趙年年 張帆 郭惠玲

摘 要

醫(yī)學(xué)圖像處理屬于復(fù) 雜問(wèn)題，加強(qiáng)孤立點(diǎn)數(shù)據(jù)挖掘技術(shù)的運(yùn)用有助于異常信息的分析與處理。基于此，本文結(jié)合孤立點(diǎn)分析方法，提出了醫(yī)學(xué)圖像聚類(lèi)分析思路，在完成圖像孤立點(diǎn)定義的基礎(chǔ)上運(yùn)用改進(jìn)算法對(duì)圖像數(shù)據(jù)中有價(jià)值的信息進(jìn)行提取，最終得到了能夠輔助醫(yī)學(xué)診斷的圖像處理規(guī)則。

關(guān)鍵詞

孤立點(diǎn)分析;醫(yī)學(xué)圖像處理;聚類(lèi)分析

中圖分類(lèi)號(hào)： TB1-4 ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A

DOI：10.19694/j.cnki.issn2095-2457.2020.07.058

Abstract

Medical image processing is a complex problem. Strengthening the application of outlier data mining technology is conducive to the analysis and processing of abnormal information. Based on this， this paper combined with the analysis method of outliers， proposed the idea of medical image clustering analysis， and based on the definition of outliers， the improved algorithm was used to extract valuable information from the image data， and finally obtained the image processing rules that can assist medical diagnosis.

Key words

Outlier analysis; Medical image processing; Clustering analysis

0 引言

人體組織結(jié)構(gòu)十分復(fù)雜，給醫(yī)學(xué)圖像處理帶來(lái)了較大難度。運(yùn)用孤立點(diǎn)分析方法，需要合理實(shí)現(xiàn)醫(yī)學(xué)圖像處理，才能保證有用信息能夠得到順利提取。因此需要對(duì)基于孤立點(diǎn)分析的醫(yī)學(xué)圖像處理問(wèn)題展開(kāi)分析，為醫(yī)學(xué)影像工作開(kāi)展提供支撐。

1 醫(yī)學(xué)圖像處理問(wèn)題

在臨床醫(yī)學(xué)影像檢查中，將生成大量醫(yī)學(xué)圖像，供醫(yī)生診斷疾病使用。受個(gè)體差異、人體活動(dòng)帶來(lái)的正常形變等各種因素的影響，同一個(gè)人相同身體部位的CT圖像將出現(xiàn)差異，造成醫(yī)生難以對(duì)健康人體醫(yī)學(xué)圖像和病變?nèi)梭w醫(yī)學(xué)圖像進(jìn)行簡(jiǎn)單區(qū)分[1]。采用關(guān)聯(lián)規(guī)則，能夠使身體構(gòu)造內(nèi)在規(guī)律得到揭示，但無(wú)法對(duì)個(gè)體差異和活動(dòng)造成的正常形變進(jìn)行區(qū)分，因此僅能用于腦部、骨骼等個(gè)體差異和形變小的組織結(jié)構(gòu)檢查。想要幫助醫(yī)生加強(qiáng)醫(yī)學(xué)診斷，還要進(jìn)一步從圖像數(shù)據(jù)中完成隱藏且有價(jià)值信息的提取，得到相應(yīng)的醫(yī)學(xué)診斷規(guī)則。

2 基于孤立點(diǎn)分析的醫(yī)學(xué)圖像處理

2.1 孤立點(diǎn)的分析方法

在孤立點(diǎn)中，可能包含有意義的知識(shí)。對(duì)孤立點(diǎn)進(jìn)行分析，首先需要完成問(wèn)題定義，然后做好數(shù)據(jù)準(zhǔn)備，之后進(jìn)行孤立點(diǎn)分析、結(jié)果解釋和評(píng)估。在描述階段，需要由挖掘人員和專(zhuān)家協(xié)作確定任務(wù)，結(jié)合工作需要確定挖掘要求和可以采用的挖掘算法。根據(jù)挖掘目的從原始數(shù)據(jù)庫(kù)中完成目標(biāo)數(shù)據(jù)篩選，然后通過(guò)消噪、轉(zhuǎn)換等操作完成預(yù)處理，減少需要考慮的對(duì)象數(shù)目。在分析階段，需要采用算法進(jìn)行數(shù)據(jù)模式發(fā)掘。針對(duì)結(jié)果需要加強(qiáng)評(píng)估，剔除冗余或無(wú)用模式，對(duì)無(wú)法滿(mǎn)足要求的模式重新剔除挖掘算法和設(shè)定參數(shù)，完成數(shù)據(jù)重新篩選。作為聚類(lèi)算法的副產(chǎn)品，孤立點(diǎn)檢測(cè)將實(shí)現(xiàn)優(yōu)化聚類(lèi)，將同一屬性數(shù)據(jù)點(diǎn)聚集在一起，完成與多數(shù)數(shù)據(jù)相異的點(diǎn)的挖掘。

2.2 醫(yī)學(xué)圖像聚類(lèi)分析

選取腦部CT圖像數(shù)據(jù)，對(duì)20例患者圖像進(jìn)行編號(hào)，可以得到有序圖像數(shù)據(jù)集。針對(duì)有序圖像集，需要使像素灰度值與密度值對(duì)應(yīng)關(guān)系一致，然后將噪聲數(shù)據(jù)清除。利用剪切技術(shù)完成圖像簡(jiǎn)化，減少冗余數(shù)據(jù)，提高算法執(zhí)行效率。在處理過(guò)程中，圖像將被分割為若干部分，各部分可以抽象為身體特定器官組織區(qū)域，同時(shí)各部分為若干像素點(diǎn)的聚集，還要從中完成共性特征值和參數(shù)的提取，以便以像素點(diǎn)為基本單元，將圖像從列陣轉(zhuǎn)化為各器官組織單元的抽象過(guò)程[2]。觀察不同組織區(qū)域時(shí)，引入聚類(lèi)參數(shù)矢量，能夠?qū)⑨t(yī)學(xué)圖像各個(gè)離散像素點(diǎn)抽象化處理，將點(diǎn)的灰度、坐標(biāo)等轉(zhuǎn)換為器官組織密度、大小等參數(shù)特征。在對(duì)腦部圖像進(jìn)行聚類(lèi)分析后，可以得到各聚類(lèi)編號(hào)、中心位置等信息，得到相應(yīng)數(shù)組。而每幅圖片都可以生成聚類(lèi)參數(shù)矢量組，完成數(shù)字化描述。

2.3 圖像孤立點(diǎn)的定義

從特征上來(lái)看，孤立點(diǎn)應(yīng)當(dāng)為數(shù)值上“少數(shù)”偏離者，在數(shù)值上與鄰域其他點(diǎn)不同，數(shù)量上占比較小，帶有離群性。而孤立點(diǎn)的離群性與鄰域選擇無(wú)關(guān)，在其所處范圍內(nèi)大部分鄰域與其都是離群的，被稱(chēng)之為鄰域無(wú)關(guān)性。在醫(yī)學(xué)圖像中，器官病變將引起部位結(jié)構(gòu)、形態(tài)和機(jī)理變化，在CT圖像上將出現(xiàn)組織密度變化。根據(jù)組織密度與像素灰度映射關(guān)系，能夠確定部位密度分布狀況，在密度發(fā)展至一定程度后被判定為孤立點(diǎn)。而孤立點(diǎn)包含三類(lèi)，一類(lèi)為由個(gè)體差異造成的組織形態(tài)位置異常，容易影響算法準(zhǔn)確性，而經(jīng)過(guò)聚類(lèi)分析后實(shí)現(xiàn)參數(shù)矢量組抽象，使擁有相同聚類(lèi)特征圖像像素的產(chǎn)生對(duì)應(yīng)映射表，能夠減少算法受到的影響;第二類(lèi)為不同組織密度差異，在CT上將呈現(xiàn)為像素灰度異常，可以通過(guò)提取圖像聚類(lèi)灰度信息完成孤立點(diǎn)識(shí)別;第三類(lèi)為組織大小和形狀異常，是病變發(fā)展至一定程度后引起的變化，在CT上將以聚類(lèi)像素點(diǎn)數(shù)量與其他像素比例變化的形式顯示出來(lái)，使得區(qū)域幾何中心發(fā)生了偏移，能夠成為輔助診斷人體病變的孤立點(diǎn)。從醫(yī)學(xué)診斷需求角度出發(fā)，可以參照同一距離拍攝圖像聚類(lèi)參數(shù)矢量集，將腦部CT中像素聚類(lèi)的密度、大小等屬性無(wú)對(duì)應(yīng)一致情況的聚類(lèi)看成是孤立點(diǎn)。

2.4 圖像處理改進(jìn)算法

比較聚類(lèi)參數(shù)矢量組，需要完成每個(gè)矢量分析，確定灰度值或像素點(diǎn)數(shù)相近的矢量。無(wú)法匹配，可以判斷為孤立點(diǎn)。實(shí)際在算法應(yīng)用時(shí)，可以假設(shè)n幅腦CT圖像經(jīng)過(guò)聚類(lèi)分析后生成n個(gè)矢量組X={x1，x2，……，xn}。作為數(shù)據(jù)對(duì)象，xi擁有的聚類(lèi)參數(shù)矢量最多不超過(guò)m個(gè)。對(duì)孤立點(diǎn)集進(jìn)行求取時(shí)，需要對(duì)矢量組進(jìn)行聚類(lèi)分析，篩選出游離聚類(lèi)條件外的矢量。在對(duì)矢量面積進(jìn)行比較時(shí)，需要設(shè)定兩個(gè)矢量像素點(diǎn)差值不超過(guò)λ為相近，λ為預(yù)先設(shè)定的常量。而兩個(gè)矢量集合距離不超過(guò)常量μ，說(shuō)明中心位置坐標(biāo)相近。按照要求對(duì)未標(biāo)記且匹配的矢量進(jìn)行尋找，然后進(jìn)行標(biāo)記，能夠得到新的聚類(lèi)。經(jīng)過(guò)一次運(yùn)算后，未能形成鏈表的矢量被看成是孤立點(diǎn)。根據(jù)需要查找的孤立點(diǎn)個(gè)數(shù)，可以通過(guò)反復(fù)實(shí)驗(yàn)確定λ和μ值，然后多次運(yùn)算完成孤立點(diǎn)查找。按照算法步驟，首先需要完成閾值λ和μ的設(shè)定，使指針指向檢測(cè)對(duì)象的第一張醫(yī)學(xué)圖像，與同一距離拍攝圖像進(jìn)行比較，得到各矢量聚類(lèi)[3]。確定是否存在無(wú)法聚類(lèi)的圖像，如果存在可以使指針指向下一個(gè)圖像，重新進(jìn)行孤立點(diǎn)查找，不存在可以得到孤立點(diǎn)[4]。實(shí)際在運(yùn)算過(guò)程中，可以將兩個(gè)閾值合并，利用α=1&（β×γ-1）≤w這一條件進(jìn)行孤立點(diǎn)判斷。α為矢量密度比值，β為面積比值，γ為中心位置坐標(biāo)與常量比值。通過(guò)算法改進(jìn)，能夠?qū)Y(jié)果集收斂范圍進(jìn)行控制，只需要調(diào)整一個(gè)閾值就可以得到指定數(shù)量的孤立點(diǎn)，因此能夠使算法得到簡(jiǎn)化。

2.5 孤立點(diǎn)的分析處理

運(yùn)用算法對(duì)醫(yī)學(xué)圖像進(jìn)行處理，能夠完成矢量組中孤立點(diǎn)標(biāo)記。賦予特殊標(biāo)記的矢量較多，在不同聚類(lèi)矢量組中分布。在聚類(lèi)粒度較大時(shí)，矢量組中矢量較少，孤立點(diǎn)極少存在，反之可以得到較多孤立點(diǎn)。根據(jù)孤立點(diǎn)與圖像特定區(qū)域的關(guān)系，還要對(duì)孤立點(diǎn)對(duì)應(yīng)的聚類(lèi)參數(shù)矢量進(jìn)行還原，以便為醫(yī)生診斷提供輔助。在一組腦醫(yī)學(xué)圖像中，不僅包含病變引起異常的對(duì)象，也包含個(gè)體差異引起異常的對(duì)象，因此還要交由醫(yī)生進(jìn)一步判斷[5]。如表1所示，為孤立點(diǎn)分析結(jié)果與醫(yī)生臨床診斷結(jié)果的比較，針對(duì)20例患者腦部醫(yī)學(xué)圖像進(jìn)行處理發(fā)現(xiàn)15個(gè)孤立點(diǎn)，來(lái)自于10名患者，與醫(yī)生實(shí)際診斷得到的8名患有腦部疾病的數(shù)據(jù)相比，已經(jīng)能夠?qū)崿F(xiàn)初步篩查，為醫(yī)生診斷提供輔助。但根據(jù)可視化的孤立點(diǎn)分析結(jié)果，醫(yī)生能夠直接發(fā)現(xiàn)異常區(qū)域，所以可以簡(jiǎn)化分析過(guò)程，提高醫(yī)生診斷效率。

3 結(jié)論

綜上所述，醫(yī)學(xué)圖像中包含較多難以被發(fā)現(xiàn)的有用信息，而采用孤立點(diǎn)分析方法能夠?qū)@些數(shù)據(jù)進(jìn)行挖掘，確定其中蘊(yùn)含的診斷規(guī)則和模式，為醫(yī)生診斷疾病提供依據(jù)。實(shí)際運(yùn)用該方法，需要結(jié)合醫(yī)學(xué)圖像特點(diǎn)完成孤立點(diǎn)定義，實(shí)現(xiàn)圖像聚類(lèi)分析算法改進(jìn)，最終可以實(shí)現(xiàn)圖像中微小紋理變化的辨別。

參考文獻(xiàn)

[1]王拯洲，李剛，王偉，等.基于鄰域向量主成分分析圖像增強(qiáng)的弱小損傷目標(biāo)檢測(cè)方法[J].光子學(xué)報(bào)，2019，48（07）：75-86.

[2]宮海曉，賀杰.一種基于SNAM二值圖像表示方法的正方形子模式搜索策略[J].梧州學(xué)院學(xué)報(bào)，2018，28（06）：21-25.

[3]牛立尚.一種基于統(tǒng)計(jì)特征的孤立點(diǎn)和邊緣點(diǎn)檢測(cè)算法[J].信息技術(shù)，2015（06）：112-114.

[4]成云鳳，汪偉.基于醫(yī)學(xué)圖像的超分辨率重建算法綜述[J].北京生物醫(yī)學(xué)工程，2019，38（05）：535-543.

[5]張杰，趙惠軍，李賢威，等.基于生成式對(duì)抗網(wǎng)絡(luò)技術(shù)合成醫(yī)學(xué)圖像的研究進(jìn)展與展望[J].醫(yī)療衛(wèi)生裝備，2019，40（10）：93-98.