基于混合貝葉斯網(wǎng)絡(luò)的醫(yī)學(xué)圖像語(yǔ)義建模及其檢索的研究.pdf_第1頁(yè)
已閱讀1頁(yè),還剩114頁(yè)未讀 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、醫(yī)學(xué)圖像語(yǔ)義檢索的研究正成為醫(yī)學(xué)圖像檢索研究的新熱點(diǎn),也是醫(yī)學(xué)迫切需要解決的問(wèn)題,它是實(shí)現(xiàn)醫(yī)學(xué)圖像理解的多學(xué)科交叉的研究課題,融合了醫(yī)學(xué)、圖像處理、模式識(shí)別、計(jì)算機(jī)視覺(jué)、機(jī)器學(xué)習(xí)、數(shù)據(jù)庫(kù)與人工智能等研究領(lǐng)域。圖像語(yǔ)義檢索的難點(diǎn)和重點(diǎn)在于語(yǔ)義建模和語(yǔ)義相似度度量,而圖像語(yǔ)義建模的核心任務(wù)是從反映圖像內(nèi)容的低層視覺(jué)特征提取出隱含的、預(yù)先未知的高層語(yǔ)義,彌補(bǔ)“語(yǔ)義鴻溝”問(wèn)題。本文針對(duì)醫(yī)學(xué)圖像的特點(diǎn)和醫(yī)學(xué)臨床的需求,提出了基于混合貝葉斯網(wǎng)絡(luò)(h

2、ybridBayesiannetwork,HBN)的醫(yī)學(xué)圖像語(yǔ)義建模的方法,分別研究了醫(yī)學(xué)圖像語(yǔ)義的多層統(tǒng)計(jì)模型、對(duì)象語(yǔ)義和高級(jí)語(yǔ)義的獲取以及語(yǔ)義相似度度量等內(nèi)容,并將以上方法應(yīng)用于星形細(xì)胞瘤惡性程度的預(yù)測(cè),設(shè)計(jì)了星形細(xì)胞瘤惡性程度的語(yǔ)義模型和檢索系統(tǒng)。 本論文的主要研究成果及其創(chuàng)新點(diǎn)包括: 1、提出了引入條件高斯模型來(lái)模糊離散化連續(xù)變量的基于混合貝葉斯網(wǎng)絡(luò)的醫(yī)學(xué)圖像語(yǔ)義建模的方法 (1)考慮到醫(yī)學(xué)圖像的特點(diǎn)以及

3、貝葉斯網(wǎng)絡(luò)的性能和優(yōu)勢(shì),提出了利用貝葉斯網(wǎng)絡(luò)來(lái)對(duì)醫(yī)學(xué)圖像的語(yǔ)義建模,但傳統(tǒng)的貝葉斯網(wǎng)絡(luò)只適用于離散變量,而自動(dòng)提取的圖像特征往往是連續(xù)的,為了可以在貝葉斯網(wǎng)絡(luò)中使用連續(xù)變量,并考慮到醫(yī)學(xué)圖像特征的模糊性和不確定性,提出了使用條件高斯(conditionalGaussian,CG)模型對(duì)連續(xù)的視覺(jué)特征進(jìn)行模糊離散化處理,然后嵌入到貝葉斯網(wǎng)絡(luò)中,建立僅利用低層視覺(jué)特征的智能模型BN-CG-Low。仿真實(shí)驗(yàn)結(jié)果表明,該模型可以很好地描述圖像的

4、內(nèi)容,從低層視覺(jué)特征自動(dòng)提取高層語(yǔ)義,有效解決“語(yǔ)義鴻溝”問(wèn)題,并提供了符合醫(yī)學(xué)習(xí)慣的知識(shí)表達(dá)。 (2)在第1(1)點(diǎn)的基礎(chǔ)上,考慮到貝葉斯網(wǎng)絡(luò)的數(shù)據(jù)融合能力,為了更完整地描述圖像內(nèi)容和提高語(yǔ)義提取的準(zhǔn)確率和查全率,提出了融合低層視覺(jué)特征和中層語(yǔ)義的語(yǔ)義模型BN-CG,通過(guò)與BN-CG-Low的比較實(shí)驗(yàn),BN-CG可以進(jìn)一步提高準(zhǔn)確率和查全率。 2、給出了基于BN-GMM的醫(yī)學(xué)圖像的三層語(yǔ)義模型 醫(yī)學(xué)圖像的診斷中

5、,醫(yī)生的思維是著重病變區(qū)域的性質(zhì)和特點(diǎn),然后綜合考慮從不同角度對(duì)病變區(qū)的理解和判斷,最后得出病癥語(yǔ)義。從這個(gè)特點(diǎn)出發(fā),我們提出了首先利用高斯混合模型(Gaussianmixturemodels,GMM)對(duì)病變區(qū)域進(jìn)行模糊識(shí)別,實(shí)現(xiàn)從視覺(jué)特征到對(duì)象語(yǔ)義的映射,然后利用貝葉斯網(wǎng)絡(luò)融合各種從不同理解角度得到的對(duì)象語(yǔ)義,從而建立一個(gè)基于BN-GMM的醫(yī)學(xué)圖像三層語(yǔ)義模型。與使用K近鄰分類器(KNN)代替GMM的BN-KNN相比,取得了更好的精度

6、和語(yǔ)義的可解釋性。 3、研究了分層的基于語(yǔ)義概率空間距離的語(yǔ)義相似度度量方法 在前面所提出的語(yǔ)義模型中,不同層次的語(yǔ)義其重要性是不一樣的,語(yǔ)義的概率反映了語(yǔ)義的置信度,這也符合醫(yī)學(xué)診斷的習(xí)慣,因此提出了按照語(yǔ)義層次的不同進(jìn)行分層處理,在每一層分別通過(guò)度量語(yǔ)義的后驗(yàn)概率空間距離進(jìn)行語(yǔ)義相似度的度量。將這種度量方法應(yīng)用于醫(yī)學(xué)圖像的語(yǔ)義檢索,取得了令人滿意的查詢結(jié)果。 4、設(shè)計(jì)了基于BN-SVM的醫(yī)學(xué)圖像三層語(yǔ)義模型

7、 考慮到臨床實(shí)際中取得大量具有病理結(jié)果的醫(yī)學(xué)圖像訓(xùn)練樣本的困難,很多研究成果表明,在小樣本的情況下,支持向量機(jī)(Supportvectormachine,SVM)能取得比GMM更高的識(shí)別精度,因此提出了首先利用支持向量機(jī)對(duì)病變區(qū)域進(jìn)行識(shí)別,實(shí)現(xiàn)從低層視覺(jué)特征到對(duì)象語(yǔ)義的映射,然后利用貝葉斯網(wǎng)絡(luò)融合各種從不同理解角度得到的對(duì)象語(yǔ)義(來(lái)源于不同的SVM),從而建立一個(gè)適用于小樣本的基于BN-SVM的醫(yī)學(xué)圖像三層語(yǔ)義模型。實(shí)驗(yàn)結(jié)果表明,

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論