摘要：基于內(nèi)容的圖像檢索（Content-Based Image Retrieval，CBIR）技術(shù)是根據(jù)圖像對(duì)象的內(nèi)容及上下文聯(lián)系在大規(guī)模多媒體數(shù)據(jù)庫(kù)中進(jìn)行檢索。將CBIR應(yīng)用于醫(yī)學(xué)上，是從醫(yī)學(xué)圖像本身提取灰度、形狀、紋理等底層視覺特征和高層語(yǔ)義特征，構(gòu)成描述圖像內(nèi)容的特征向量，并以特征向量作為建立索引和匹配準(zhǔn)則的客觀依據(jù)檢索所需圖像。CBIR技術(shù)可以幫助醫(yī)務(wù)人員在海量醫(yī)學(xué)圖像數(shù)據(jù)庫(kù)中快速尋找具"，"Introduction":""，"Columns":"醫(yī)學(xué)信息學(xué)"，"Volume":""，"Content":"

摘要：基于內(nèi)容的圖像檢索（Content-Based Image Retrieval，CBIR）技術(shù)是根據(jù)圖像對(duì)象的內(nèi)容及上下文聯(lián)系在大規(guī)模多媒體數(shù)據(jù)庫(kù)中進(jìn)行檢索。將CBIR應(yīng)用于醫(yī)學(xué)上，是從醫(yī)學(xué)圖像本身提取灰度、形狀、紋理等底層視覺特征和高層語(yǔ)義特征，構(gòu)成描述圖像內(nèi)容的特征向量，并以特征向量作為建立索引和匹配準(zhǔn)則的客觀依據(jù)檢索所需圖像。CBIR技術(shù)可以幫助醫(yī)務(wù)人員在海量醫(yī)學(xué)圖像數(shù)據(jù)庫(kù)中快速尋找具有類似病理特征并診斷醫(yī)學(xué)圖像，提高疾病診斷的準(zhǔn)確率。

關(guān)鍵詞：CBIR；醫(yī)學(xué)圖像；蟻群算法；神經(jīng)網(wǎng)絡(luò)算法

隨著現(xiàn)代醫(yī)學(xué)的迅猛發(fā)展，CT、MRI等醫(yī)學(xué)圖像設(shè)備在臨床工作中應(yīng)用日益廣泛，醫(yī)學(xué)數(shù)據(jù)庫(kù)中的圖像也隨之迅速增長(zhǎng)[1]。據(jù)統(tǒng)計(jì)目前一個(gè)擁有現(xiàn)代化的醫(yī)療影像設(shè)備的大型醫(yī)院，每天影像檢查產(chǎn)生的數(shù)據(jù)量多達(dá)4GB左右，為管理如此海量的醫(yī)學(xué)數(shù)據(jù)，許多醫(yī)院開始著手建設(shè)衛(wèi)生信息系統(tǒng)（HIS）和圖像歸檔機(jī)通訊系統(tǒng)（PACS）。怎樣在這類系統(tǒng)的海量醫(yī)學(xué)圖像數(shù)據(jù)庫(kù)中進(jìn)行醫(yī)學(xué)圖像的檢索是現(xiàn)代醫(yī)學(xué)領(lǐng)域的研究熱點(diǎn)之一。

1什么是CBIR

傳統(tǒng)的基于文本的圖像檢索（Text-Based Image Retrieval，TBIR）技術(shù)是先通過人工方式對(duì)圖像進(jìn)行文字標(biāo)注，再用關(guān)鍵字來(lái)檢索圖像，這種方式耗時(shí)并且主觀，無(wú)法滿足大規(guī)模圖像數(shù)據(jù)的檢索需要?；趦?nèi)容的圖像檢索（Content-Based Image Retrieval，CBIR）技術(shù)是根據(jù)圖像對(duì)象的內(nèi)容及上下文聯(lián)系在大規(guī)模多媒體數(shù)據(jù)庫(kù)中進(jìn)行檢索。

2神經(jīng)網(wǎng)絡(luò)的特點(diǎn)

神經(jīng)網(wǎng)絡(luò)是在現(xiàn)代神經(jīng)學(xué)的研究基礎(chǔ)上發(fā)展起來(lái)的一種模仿人腦信息處理機(jī)制的網(wǎng)絡(luò)系統(tǒng)，它具有自組織、自學(xué)習(xí)和極強(qiáng)的非線性處理能力，能夠完成學(xué)習(xí)、記憶、識(shí)別和推理等功能，它已在控制、模式識(shí)別、圖像和視頻信號(hào)處理、人工智能、自造應(yīng)濾波等方面獲得了應(yīng)用。醫(yī)學(xué)上，神經(jīng)網(wǎng)絡(luò)這一智能的診斷方法，能夠排除各種人為因素，得到準(zhǔn)確客觀的診斷結(jié)果，對(duì)醫(yī)學(xué)圖像數(shù)據(jù)若用傳統(tǒng)的線性處理模式通常不太好處理， BP神經(jīng)網(wǎng)絡(luò)是眾多神經(jīng)網(wǎng)絡(luò)中應(yīng)用最廣泛的一種多層前饋神經(jīng)網(wǎng)絡(luò)，圖1所示為三層BP神經(jīng)網(wǎng)絡(luò)。

3蟻群算法

蟻群算法[6]（Ant Colony Optimization，ACO）是由意大利學(xué)者Dorigo等人于20世紀(jì)90年代初期通過模擬自然界中螞蟻集體尋徑的行為而提出的一種基于種群的啟發(fā)式隨機(jī)搜索算法。蟻群算法作為一種新型的智能仿生模型，近幾年在圖像分割、圖像特征提取、圖像匹配、影像紋理分類、圖像檢索等領(lǐng)域都取得了研究成果[8]。

4神經(jīng)網(wǎng)絡(luò)算法和蟻群算法在醫(yī)學(xué)圖像檢索中的應(yīng)用

CBIR檢索過程是一個(gè)逐步求精的過程，其在醫(yī)學(xué)上的應(yīng)用可以看成是用戶（放射學(xué)者、醫(yī)師等）和醫(yī)學(xué)圖像數(shù)據(jù)庫(kù)之間的一個(gè)交互過程。其基本原理是：對(duì)醫(yī)學(xué)圖像數(shù)據(jù)庫(kù)中的每幅圖像先進(jìn)行特征分析，提取圖像的特征；建立醫(yī)學(xué)圖像數(shù)據(jù)庫(kù)的同時(shí)，建立與圖像庫(kù)相關(guān)聯(lián)的特征庫(kù)；在進(jìn)行圖像檢索時(shí)，對(duì)給定的查詢例圖，先提取特征向量，再將該特征向量與特征庫(kù)中的特征向量進(jìn)行匹配，根據(jù)匹配的結(jié)果在醫(yī)學(xué)圖像數(shù)據(jù)庫(kù)中搜索，即可檢索出所需的圖像。本文結(jié)合神經(jīng)網(wǎng)絡(luò)算法結(jié)合蟻群算法，將其應(yīng)用于醫(yī)學(xué)圖像檢索，見圖2。

4.1醫(yī)學(xué)圖像預(yù)處理 在醫(yī)學(xué)方面，圖像預(yù)處理的主要目的是消除圖像中無(wú)關(guān)的信息、增強(qiáng)有關(guān)信息的可檢測(cè)性并最大限度地簡(jiǎn)化數(shù)據(jù)，從而提高醫(yī)務(wù)人員對(duì)圖像判讀的準(zhǔn)確性及效率。本課題中圖像預(yù)處理方法由圖像增強(qiáng)、圖像分割組成。

4.1.1圖像增強(qiáng) 圖像增強(qiáng)[2]是進(jìn)行圖像檢索的先行步驟，可以用公式 來(lái)表示，其中 是輸入圖像， 是增強(qiáng)后的圖像， 是對(duì)輸入圖像所進(jìn)行的操作。本文主要采用直方圖均衡化方法來(lái)進(jìn)行圖像增強(qiáng)，直方圖均衡化是將一已知灰度概率密度分布的圖像，經(jīng)過某種變換變成一幅具有均勻灰度概率密度分布的新圖像。與其他方法相比，直方圖均衡化方法適用范圍廣，易于實(shí)現(xiàn)，可達(dá)到較好的增強(qiáng)效果，暗區(qū)中的圖像能清楚的顯示出來(lái)，能夠展示更多診斷信息。

4.1.2圖像分割 醫(yī)學(xué)圖像分割是根據(jù)醫(yī)學(xué)圖像的某種相似性特征將圖像劃分為若干個(gè)互不相交的\"連通\"區(qū)域的過程。醫(yī)學(xué)圖像中，大多數(shù)情況下都需要對(duì)醫(yī)學(xué)圖像作分割，來(lái)突出需要的目標(biāo)物體，如病灶。采用sobel算子計(jì)算醫(yī)學(xué)圖像邊緣和閾值，在此基礎(chǔ)上修改閾值使邊緣更加精確，以此實(shí)現(xiàn)圖像分割。

4.2神經(jīng)網(wǎng)絡(luò)算法（如圖3所示）的實(shí)現(xiàn)。

基本步驟如下：①確定問題：對(duì)問題做出詳細(xì)的調(diào)研，明確目標(biāo)，然后考慮如何引入粗糙集從而更好地解決問題。②對(duì)數(shù)據(jù)進(jìn)行收集，即采集經(jīng)過圖像預(yù)處理之后得到的特征數(shù)據(jù)。③數(shù)據(jù)處理：把要處理的數(shù)據(jù)建立成一張二維決策表，每一行描述一個(gè)對(duì)象，每一列描述對(duì)象的一種屬性。在本步中，如果無(wú)法得到完備的數(shù)據(jù)表，就有必要將信息表進(jìn)行完備化操作；如果初始數(shù)據(jù)是連續(xù)值，還要經(jīng)過連續(xù)屬性離散化操作。④根據(jù)粗糙集理論[5]對(duì)數(shù)據(jù)進(jìn)行屬性約簡(jiǎn)，利用屬性重要度去掉數(shù)據(jù)表中的冗余條件屬性，并消去重復(fù)的樣本。⑤根據(jù)上步中得到的訓(xùn)練數(shù)據(jù)樣本設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)，根據(jù)約簡(jiǎn)結(jié)果確定神經(jīng)網(wǎng)絡(luò)的輸入層單元數(shù)和隱含層節(jié)點(diǎn)數(shù)。采用一個(gè) 的3層BP神經(jīng)網(wǎng)絡(luò)。隱藏層神經(jīng)元的傳遞函數(shù)設(shè)計(jì)為S型正切函數(shù)，輸出層神經(jīng)元的傳遞函數(shù)設(shè)計(jì)為S型對(duì)數(shù)函數(shù)。⑥用約簡(jiǎn)后形成的學(xué)習(xí)樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，得到神經(jīng)網(wǎng)絡(luò)的權(quán)值。然后將測(cè)試樣本輸入網(wǎng)絡(luò)進(jìn)行測(cè)試，輸出最終結(jié)果。本算法中，規(guī)定BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練指標(biāo)為0.01，訓(xùn)練次數(shù)C<5000次。

4.3蟻群算法的實(shí)現(xiàn)（如圖4所示）。

目前，CBIR方面現(xiàn)已有了大量研究，但CBIR的系統(tǒng)很少用于臨床，如遵義醫(yī)學(xué)院附屬醫(yī)院在進(jìn)行醫(yī)學(xué)圖像檢索時(shí)，更常用的方式還是傳統(tǒng)的基于文本的圖像檢索方式，其最大的原因是CBIR方式檢索速度慢，響應(yīng)時(shí)間長(zhǎng)。為此，如何保證醫(yī)學(xué)圖像數(shù)據(jù)檢索的有效性和準(zhǔn)確性是目前CBIR迫切需要解決的問題之一。本文將BP神經(jīng)網(wǎng)絡(luò)和蟻群算法結(jié)合起來(lái)，借助蟻群算法易于與其他算法相結(jié)合的優(yōu)勢(shì)，利用蟻群算法對(duì)粗神經(jīng)網(wǎng)絡(luò)算法的參數(shù)進(jìn)行優(yōu)化的同時(shí)，結(jié)合醫(yī)學(xué)圖像的特殊性，提出將神經(jīng)網(wǎng)絡(luò)算法和蟻群算法結(jié)合起來(lái)應(yīng)用于CBIR中具有一定的現(xiàn)實(shí)意義。

參考文獻(xiàn)：

[1]蔣歷軍.應(yīng)用網(wǎng)格和水印技術(shù)對(duì)基于內(nèi)容的肝臟CT圖像檢索的研究[D].上海交通大學(xué)，2009.

[2]岡薩雷斯.數(shù)字圖像處理（MATLAB版）[M].北京：電子工業(yè)出版社，2012.

[3]史元春，徐光祐，高原.中國(guó)多媒體技術(shù)研究：2011[J].中國(guó)圖象圖形學(xué)報(bào)，2012.

[4]H Zhang， JE Fritts， SA Goldman.Image segmentation evaluation： A survey of unsupervised methods[J].Computer Vision and Image Understanding， 2008.

[5]蔣世忠，易法令，湯浪平，等.基于圖割與粗糙集的MRI腦部腫瘤圖像檢索方法[J].中國(guó)組織工程研究與臨床康復(fù)，2010.

[6]張小冬.蟻群算法在醫(yī)學(xué)圖像識(shí)別中的研究與應(yīng)用[D].揚(yáng)州大學(xué)，2009.

[7]李旭超，劉海寬，王飛，等.圖像分割中的模糊聚類方法[J].中國(guó)圖象圖形學(xué)報(bào)，2012.

[8]Veenman C，Reinders M，Backer E.A Cellular Coevolutionary Algorithm for Image Segmentation [J].IEEE Transaction on Image Processing， 2003.

[9]Rahman MM， Bhattacharya P， Desai BC. A framework for medical image retrieval using machine learning and statistical similarity matching techniques with relevance feedback [J]. IEEE Transactions on Information Technology in Biomedicine，2007.

[10]Marco Dorigo， Christian Blum.Ant colony optimization theory： A survey [J]. Theoretical Computer Science，2005.

編輯/申磊