亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于圖像降階的紋理特征挖掘方法在醫(yī)學(xué)上的應(yīng)用

        2018-09-21 09:06:32程道文
        關(guān)鍵詞:關(guān)聯(lián)規(guī)則數(shù)據(jù)庫(kù)

        于 超,王 璐,程道文

        (1.長(zhǎng)春工業(yè)大學(xué)人文信息學(xué)院,吉林 長(zhǎng)春 130122;2.長(zhǎng)春工業(yè)大學(xué)應(yīng)用技術(shù)學(xué)院,吉林 長(zhǎng)春 130012;3.長(zhǎng)春工業(yè)大學(xué)基礎(chǔ)科學(xué)學(xué)院,吉林 長(zhǎng)春 130012)

        作為當(dāng)前信息決策領(lǐng)域的重要組成的圖像數(shù)據(jù)挖掘技術(shù)被大量地應(yīng)用于醫(yī)學(xué)影像輔助診斷、地質(zhì)與海洋資源勘探、衛(wèi)星圖像分析等多種領(lǐng)域.[1]紋理特征、決策樹、分類規(guī)則和人工神經(jīng)網(wǎng)絡(luò)等技術(shù)是目前比較常用的圖像數(shù)據(jù)挖掘方法.[2-4]如能量、熵、慣性矩、局部平穩(wěn)和相關(guān)系數(shù)等紋理描述受外界影響較小,能夠直觀反映圖像灰度空間分布特征的紋理,在宏觀和微觀結(jié)構(gòu)兩方面較為準(zhǔn)確地描述了圖像的特性.[5-8]因此,在圖像分析與輔助決策中,上述因素能夠起到非常大的作用.醫(yī)學(xué)影像種類繁多,作為其重要組成部分的CT圖像在輔助診斷中起到關(guān)鍵作用.但是其紋理特征的數(shù)據(jù)量極大,如果對(duì)其數(shù)據(jù)進(jìn)行直接挖掘,效率不高,準(zhǔn)確率也有限.因此,本文提出了一種利用圖像降階結(jié)合Apriori算法對(duì)醫(yī)學(xué)圖像紋理特征進(jìn)行挖掘的模型,將醫(yī)院信息系統(tǒng)(HIS)中病患特征與降階處理后病患醫(yī)學(xué)圖像紋理特征相融合,通過剪枝技術(shù)建立關(guān)聯(lián)規(guī)則庫(kù),采用規(guī)則庫(kù)中的規(guī)則對(duì)醫(yī)學(xué)圖像進(jìn)行信息挖掘.

        1 圖像的降階處理

        對(duì)于表達(dá)醫(yī)學(xué)圖像特別是CT圖像這類無規(guī)則圖像中的隨機(jī)紋理,需要的模板維數(shù)和個(gè)數(shù)都會(huì)非常大,在這種情況下,數(shù)據(jù)挖掘的空間對(duì)比于規(guī)則紋理來說將會(huì)極其復(fù)雜.因此,如果直接抽取圖像紋理特征來對(duì)此類醫(yī)學(xué)影像進(jìn)行圖像特征挖掘,其復(fù)雜度會(huì)非常高,效率也很低.假定圖像m×m的區(qū)域內(nèi)有G種灰度值,則該區(qū)域會(huì)產(chǎn)生m2G個(gè)項(xiàng),則減少項(xiàng)的數(shù)量就會(huì)直接減少搜索空間[9],從而提高未來的挖掘效率.而減小該區(qū)域內(nèi)項(xiàng)的方法是縮小m值和降低區(qū)域內(nèi)灰度個(gè)數(shù)G.本文按通行的計(jì)算機(jī)圖像降階處理方式所采用的灰度降階公式為

        h=g×N/max_gray×(max_gray/N).

        (1)

        其中:max_gray為區(qū)域內(nèi)像素最大灰度值,N指將圖像降為N階,g為圖像原始灰度值,h為降階后圖像對(duì)應(yīng)的灰度值.通過文獻(xiàn)[10]的研究結(jié)果表明,將圖像降為4階后,基本未影響到圖像的細(xì)節(jié)信息,而圖像的視覺感受也十分接近原圖像.因?yàn)轶w現(xiàn)圖像紋理特征的高頻特征信息并不會(huì)隨著圖像的降階處理而受到影響,所以在此基礎(chǔ)上,將圖像降為4階,可以大大地減少挖掘空間,為后續(xù)的紋理特征提取與挖掘提供方便.

        2 紋理特征提取

        統(tǒng)計(jì)法和頻譜法是兩種主要的紋理特征提取與分析方法,本文應(yīng)用灰度共生矩陣提取降階后圖像的紋理特征信息.[11-12]灰度共生矩陣中有相關(guān)度特征、信息理論特征、統(tǒng)計(jì)特征以及紋理特征共4類14個(gè)特征參數(shù)包含著圖像紋理信息[13].根據(jù)文獻(xiàn)[13]的研究,本文選取了局部平穩(wěn)、能量、相關(guān)系數(shù)、慣性矩和熵這5個(gè)表達(dá)紋理特征能力較強(qiáng)的參數(shù).局部平穩(wěn)計(jì)算公式為

        (2)

        L(d,θ)反映了圖像紋理的平穩(wěn)性,即圖像區(qū)域內(nèi)變化的趨勢(shì).該值越大,表明在區(qū)域內(nèi)圖像的紋理變化越小,而且紋理均勻[13].能量計(jì)算公式為

        (3)

        E(d,θ)反映了圖像紋理的精細(xì)度,該值越小,表明區(qū)域內(nèi)圖像的紋理精細(xì)度越高[13].

        相關(guān)系數(shù)計(jì)算公式為:

        (4)

        C(d,θ)即反映了區(qū)域內(nèi)圖像的灰度共生矩陣行與列的線性相關(guān)性,又反映了區(qū)域內(nèi)圖像紋理的均勻程度[13].慣性矩計(jì)算公式為

        (5)

        I(d,θ)是灰度共生矩陣的二次統(tǒng)計(jì)量,反映了圖像紋理的溝紋深淺度,直接反映了某個(gè)像素值及其領(lǐng)域像素值的亮度對(duì)比情況.即該值越大,圖像的溝紋越深,對(duì)比度越強(qiáng),視覺效果更清晰.[13]熵的計(jì)算公式為

        (6)

        H(d,θ)是區(qū)域圖像的信息度量,其值越大,表明了圖像非均勻程度和復(fù)雜度越高,隨機(jī)度和噪聲越大.[13]

        3 紋理特征預(yù)處理

        所采集的幾類紋理特征值為數(shù)值型特征,如需進(jìn)行關(guān)聯(lián)特征挖掘,需要將其轉(zhuǎn)換為特征屬性.本文采用了數(shù)值型特征值預(yù)處理方式.

        假定有一數(shù)值型特征項(xiàng)集合I={i1,i2,…,im},有一實(shí)數(shù)集合P,則特征屬性集合為Iv={〈ik,v〉∈I×P},數(shù)值型特征項(xiàng)ik具有屬性v,表示為元組〈ik,v〉.由于ik可分為數(shù)值型數(shù)據(jù)和范疇性數(shù)據(jù),因而需進(jìn)一步處理特征屬性集合.IR={〈ik,l,u〉∈I×P×P|l≤u},如果ik為數(shù)值型數(shù)據(jù),則l≤u;如果ik為范疇性數(shù)據(jù),則l=u.當(dāng)數(shù)值型屬性ik具有[l,u]范圍的取值時(shí)表示為〈ik,l,u〉∈IR.當(dāng)X?IR時(shí),attributes(X)表示為集合{x|〈x,l,u〉∈X},其中x為數(shù)值屬性項(xiàng).設(shè)[n1,n2]為特征值M的取值范圍,則其對(duì)應(yīng)的數(shù)值屬性集為{m|〈m,l,u〉k∈IR,l,u∈[n1,n2]}.對(duì)于[l,u]這一數(shù)值屬性值域區(qū)間的劃分,首先結(jié)合特征值的性質(zhì)與實(shí)驗(yàn)數(shù)據(jù),確定[n1,n2]這個(gè)特征值的取值范圍,然后根據(jù)特征值自身的特點(diǎn)將該取值范圍劃分成相等的若干個(gè)區(qū)間.按照如上原則,最終得到IR這一數(shù)值屬性集合,即特征集合(見表1).

        表1 特征值屬性集合及區(qū)域劃分

        4 圖像挖掘數(shù)據(jù)庫(kù)的建立

        本文提出的圖像挖掘數(shù)據(jù)庫(kù)的建立:結(jié)合醫(yī)院信息系統(tǒng)中的病患病史信息、病患自然信息以及前面抽取出的圖像紋理特征信息,將這些信息以事物的形式存入數(shù)據(jù)庫(kù)中.用(CTID;LayID;i1,i2,…,in;j1,j2,…,jm;Class)作為數(shù)據(jù)庫(kù)記錄的存儲(chǔ)形式.其中:CTID為事務(wù)編號(hào);LayID表示CT圖像層編號(hào);ix為圖像的紋理特征信息;jx為醫(yī)院信息系統(tǒng)中的病患相關(guān)信息;Class表示圖像是否正常.為了更準(zhǔn)確地發(fā)現(xiàn)關(guān)聯(lián)規(guī)則,抽取正常圖像的所有5種紋理特征信息和抽取病變圖像中病灶點(diǎn)區(qū)域的紋理特征信息建立數(shù)據(jù)庫(kù).

        5 圖像紋理關(guān)聯(lián)規(guī)則的挖掘

        5.1 關(guān)聯(lián)規(guī)則挖掘算法

        應(yīng)用Apriori算法挖掘已建立的圖像挖掘數(shù)據(jù)庫(kù)中的數(shù)據(jù),從而建立提取的圖像紋理特征信息與圖像是否有病變這一結(jié)論之間的關(guān)聯(lián)規(guī)則.關(guān)聯(lián)規(guī)則的條件為特征數(shù)據(jù)庫(kù)中數(shù)據(jù)的合區(qū)形式,關(guān)聯(lián)規(guī)則的推出結(jié)論為圖像是否懷疑有病變特征,即圖像是否正常.

        圖像紋理關(guān)聯(lián)規(guī)則的挖掘分為訓(xùn)練階段和測(cè)試階段[14-15].訓(xùn)練階段:用明確知道病變特征的分類圖像來訓(xùn)練系統(tǒng),合并圖像紋理特征以及病患自然特征,并將其存入圖像挖掘數(shù)據(jù)庫(kù),應(yīng)用Apriori算法挖掘數(shù)據(jù)庫(kù)中滿足約束條件的關(guān)聯(lián)規(guī)則;測(cè)試階段:利用訓(xùn)練階段得到的關(guān)聯(lián)規(guī)則分類不知道是否有病變的CT圖像,一旦匹配,即可將CT圖像分類為正常和異常2種類型,進(jìn)而通過專家校驗(yàn)來判定關(guān)聯(lián)規(guī)則分類圖像的準(zhǔn)確性.

        5.2 關(guān)聯(lián)規(guī)則獲取與應(yīng)用

        本文獲取關(guān)聯(lián)規(guī)則的方法:將圖像挖掘數(shù)據(jù)庫(kù)中的特征合區(qū)集合作為關(guān)聯(lián)規(guī)則的前件,將圖像所屬類別作為關(guān)聯(lián)規(guī)則的后件.將圖像挖掘數(shù)據(jù)庫(kù)中每2 000條數(shù)據(jù)作為一組,共抽取10組數(shù)據(jù)用來建立關(guān)聯(lián)規(guī)則的挖掘模型.將其最小支持度設(shè)置為25%,最小可信度設(shè)置為50%.用10組數(shù)據(jù)中的第1組數(shù)據(jù)作為測(cè)試樣例,其余的9組數(shù)據(jù)作為訓(xùn)練樣本,將訓(xùn)練得到的關(guān)聯(lián)規(guī)則應(yīng)用于第1組測(cè)試樣例,從而獲得一個(gè)圖像分類結(jié)果準(zhǔn)確率.將以上的過程重復(fù)10次,分別用于10組數(shù)據(jù),最后將10組測(cè)試的準(zhǔn)確率取均值,以此均值作為模型的綜合準(zhǔn)確率.

        在實(shí)驗(yàn)過程中,先后使用了2組圖像樣本,第1組樣本中異常圖像(紋理特征反映有病變特性)和正常圖像所占比例為70%和30%,該組圖像訓(xùn)練出的關(guān)聯(lián)規(guī)則綜合準(zhǔn)確率為66.60%(見表2中結(jié)果1的準(zhǔn)確率);第2組樣本中將2種圖像的比例調(diào)整為1∶1,即各占50%,該組圖像訓(xùn)練出的關(guān)聯(lián)規(guī)則綜合準(zhǔn)確率提升為77.68%(見表2中結(jié)果2的準(zhǔn)確率).但這個(gè)準(zhǔn)確率仍然不滿足醫(yī)學(xué)輔助診斷的要求.為了提高準(zhǔn)確率,對(duì)第2組平衡數(shù)據(jù)訓(xùn)練得到的規(guī)則集合使用對(duì)關(guān)聯(lián)規(guī)則進(jìn)行剪枝處理的方法,通過剪枝,提出規(guī)則中影響判定準(zhǔn)確率的噪音,具體剪枝方式如下:

        (1) 若存在2條規(guī)則,其前件相同但是結(jié)論卻相反,則將這兩條規(guī)則同時(shí)從關(guān)聯(lián)規(guī)則庫(kù)中刪除.

        (2) 若存在規(guī)則a與規(guī)則b.(ⅰ)兩條規(guī)則的前件條件不同但是結(jié)論相同;(ⅱ)規(guī)則a的前件條件是規(guī)則b前件條件的子集.則在滿足如下條件之一的情況下,在關(guān)聯(lián)規(guī)則庫(kù)中保留規(guī)則a,刪除規(guī)則b.

        (a)規(guī)則b的可信度低于規(guī)則a;

        (b)規(guī)則a與規(guī)則b的可信度相同,規(guī)則b的支持度低于規(guī)則a;

        (c)規(guī)則a與規(guī)則b的支持度與可信度均相同,規(guī)則b的前件條件多于規(guī)則a.

        按照上述規(guī)則對(duì)第2組平衡數(shù)據(jù)訓(xùn)練得到的關(guān)聯(lián)規(guī)則集合進(jìn)行剪枝處理之后,新的關(guān)聯(lián)規(guī)則庫(kù)綜合判斷準(zhǔn)確率為88.74%(見表2中結(jié)果3的準(zhǔn)確率),與原有的關(guān)聯(lián)規(guī)則庫(kù)相比,準(zhǔn)確率有了一定的提升,也基本滿足了醫(yī)學(xué)輔助診斷的要求.

        表2 關(guān)聯(lián)規(guī)則庫(kù)準(zhǔn)確率對(duì)比表

        5.3 關(guān)聯(lián)規(guī)則解釋

        結(jié)合自然語(yǔ)言可以將關(guān)聯(lián)規(guī)則庫(kù)中的規(guī)則按照一定醫(yī)療診斷結(jié)論予以解釋.

        (1) 關(guān)聯(lián)規(guī)則:0<能量<0.3≥圖像異常.

        規(guī)則解釋:紋理特征值中的能量主要反映了圖像的平滑度,反映了灰度分布在一定范圍內(nèi)連續(xù)變化的情況,能量越低則紋理平滑度越高.基于以上原則,可以解釋為當(dāng)一幅肝部CT圖像紋理特征中的能量值在(0,0.3)這一區(qū)間上時(shí),肝部表面紋理粗糙,有纖維化的可能.

        (2) 關(guān)聯(lián)規(guī)則:0.70<局部平穩(wěn)<0.74&&0<相關(guān)系數(shù)<0.1≥圖像正常.

        規(guī)則解釋:當(dāng)一幅CT圖像排列規(guī)律較強(qiáng),同時(shí)局部均勻程度又介于0.7~0.74這一區(qū)間時(shí),可以得出圖像正常這一結(jié)論.

        在進(jìn)行規(guī)則挖掘時(shí),最小置信度和最小支持度是2個(gè)重要參數(shù),例如定義“0.70<局部平穩(wěn)<0.74&&0<相關(guān)系數(shù)<0.1≥圖像正?!钡闹С侄葹镾,置信度為C,則S=0.70<局部平穩(wěn)<0.74&&0<相關(guān)系數(shù)<0.1≥圖像正常/數(shù)據(jù)庫(kù)中全部圖像;C=0.70<局部平穩(wěn)<0.74&&0<相關(guān)系數(shù)<0.1≥圖像正常/0.70<局部平穩(wěn)<0.74&&0<相關(guān)系數(shù)<0.1的圖像,要求C≥0.5并且S≥0.25.

        按照上述方式對(duì)關(guān)聯(lián)規(guī)則庫(kù)中的規(guī)則進(jìn)行解釋,得出的結(jié)論見表3.

        表3 關(guān)聯(lián)規(guī)則解釋的部分結(jié)論

        6 結(jié)束語(yǔ)

        借助數(shù)據(jù)挖掘方法在圖像中的應(yīng)用,提出了一種利用圖像降階結(jié)合Apriori算法的對(duì)醫(yī)學(xué)圖像紋理特征進(jìn)行挖掘的模型.將醫(yī)院信息系統(tǒng)(HIS)中病患特征與病患的醫(yī)學(xué)圖像紋理特征相融合,通過剪枝技術(shù)建立關(guān)聯(lián)規(guī)則庫(kù),采用規(guī)則庫(kù)中的規(guī)則對(duì)醫(yī)學(xué)圖像進(jìn)行了信息挖掘.實(shí)驗(yàn)結(jié)果表明,依靠本方法挖掘的關(guān)聯(lián)規(guī)則能夠很好地表達(dá)紋理,并對(duì)醫(yī)療輔助診斷起到了一定的幫助.未來將進(jìn)一步對(duì)關(guān)聯(lián)規(guī)則進(jìn)行擴(kuò)充,用更多的數(shù)據(jù)訓(xùn)練挖掘規(guī)則并改進(jìn)算法,進(jìn)一步提高關(guān)聯(lián)規(guī)則輔助判斷的準(zhǔn)確率.

        猜你喜歡
        關(guān)聯(lián)規(guī)則數(shù)據(jù)庫(kù)
        撐竿跳規(guī)則的制定
        “苦”的關(guān)聯(lián)
        數(shù)獨(dú)的規(guī)則和演變
        奇趣搭配
        讓規(guī)則不規(guī)則
        Coco薇(2017年11期)2018-01-03 20:59:57
        數(shù)據(jù)庫(kù)
        智趣
        讀者(2017年5期)2017-02-15 18:04:18
        TPP反腐敗規(guī)則對(duì)我國(guó)的啟示
        數(shù)據(jù)庫(kù)
        數(shù)據(jù)庫(kù)
        亚洲男人天堂2019| 成人欧美一区二区三区黑人| 99久久精品免费观看国产| 欧美日韩中文国产一区| 国产成人福利在线视频不卡| 按摩少妇高潮在线一区| 日本一本免费一二区| 精品国产aⅴ无码一区二区| 亚洲综合五月天欧美| 日本一区二区午夜视频| 国产无套内射又大又猛又粗又爽| 一品二品三品中文字幕| 亚洲AV永久无码精品导航| 色偷偷亚洲女人的天堂| 免费观看91色国产熟女| 无码人妻精品一区二区三区不卡| 亚洲中文字幕在线爆乳 | 中文字幕成人精品久久不卡91| 亚洲av无码一区二区三区鸳鸯影院| 日韩精品一区二区三区免费视频| 久久国产成人午夜av影院| 国产午夜福利在线观看中文字幕| 内射夜晚在线观看| 国产成人无码精品午夜福利a| 中文字幕一区二区三区日韩网| 亚洲av日韩专区在线观看| 国产乡下三级全黄三级| 久久天天躁狠狠躁夜夜爽蜜月| 插入中文字幕在线一区二区三区| 国产区女主播一区在线| 成人三级a视频在线观看| 久久精品国产一区二区蜜芽| 精品国产一区二区三区av新片| 国产综合精品一区二区三区| 狠狠噜天天噜日日噜| 中国少妇和黑人做爰视频| 亚洲成人中文字幕在线视频| 日韩高清在线观看永久| 欧美破处在线观看| 一区二区三区日本伦理| 无码吃奶揉捏奶头高潮视频|