基于统计模型的医学图像检索

Journal of King Saud University沙特国王大学沙特国王大学学报www.ksu.edu.sawww.sciencedirect.com基于统计模型K. Seetharaman，S. Sathiamoorthy*Annamalai大学计算机科学与工程系，Annamalai Nagar 608 002，泰米尔纳德邦，印度接收日期：2013年10月22日;修订日期：2014年6月3日;接受日期：2014年10月23日2015年10月31日在线发布摘要提出了一种基于全范围自回归模型（FRAR）和贝叶斯方法（BA）的异构医学图像检索的统一学习框架。在此统一框架下，提取了医学图像的颜色自相关图、边缘方向自相关图（EOAC）和微观纹理信息EOAC在HSV颜色空间中构造，以避免由于光谱和色度变化而导致的边缘损失该系统采用基于自适应二叉树的支持向量机（ABTSVM）在特征向量空间中对医学图像进行有效快速的分类该系统采用一阶Manhattan距离测度对分类和索引后的特征向量空间进行相似性度量该系统采用查准率和查全率（PR）方法作为性能指标同时采用基于短时相关反馈（RF）机制来减少语义鸿沟。实验结果表明，该系统在计算和存储开销较低的情况下，对异构医学图像数据库的检索性能优于现有©2015作者。制作和主办由爱思唯尔B.V.代表沙特国王大学。 这是CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍医学图像在疾病分析、教育、研究等方面起着至关重要的作用计算机视觉和数字成像模式的发展在医学领域产生了大量的数字图像因此，从大规模图像数据库中检索异构医学图像的任务*通讯作者。手机：+91（0）9994029213。电子邮件地址：ks_sathia@yahoo.com（新加坡）Sathiamoorthy）。沙特国王大学负责同行审查由于噪声、尺寸、形状、颜色、照明等的变化，对于计算机视觉系统来说变得比以往任何时候都困难。因此，有必要建立一个用于医学图像检索的适当系统，该系统具有有效的存储和有效的检索，以帮助医生。传统的基于文本的图像检索系统使用手动标注在图像上的文本关键字。由于图像的海量性和多样性，文本关键词具有费力、繁琐、耗时的缺点。此外，图像的手动注释强烈地取决于用户关注的内容，并且它可能在人与人之间变化，并且对于同一个人也随时间变化。因此，文本关键词在提供图像的足够和独特的辨别力方面是低效的（Stricker和Orengo，1995;Rui等人，1999年）。图片存档与传播http://dx.doi.org/10.1016/j.jksuci.2014.10.0061319-1578© 2015作者。制作和主办由爱思唯尔B.V.代表沙特国王大学。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier关键词全程自回归模型;贝叶斯方法;彩色自相关图;边缘方向自相关图;微纹理;相关反馈;图像处理使用FRAR模型111系统（PACS）（Müller等人，2004），其符合医学数字成像和通信（DICOM）格式，被大多数医院用来处理大量的医学图像。PACS使用存储在DICOM标题中的文本信息，例如患者身份、日期、检查类型、模态、检查的身体部位等。 用于图像检索操作。 文献显示（Müller等人， 2004），DICOM报头包括高错误率，并且以诸如JPEG、TIFF等的任何压缩格式存储DICOM格式图像。导致DICOM标题信息丢失 为了提高PACS的性能，几个研究人员已经在PACS环境中提出了基于内容的图像检索（CBIR）技术（Müller等人，2004年）。因此，许多研究已经集中在基于内容的医学图像检索（CBMIR）上以便于医师，诸如用于肺部的HRCT图像的CBMIR系统（Shyu等人， 1999）、人脑的PET图像（Cai等人， 2000）、人颈椎和腰椎的X射线图像（Long和Thoma，2001）、胃肠道的组织学图像（Tang等人，2003）、胸部的CT图像（Yu和Chiang，2004）、用于病理图像的PathMiner系统（Chen等人，2005）、脊柱的X射线图像（Hsu等， 2009）、胸部X射线图像（Avni等人， 2010）、乳房的乳房X线照片图像（Wei等人， 2011）等。然而，上述文献与模态、生物系统、身体定向等不同。在过去的二十年里，只有一点努力被用来开发一个异构医学图像检索框架。例如，Orphanoudakis等人（1994）报道了基于面向对象体系结构的I2C系统，它使用全局级图像特征来进行图像索引、存储和检索 。 Chu 等 （ 1998 ） 提 出 的 KMeD （ Knowledge basedMultimedia Medical Distributed Database）系统采用四个语义层进行信息建模，并利用形状、纹理和字母数字信息以 及 空 间 和 时 间 结 构 进 行 图 像 检 索 。 El-Kwae 等 人（2000）介绍了一种称为COBRA的系统，该系统是基于广泛使用的医疗保健和技术标准的开放式体系结构，它通过利用从自动分割的图像区域提取的全局级颜色、形状 和 纹 理 特 征 来 提 高 PACS 的 能 力 。 MedGIFT/GIFT（GNU图像查找工具）（Müller等人，2005）也是一个开源的医学图像检索框架。该方法利用文本特征和视觉特征，如Gabor块、Gabor滤波器响应直方图、颜色块和全局颜色直方图进行图像检索。Lehmann等（2005）和Guld等（2007）提出的IRMA（Image Retrieval for MedicalApplications）系统采用六层语义层来形式化局部层次特征及其空间关系。 Rahman等人（2007）提出了一种基于概率多类支持向量机（SVM）学习的图像预滤波方案，该方案结合了统计相似性度量和相关反馈（RF）机制。后来，Rahman等人（2008）提出了一种基于特征和相似度融合的检索框架。随后，Rahman et al. （2009）开发了一个框架，在该框架中，通过利用自组织映射（SOM）和多类SVM，将图像表示在基于局部视觉和语义概念的特征空间中，以实现基于语义的图像检索。此外，上述工作的特征表示和相似性匹配技术的进展（ Rahman 等 人 ，2009） 报 道 于 Rahman et al. （ 2011年）。最近，Rahman等人提出了一种用于图像滤波系统的多模态层次模态分类方法。（2013）用于检索异构医学图像，并且它使用颜色布局描述符（CLD）、边缘直方图描述符（EHD）、颜色矩、灰度共生矩阵（GLCM）、边缘频率、基元长度、Gabor矩、Tamura矩、尺度不变特征变换（SIFT）、局部二进制模式（ LBP ） 、 LBP-I 、 颜 色 和 边 缘 方 向 性 描 述 符（CEDD）、模糊颜色和纹理直方图（FCTH）、自相关系数作为视觉特征，并且“词袋”作为文本特征来表示图像。“词袋”包含图像相关文本，例如标题、模态、感兴趣区域、问题、图像的解剖结构等。随后，Sudhakar和Bagan（2014）描述了一种异构医学图像检索框架，该框架在L*a*b* 颜色空间中执行相位一致性过程以提取边缘合作图，并使用SIFT进行处理以驱动关键点。提取的关键点被量化，以建立一个码本使用球面自组织映射（SOM）构建与测地线数据结构。尽管CBMIR已经取得了许多研究成果，但由于缺乏有效的医学图像特征提取技术，现有的CBMIR系统在异构医学图像数据库中的检索精度尽管Rahman等人（2013）提出的系统与文献中先前报道的系统相比显示出明显更好的结果，但特征向量的高维数导致了高计算和存储成本。相应地，即使Sudhakar和Bagan（2014）报告的系统使用比Rahman等人的系统低的特征向量维度。（2013），其导致检索准确度较低，并且特征向量维度也没有显著减少。所提出的系统的主要目标是开发一个更准确，成本效益的系统，以支持物理学家。因此，所提出的系统采用彩色自相关图（Huang等人，1997; Chun等人，2008;Penatti等人，2012）表示颜色及其空间信息，边缘方向自相关图（EOAC）表示形状及其空间信息，微纹理（Seetharaman和Palanivel，2013）分别表示灰度和彩色医学图像的全局和局部纹理信息。通过使用基于具有BA的FRAR模型的框架（Seetharaman和Krishnamoorthi，2007; Seetharaman和Palanivel，2013）自动提取所提出的特征，由于用于提取各种视觉特征的技术的互补性，这避免了繁琐的过程。Mahmoudi等人（2003）使用Sobel边缘检测器检测到的边缘构造了EOAC，该边缘检测器对噪声敏感，并且不能检测非常微小和精细的边缘。此外，Sobel边缘检测器从其灰度版本中提取彩色图像的边缘，这导致由于色度变化而丢失一些边缘，并且还从H或S或V分量图像中检测边缘由于光谱变化而丢失一些边缘（Liu等人， 2011年），这可能会发挥重要作用，在有效的医学图像检索。医学图像的结构比较复杂，采集的图像种类也比较多样。具体地，显微图像比其他类型的医学图像复杂和多样得多，并且包含许多不同的和微小的细胞学特征。aR××X X22112K Seetharaman，S. 萨提亚穆尔蒂件.因此，所提出的系统通过在HSV颜色空间中使用基于 具 有 BA 的 FRAR 模 型 （ Seetharaman 和Krishnamoorthi，2007）的框架（Liu等人，（2011年）MM2 2Xk;lCrXkp;lqek;l1p¼-Mq¼-Mp¼q用于彩色医学图像，而用于灰度图像的灰度空间。人工神经网络已广泛应用于其中Cr¼Ksinrhcosr/和rjpjjqjMM-1= 2医学领域的分类问题。许多研究者发现，它们在建模上具有更大的灵活性，在分类问题上具有更合理的准确性。基于统计学习理论的支持向量机（Support VectorMachine，SVM）由于其良好的泛化能力、对高维数据的鲁棒性和良好的学习理论，在医学、工程等领域中被广 泛 应 用 于 非 线 性 和 不 可 分 离 问 题 。Chen 等 人（2009）报道了基于自适应二叉树的多类支持向量机（ABTSVM）是一种基于树的一对一（OAO）方法，并且在数据库更不平衡时显示出更好的结果，实现了快速分类并保持了SVM的更高分类精度。针对异构医学图像数据集的不平衡性，采用ABTSVM方法在特征向量空间对医学图像进行多类分类。随后，使用kD树（White和Jain，1996）索引方法对分类的特征向量进行索引。分类和索引过程过滤掉不相关的图像，并适当地减少了搜索 空 间 。 短 期 学 习 中 的 RF 技 术 （ Squire 等 人 ， 1998;Nezamabadi-pour and Kabir，2009）被采用来减少医生感知的低级视觉特征和高级语义概念之间的语义差距。曼哈顿距离测量（Huang等人，1997）用于在分类和索引的特征向量空间中度量查询图像和目标图像之间的相似性。实验结果证实，所提出的系统的检索性能明显优于现有系统（Rahman等人，2013年; Sudhakar和Bagan，2014年），计算和存储成本低。本文的其余部分组织如下。FRAR模型在第2节中描述。在第3节中讨论了所提出的图像检索系统。第4节解释了实验结果和讨论。最后，得出结论在第5节。2. FRR模型最 近 的 文 献 报 道 ， 基 于 FRAR 模 型 的 框 架（ Seetharaman 和 Krishnamoorthi ， 2007;Seetharaman 和Palanivel，2013）在捕获灰度图像的边缘和纹理特征方面优于现有方法。因此，所提出的CBMIR系统被设计为使用基于具有BA的FRAR模型的框架的有效性来提取彩色和灰度医学图像的全局和局部级别的纹理信息和形状及其空间信息，并且相同的框架也被用于提取颜色及其空间信息。令X为随机变量，其表示大小为L L的图像中的位置（k，l）处的像素的强度值。FRAR模型（Seetharaman和 Krishnamoorthi ， 2007 年 ;Seetharaman 和 Palanivel ，2013年）表示为方程：（1）：最初的假设是参数是KeR; a>1; h和/e [0，2p]。由方程式是由于图像属性而引起的空间变化，并且e（k，l）是由于加性噪声而引起的空间变化，并且FRAR模型系数Cr，（r=1，2）是图1中的低级基元之间的变化。的子图像区域的大小M M，（M

下载后可阅读完整内容，剩余1页未读，立即下载