医学图像特征的主要内容,本文研究了医学图像的灰度及其密度与人体组织器官的解剖语义关系,分析了医学图像的成像原理和临床诊断要求,定义了表征医学图像的特征内容,并提出了适合医学图像数据的灰度特征及其表达方案。(2)基于医学图像数据挖掘的需求,本文综述了数据挖掘、非结构数据挖掘、图像数据挖掘的理论和方法,探讨了医学图像数据挖掘的方法和途经,提出了基于医学图像的数据挖掘的过程框架。(3)从聚类分析的角度出发,深入研究了医学图像数据的核密度函数、数据分箱问题和基于数据分箱策略的近似核密度构造方法。在此基础上,研究并提出了适用于医学图像数据的基于医学图像近似密度构造的聚类特征提取算法及其实现。根据这个算法,可以为基于医学图像聚类的组织器官分类及其自动分割提供有效的方法和技术。(4)从关联规则发现的角度出发,围绕医学图像的组织分类,深入研究了医学图像数据特征的关联问题,提出了基于关联规则的医学图像分类挖掘方法及其实现技术。图像特征的正确选择对图像数据的关联规则发现十分重要,本文在深入研究医学图像内容特征的基础上,首次提出了医学图像局部特征,并实现了基于医学图像组织器官聚类的医学图像局部特征提取,如:基于灰度共生矩阵和基于小波的特征提取方法和算法等。此外,本文还重点研究了医学图像数据特征的关联规则,探讨了所发现的规则与医学图像诊断的关系,为医学图像自动诊断提供了新的途径。(5)在相关医学图像数据挖掘算法研究的基础上,设计并开发了一个医学图像数据挖掘实验系统,该系统具有医学图像预处理、医学图像数据特征提取等功,能为面向医学图像数据的各种数据挖掘技术的研究和实现提供实验平台。鉴于人体腹部医学图像的数据挖掘研究是一个全新领域,人体腹部影像是医学图像中最复杂的部分,解决好腹部影像问题对整个医学图像都具有适用价值。本文所提出的基于医学图像近似密度构造的聚类特征提取算法及其实现、基于关联规则的医学图像分类规则挖掘方法等创新性研究成果,对医学图像数据挖掘研究、临床医学图像的自动诊断和临床医学早期诊断都具有重要意义。更多还原

【Abstract】 Medical image diagnosis is one of the major methods to make non-injuring diagnosis in medicine. There are many data feature and rule information that will be discovered and recognized in medical image. Now clustering and association rule mining has been a flourishing research area and widely recognized as a key tool for mining valuable information and knowledge from the databases. Image mining deals with the extraction of implicit knowledge, image data relationship, or other patterns not explicitly stored in the images. The research on medical image mining has just started. It is significant to research and find powerful data mining algorithms that can handle medical image datasets effectively and efficiently. This situation shapes up the background of researches in this thesis.The gray and density of pixel is a main content showing medical image. The semantic relationship between the gray density of medical image and the anatomy of human organ tissues is discuss here. A feature expression and data processing method, which can be adapted to medical image data mining, is presented. The process of the medical image data mining is offered.Detailed study is done to improve the accuracy of the binned kernel density estimation methods and approximation kernel density function based on grid-based. Clustering and feature extraction algorithms are purposed based on grid-based density function characterization of the medical image dataset. Besides, finding arbitrary shaped clusters also has been proposed successfully. Based on the approximated density construction, the experimental studies for extracting medical image feature have been purposed in the thesis. The processing strategies and experimental results prove the rationality and availability of the novel method.Association rule mining has been applied to large image data. FP-growth algorithm is proposed for enhancing efficiency of Apriori algorithm. The rule that classifies between normal and anomalistic organ image is discovered using association rule mining. DMFACIA (Discovery Maximum Frequent Association Classifier Itemsets Algorithm) is presented and applied to medical image diagnosis in this thesis.更多还原