范文斌，王亞平，張世武，秦天

（科大國(guó)創(chuàng)云網(wǎng)科技有限公司，安徽合肥，230000）

0 引言

在沒有使用醫(yī)學(xué)影像以前，“望、聞、問、切”是臨床醫(yī)學(xué)診斷的基本手段。但其依靠醫(yī)師實(shí)踐經(jīng)驗(yàn)知識(shí)的主觀判斷，使得結(jié)果的缺乏充分的科學(xué)依據(jù)。隨著物理等科學(xué)的發(fā)展，德國(guó)物理學(xué)家倫琴1895年發(fā)現(xiàn)X射線，并利用X射線為其夫人拍攝一張手的照片，開創(chuàng)了醫(yī)學(xué)影像技術(shù)的先河，為人類開拓了新的診斷與治療疾病的途徑。20世紀(jì)60年代出現(xiàn)影像增強(qiáng)技術(shù)，使得放射科在黑暗房間的檢查方式中徹底解放出來；20世紀(jì)70年代出現(xiàn)CT成像技術(shù)，人們開始能夠觀察人體的軟組織病變；20世紀(jì)80年代由于MR技術(shù)的出現(xiàn)，軟組織分辨率得到很好的改善，同時(shí)這樣多方位多參數(shù)的檢測(cè)技術(shù)，對(duì)于人體細(xì)微的病變有著不錯(cuò)的觀測(cè)效果；20世紀(jì)90年代后，醫(yī)學(xué)影像技術(shù)開始了數(shù)字化。隨著計(jì)算機(jī)可視化和數(shù)字化技術(shù)的不斷提高，未來的醫(yī)學(xué)影像技術(shù)的主要特點(diǎn)之一就是醫(yī)學(xué)影像技術(shù)的高度數(shù)字化，同時(shí)醫(yī)學(xué)影像信息的處理技術(shù)在醫(yī)學(xué)臨床診斷和治療中已經(jīng)占有越來越重要的地位。從處理問題的范圍來說，模式識(shí)別主要用于處理圖像和語音，因?yàn)閷?duì)人類來說，獲取信息最重要的途徑就是視覺器官和聽覺器官。在圖像識(shí)別方面，模式識(shí)別在氣象分析從要處理問題的性質(zhì)及其解決方法的角度，模式識(shí)別包括有監(jiān)督的分類和無監(jiān)督的分類，兩者的主要區(qū)別在于：訓(xùn)練樣本所屬的類別是否已知。一般而言，有監(jiān)督的分類通過已有訓(xùn)練樣本與類別之間的對(duì)應(yīng)關(guān)系，生成一個(gè)函數(shù)，再將檢測(cè)樣本映射到合適的類別中。有監(jiān)督的模式識(shí)別方法有統(tǒng)計(jì)模式識(shí)別、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、粗糙集等。由于在實(shí)際問題中，提供大量已知類別的樣本存在一定困難，在此背景下，研究無監(jiān)督的分類就顯得非常必要了。無監(jiān)督的分類直接對(duì)輸入樣本進(jìn)行建模，發(fā)現(xiàn)其內(nèi)部結(jié)構(gòu)性知識(shí)，最典型的無監(jiān)督的模式識(shí)別方法就是聚類。工業(yè)生產(chǎn)應(yīng)用、交通信息管理、農(nóng)業(yè)生產(chǎn)應(yīng)用、生物信息檢測(cè)、文字信息處理、醫(yī)學(xué)分析等領(lǐng)域得到了廣泛的應(yīng)用。

隨著數(shù)字圖像處理技術(shù)的不斷發(fā)展，數(shù)字圖像處理已經(jīng)成為人們高度關(guān)注和應(yīng)用的課題。多年來，圖像處理技術(shù)一直是眾多學(xué)者研究的主題，數(shù)字技術(shù)也因此達(dá)到了一個(gè)新的水平并得到了迅速發(fā)展。現(xiàn)代醫(yī)學(xué)越來越無法通過圖像提供信息，這意味著醫(yī)院每天都會(huì)生成大量的醫(yī)學(xué)圖像，這就帶來了兩個(gè)問題：一方面，對(duì)患者圖像的無聊解讀，另一方面。醫(yī)生很容易厭倦長(zhǎng)時(shí)間的觀察，這降低了診斷的有效性和準(zhǔn)確性。另一方面，許多疾病的診斷需要定量結(jié)果。僅憑醫(yī)生的觀察不允許進(jìn)行客觀分析。在這種情況下，成像技術(shù)在醫(yī)學(xué)X射線中占據(jù)著越來越重要的地位。

醫(yī)學(xué)影像學(xué)是包括數(shù)學(xué)、計(jì)算機(jī)技術(shù)、醫(yī)學(xué)影像學(xué)等許多領(lǐng)域的學(xué)科領(lǐng)域。這是用數(shù)學(xué)方法和電腦處理、分析不同醫(yī)療設(shè)備產(chǎn)生的影像的技術(shù)。模式識(shí)別調(diào)查旨在自動(dòng)分析一種信息，建立一個(gè)幫助人們完成分類和識(shí)別任務(wù)的機(jī)器系統(tǒng)。最近在醫(yī)學(xué)影像識(shí)別領(lǐng)域非?；钴S，已經(jīng)成功應(yīng)用于各種醫(yī)學(xué)影像處理。醫(yī)學(xué)影像識(shí)別研究有以下含義：隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，快速準(zhǔn)確的醫(yī)學(xué)影像處理成本不斷降低，利用智能信息系統(tǒng)可以實(shí)現(xiàn)不同地區(qū)的臨床信息交流。模式識(shí)別技術(shù)可以降低醫(yī)療費(fèi)用，提高診斷的準(zhǔn)確性。

1 圖像識(shí)別概述

影像識(shí)別技術(shù)的研究始于20世紀(jì)50年代末，興起于60年代。這門學(xué)科經(jīng)過20多年的發(fā)展，受到多個(gè)學(xué)科的重視，并成功應(yīng)用于多個(gè)領(lǐng)域。在影像模式識(shí)別中，主要是利用機(jī)器幫助人類自動(dòng)處理大量影像信息，研究以人類局部精神代替視頻的問題。圖像形狀識(shí)別技術(shù)的研究是利用圖像噪聲消除、提高和分割、特征提取和轉(zhuǎn)換等前處理技術(shù)。分類器的設(shè)計(jì)和分類決策的綜合應(yīng)用最終達(dá)到了影像自動(dòng)分類的目的。通用機(jī)械圖像識(shí)別系統(tǒng)由圖像采集、圖像預(yù)處理、特征提取、分類器設(shè)計(jì)及分類決策等5個(gè)模塊組成。圖像識(shí)別系統(tǒng)構(gòu)成如圖1所示。

圖1 圖像識(shí)別系統(tǒng)

圖像模式識(shí)別的各主要功能模塊介紹如下：

（1）圖像獲取。通過圖像采集器、CCD攝像頭及數(shù)據(jù)轉(zhuǎn)換卡等將光信號(hào)、模擬信號(hào)、等物理信息轉(zhuǎn)化成數(shù)字圖像。

（2）圖像預(yù)處理。圖像預(yù)處理過程主要包括圖像去噪、增強(qiáng)、分割、重建等，具體的算法和技術(shù)包括灰度化、中值濾波、直方圖均衡化、形態(tài)學(xué)處理、各向異性擴(kuò)散、小波

分析等等。以上技術(shù)和算法對(duì)圖像的處理效果不盡相同，但要達(dá)到識(shí)別復(fù)雜圖像中特定目標(biāo)的目的，就要根據(jù)特征向量提取及分類的特殊要求采用合適的處理方法。

（3）圖像特征提取。特征提取是決定識(shí)別結(jié)果的關(guān)鍵因素，常用的包括形狀、顏色及紋理等特征，針對(duì)不同的圖像識(shí)別系統(tǒng)，有的特征分類效果好，有些特征的分類效果則較弱。好的特征提取方法要能提取出對(duì)圖像分類最有利的特征。

（4）分類器設(shè)計(jì)。根據(jù)一定的規(guī)則，通過對(duì)訓(xùn)練樣本合理地進(jìn)行分析和學(xué)習(xí)來建立對(duì)未知樣本進(jìn)行測(cè)試和分類模型的過程就是分類器設(shè)計(jì)的過程。常用的的分類方法包括：統(tǒng)計(jì)分類、模糊分類、神經(jīng)網(wǎng)絡(luò)分類等。

（5）分類決策。分類決策就是在特征空間利用設(shè)計(jì)好的分類器對(duì)待測(cè)樣本進(jìn)行判別和分類的過程。

醫(yī)學(xué)圖像處理的對(duì)象是各種不同的醫(yī)學(xué)影像,在醫(yī)學(xué)圖像的采集輸入等過程中，或多或少會(huì)存在一些使得圖像質(zhì)量下降原因，它們會(huì)對(duì)圖像處理的各個(gè)方面產(chǎn)生不良的影響，嚴(yán)重影響到檢測(cè)效果。例如，在腦膠質(zhì)瘤MRI圖像的分級(jí)問題中，可以邊緣檢測(cè)等算法，可以將圖像中感興趣區(qū)域膠質(zhì)瘤分割出來，根據(jù)其位置大小形態(tài)等進(jìn)行分級(jí)判斷，但大量的噪聲和偽影使得分割困難且效果較差，這時(shí)圖像的預(yù)處理工作就變得很重要。

圖像的信息量較大，以及在采集傳送過程中，由于受多種因素的影響，如光電系統(tǒng)失真、噪聲干擾、相對(duì)遠(yuǎn)動(dòng)、傳輸誤碼等，往往使圖像與原始成像樣本之間產(chǎn)生某種差異，常將這種差異稱之為降質(zhì)或退化，降質(zhì)或退化的圖像通常模糊不清，使人觀測(cè)效果不滿意，或者使計(jì)算機(jī)從中提取的信息減少甚至造成錯(cuò)誤。因此，有必要對(duì)降質(zhì)的圖像進(jìn)行改善。改善的方法分兩類。一類改善方法是從主觀出發(fā)，可以不考慮圖像降質(zhì)[27]的原因，通過一些數(shù)學(xué)變換，對(duì)圖像處理后，使的目標(biāo)感興趣區(qū)域部分視覺效果得到改善，只需要達(dá)到人類主觀較好的效果即可，這就是圖像增強(qiáng)的方法；另一類是根據(jù)圖像降質(zhì)的客觀因素，使用相應(yīng)的處理方法，從而減少客觀因素對(duì)圖像的影響，這是圖像恢復(fù)的方法。顯然，圖像復(fù)原的主要目的是提高圖像的逼近度。但無論是圖像增強(qiáng)還是圖像復(fù)原，其采用的方法大致一樣。

2 圖像識(shí)別方法及性能分析

2.1 統(tǒng)計(jì)模式識(shí)別

模式識(shí)別的統(tǒng)計(jì)方法是利用給定的樣本集完成邊界與選擇的分類劃分，采用一定的學(xué)習(xí)算法，實(shí)現(xiàn)了樣本的最優(yōu)分割.然后根據(jù)得到的決策功能，將輸入的樣本分為相應(yīng)的類別。距離函數(shù)通常是在特征空間中定義的，兩點(diǎn)之間的距離越小，圖案就越相似。根據(jù)培訓(xùn)選舉提供的分類經(jīng)驗(yàn)，將特色空間劃分為相關(guān)領(lǐng)域，其中，統(tǒng)計(jì)模式識(shí)別只是根據(jù)一定的距離來確定樣本所屬的區(qū)域。

2.2 神經(jīng)網(wǎng)絡(luò)模式識(shí)別

神經(jīng)網(wǎng)絡(luò)識(shí)別是在計(jì)算機(jī)分類之前開發(fā)的一種智能識(shí)別技術(shù)，模仿人類的思維方式。神經(jīng)網(wǎng)絡(luò)由一系列基本的神經(jīng)細(xì)胞組成，其機(jī)制和功能相對(duì)簡(jiǎn)單，但從它們的相互關(guān)系中產(chǎn)生的動(dòng)態(tài)系統(tǒng)非常強(qiáng)大。通過訓(xùn)練每個(gè)神經(jīng)元的力值和閾值類來研究變量間的關(guān)系，實(shí)現(xiàn)從輸入空間到輸出空間的映射。

2.3 模糊模式識(shí)別

模糊模式識(shí)別是基于人類思維的事物識(shí)別，提取人腦特征，將計(jì)算機(jī)中常用的兩種邏輯轉(zhuǎn)化為連續(xù)邏輯。模糊識(shí)別結(jié)果以關(guān)聯(lián)度表示，關(guān)聯(lián)度以對(duì)象和類標(biāo)識(shí)的程度表示。對(duì)象可以屬于一個(gè)類，也可以屬于另一個(gè)類。為了根據(jù)一個(gè)群體的歸屬程度來確定不同類別之間的關(guān)系，選擇的集合被分成幾個(gè)類別，使不同類別的選舉之間的差異盡可能大，而同一類別的樣本之間的差異盡可能少。

2.4 支持向量機(jī)模式識(shí)別

支持向量模式統(tǒng)計(jì)是以理論為基礎(chǔ)的，基本原理是在年空間或構(gòu)造特征最好的超平面上進(jìn)行劃分，使得線性超平面與不同類別之間的最大距離不可分割樣本情況下SVM可以利用核函數(shù)進(jìn)行非線性變換，通過低維數(shù)據(jù)的映射，在高維空間變換中獲得最優(yōu)分類超平面，在不增加計(jì)算量的情況下提高分類精度。

2.5 粗糙集模式識(shí)別

粗裝配是處理不精確和不確定信息的一種新的數(shù)學(xué)工具。它可以進(jìn)行有效的數(shù)據(jù)挖掘分析，發(fā)現(xiàn)數(shù)據(jù)背后的知識(shí)和規(guī)律。它將分類解釋為構(gòu)成特定空間分區(qū)的特定空間中的等價(jià)關(guān)系。其主要原則是使用已知的知識(shí)庫(kù)來描述大致不完整和不確定的知識(shí)。

統(tǒng)計(jì)識(shí)別方法是最成熟、應(yīng)用最廣泛的方法。根據(jù)圖像灰階的特征，研究了圖像灰階的定量統(tǒng)計(jì)特性。這個(gè)想法簡(jiǎn)單易行。貝葉斯分類以其獨(dú)特的不確定性知識(shí)表達(dá)、豐富的概率表達(dá)和融合前人知識(shí)的增量學(xué)習(xí)等特點(diǎn)而備受關(guān)注。但是，由于應(yīng)用場(chǎng)景的精度有限，需要進(jìn)一步改進(jìn)和驗(yàn)證其適應(yīng)性。

粗糙集不需要數(shù)據(jù)集之外的任何先驗(yàn)知識(shí)來處理問題，避免了主觀因素的影響，通過屬性約簡(jiǎn)可以得到更清晰的決策規(guī)則。粗糙集提供了一種比模糊集更有效的數(shù)學(xué)方法，并被廣泛應(yīng)用于各個(gè)領(lǐng)域。

3 基于改進(jìn)FCM和粗糙集的臉板形態(tài)診斷

根據(jù)瞼板腺形態(tài)的不同，圖像也呈現(xiàn)不同的紋理特征，如圖是瞼板腺的4種典型圖像，其中①為正常型，腺管分布均勻，沒有腺管的擴(kuò)張缺失；②為縮短型，腺管排列較整齊，縮短，但缺失面積小于總面積1/3；③為缺失型，腺管明顯缺失，缺失面積達(dá)到總面積1/3～2/3；④為嚴(yán)重缺失型，腺管不明顯，基本全部缺失。

用模式識(shí)別方法對(duì)瞼板腺圖像進(jìn)行識(shí)別通常包括圖像預(yù)處理、特征提取、分類和決策，本文將改進(jìn)FCM和粗糙集理論結(jié)合應(yīng)用于瞼板腺圖像的識(shí)別中，其訓(xùn)練過程如圖2所示。

圖2 各形態(tài)瞼板腺圖像

3.1 瞼板腺圖像預(yù)處理

醫(yī)學(xué)成像過程中由于設(shè)備限制、人為操作等原因經(jīng)常導(dǎo)致瞼板腺圖像模糊，在一些細(xì)節(jié)上沒有明顯的灰度差異，從而使圖像質(zhì)量不高，影響醫(yī)生判決。圖像增強(qiáng)是為了改善圖像質(zhì)量，提高圖像灰度層次，使圖像中的細(xì)節(jié)信息增強(qiáng)，使圖像更適合人眼或機(jī)器處理。本文采用增強(qiáng)高通濾波技術(shù)，消除模糊，使低頻成分受到抑制，而高頻細(xì)節(jié)成分得到增強(qiáng)，使圖像變得更加清晰。

圖像分割是為了把圖像中感興趣的區(qū)域分割出來，為后續(xù)的分析處理提供可靠依據(jù)。分割質(zhì)量的好壞將直接影響到后續(xù)圖像識(shí)別的效果。本文中眼瞼部分對(duì)診斷瞼板腺功能有著重大意義，利用圖像中眼瞼區(qū)域紋理與其他區(qū)域的不同，將形態(tài)學(xué)方法和局部熵濾波相結(jié)合，設(shè)計(jì)了一種紋理濾波的分割方法。

3.2 Tamura紋理特征提取

根據(jù)人類對(duì)紋理視覺感知的心理，Tamura等提出了一種紋理特征的表達(dá)形式，分別是粗糙度、對(duì)比度、方向度、線性度、規(guī)整度及粗略度，本文利用這些特征量對(duì)瞼板腺圖像進(jìn)行研究。

3.3 瞼板腺圖像分類及結(jié)果分析

為驗(yàn)證方法的有效性，本文分別用結(jié)合傳統(tǒng)FCM的粗糙集方法和結(jié)合改進(jìn)FCM的粗糙集方法對(duì)40例瞼板腺樣本進(jìn)行測(cè)試。其中瞼板腺正常型8例，縮短型14例，缺失型10例，嚴(yán)重缺失型8例。測(cè)試結(jié)果如圖3所示。

圖3 重點(diǎn)人員識(shí)別主要流程圖

結(jié)果表明：結(jié)合傳統(tǒng)FCM和粗糙集的分類方法40例測(cè)試樣本中的32例分屬到正確的類別中，但由于聚類過程受到孤立點(diǎn)影響，聚類中心隨機(jī)選擇等因素，使得到的分類結(jié)果不是最優(yōu)，識(shí)別率只能達(dá)到80%；經(jīng)過改進(jìn)的FCM算法克服了傳統(tǒng)算法對(duì)初始聚類中敏感，容易受孤立點(diǎn)影響的缺陷，產(chǎn)生較高質(zhì)量的聚類結(jié)果，為粗糙集在屬性約簡(jiǎn)保留更準(zhǔn)確的分類信息，從而形成更清晰、簡(jiǎn)明的分類規(guī)則。本文的識(shí)別方法能將40例樣本中39例分屬到正確類別中，識(shí)別率高達(dá)97.5%。

4 結(jié)語

隨著各種新型的成像設(shè)備應(yīng)用于臨床，醫(yī)學(xué)診斷中圖像的種類越來越多，涉及到的組織器官也是豐富多樣，在協(xié)助醫(yī)生診斷的同時(shí)也大大增加了醫(yī)生的負(fù)擔(dān)。模式識(shí)別能用機(jī)器對(duì)醫(yī)學(xué)圖像的模式信息進(jìn)行處理和分類，緩解醫(yī)生的工作壓力。本文針對(duì)兩種不同的醫(yī)學(xué)圖像對(duì)現(xiàn)有的模式識(shí)別算法進(jìn)行研究和改進(jìn)。