一、基于语义的医学图像数据库系统（论文文献综述）
甘丹[1]（2020）在《面向多模态数据的医疗与健康决策支持研究》文中研究指明医疗数据应用对全民健康的发展产生巨大影响,如何从多模态数据中挖掘出有用的知识,为临床诊断和患者择医提供决策支持,是医疗数据应用面临的重大挑战。本文使用机器学习和深度学习方法解决了医疗数据应用中不平衡数据导致误判/漏判造成决策损失问题、多属性冗余导致难以获取核心特征问题、非结构化文本数据产生知识粒度精细化和推理能力泛化之间的矛盾问题、以及医学图像数据小样本、少（无）标注影响深度网络推理效率问题。主要研究成果如下:（1）面向不平衡数据的医疗智能诊断分类决策,本文提出基于代价敏感集成学习Ada C-TANBN算法;采用由样本分布概率确定的可变错误分类成本表示正负样本错误分类代价,然后使用不平衡医疗数据集对模型性能进行验证,结果表明其在分类准确度、特异度、灵敏度、AUC值和ROC曲线等方面要优于其它同类优秀算法。（2）面向多属性数据的医疗智能诊断分类决策,本文提出基于混合启发式GA-MLP算法;采用GA算法对属性权重进行优化,与对应属性组合作为新的输入,然后寻找MLP的最优参数组合进行分类,再使用医疗多属性数据集对模型性能进行验证,结果表明其在分类准确度、特异度、灵敏度、AUC值、ROC曲线和epoch值等方面要优于其它对比算法。（3）面向文本数据的医疗评论情感分类决策,本文提出基于互信息特征权重的半监督学习算法;使用台湾大学NTUSD简体中文情感词典对爬取的医疗文本评论进行分词处理形成语料库,从属性粒度入手,建立基于互信息特征权重的半监督学习模型,最后使用语料库数据集对模型性能进行验证,结果表明其在医疗评论文本情感极性分类上具有良好性能。（4）面向图像数据的医疗智能诊断分类决策,本文提出基于图像增强和迁移学习的卷积神经网络算法;采用亮度变暗处理+添加高斯噪声进行图像增强,然后使用Le Net网络、Alex Net网络和Res Net网络对增强后的图像迁移学习,最后使用基于不同成像原理的医学图像数据集对模型性能进行验证,结果表明Alex Net网络在分类准确度、Loss损失值和运算时间方面具有良好性能。
徐宽[2]（2020）在《图像哈希检索算法研究》文中提出随着图像与视频数据库规模与复杂度的提升,基于内容的图像检索算法受到愈来愈多的关注。哈希算法可以视作遍历式搜索的一种优化策略,它将图像编码为0,1表示的哈希编码串,并使得编码的重合程度反映图像的相似性,从而将复杂的图像匹配度计算转为二值与或运算进行。由于哈希算法较高的检索效率与空间利用率,使其逐渐成为图像检索领域的一大主流方向。哈希算法设计中,有两个环节需要着重关注,即保似哈希投影方法的设计,以及对图像之间相似性信息的利用。前者决定了哈希过程能否保留足够的原始空间信息,后者决定编码的相似性与样本的相似性是否具有一致性。本文中,我们对上述两个环节在不同算法中存在的问题展开探究,并结合医学领域检索任务进行算法应用。关于数据无关哈希方法的研究,本文对一种类脑的数据无关哈希算法——果蝇局部敏感哈希（Fly Local Sensitive Hashing,FLSH）的效果及存在的问题展开具体研究。FLSH算法受生物神经过程启发,其投影流程与传统局部敏感哈希族算法着有较大区别,使得其在保证编码效率的同时可以保留更多原始空间样本的相似拓扑结构。本文在医学图像检索任务中进行了算法应用,针对医学影像数据的特点,提出了基于SIFT特征的FLSH算法,与传统的局部敏感哈希族算法相比,该算法在针对骨扫描图像的检索任务中取得了较好的检索性能。针对FLSH算法过程的改进,本文提出了基于随机采样的FLSH算法,对方法流程中投影矩阵的采样率这一参数进行随机化,从而对FLSH的原型——果蝇嗅觉处理神经系统进行更好地建模。在CIFAR-10与Caltech256两个公开数据集上的实验显示,我们的算法不仅相比原始FLSH算法有较为明显的性能提升,和一些无监督哈希算法相比也取得了相当甚至更优的效果。关于监督哈希算法的研究,本文针对深度哈希学习中可能存在的模型退化问题进行了分析与探究。我们在实验中发现,单点式深度哈希模型利用分类任务训练哈希编码的思路会导致模型过度关注图像的语义标签信息,而忽略图像的内容信息,从而退化为一个分类模型。我们认为这一过程的核心原因是模型对监督信息的过度依赖,并基于此提出了结合无监督与监督哈希学习算法的联合哈希学习框架。该框架包含一通过分类任务训练编码的监督哈希编码分支与一采用自编码器进行哈希的无监督哈希编码分支。两个分支输出的结果共同组成新的联合哈希编码。实验表明,我们提出的框架在语义检索效果上达到了最优模型的程度,除此之外,联合哈希学习框架生成的编码包含了更为丰富的图像内容信息,从而证明了其作为基于图像内容的检索算法的有效性。
齐亚莉[3]（2017）在《基于内容的图像检索与图像语义分析》文中研究表明基于内容的图像检索技术具有广阔的应用前景,低层视觉特征与高层语义特征之间的“语义鸿沟”是制约该技术应用的主要问题。本文围绕基于内容的图像检索技术中的“语义鸿沟”问题,对相关反馈技术和图像语义分析技术进行了研究,完成的主要工作包括:针对相关反馈的小样本、正负样本集的不对称、以及图像检索中的标识样本与未标识样本之间的不平衡问题,提出了基于主动学习支持向量机的相关反馈图像检索方法。在选择参与主动学习的样本时,提出了基于低层视觉特征相似度和支持向量机最优分割面的确定策略,选择离分割面最近的负样本参与主动学习,该策略遵循主动学习的本质,避免了不确定性样本选择策略的随机性;在主动学习过程中,设计自适应正则化规则,选择最合适的正则化参数,提升了系统的泛化性。实验表明,该方法有效地提升了图像检索效率,检索系统具有更高的准确性和更好的泛化性。针对全局特征表达图像语义准确性低的问题,研究了图像局部区域分割技术,提出了基于对象语义的图像分类方法。设计了一种基于高斯混合模型和条件随机场的对象区域分割方法,获得图像中的对象区域;利用多层感知器进行有监督学习,生成对象语义模板,解决对象语义相似度的问题;利用训练好的对象语义模板,对图像进行分类。实验表明,提出的分类方法对于二语义图像具有很高的分类准确率。传统的图割方法在对多标签语义图像进行分割时,计算复杂度非常高。针对这个问题,提出了基于图割的多标签图像语义自动分割方法。利用主颜色区域作为标签种子,不需要先验知识,也不需要选择种子像素或区域,降低了因选用像素或超像素而引起的计算复杂度;利用α-扩展移动算法进行优化,提升分割速度。实验表明,该自动分割算法具有较快的分割速度和较好的分割准确率,且比人工配置的多标签分割有更好的性能。针对视觉词袋在图像语义分类中准确性低、消耗时间长的问题,提出了基于语义词袋的检索方法。在语义区域分割的基础上,利用支持向量机进行语义标注和分类;用区域语义词汇代替传统的视觉词汇,精炼图像语义表达的准确性,减少语义词汇量。实验表明,该方法提高了图像语义表达的准确性,具有更好的检索性能。
冯雪[4]（2017）在《DICOM本体的模糊语义扩展与智能查询技术研究》文中研究指明PACS 系统即 Picture Archiving and Communication System,也称医学影像信息系统,与医院信息系统HIS（Hospital Information System）、检验信息系统LIS（Laboratory Information System）、电子病历系统 EMRS（Equipment Maintenance Reporting System）等系统共同构成了现代数字化医院的应用体系。PACS系统以数字化医疗影像的采集、传输、存储和诊断为核心,解决放射科等医学图像产生科室的数字化流程问题,并进一步解决图像处理、数据挖掘等高级应用问题。PACS系统的一系列核心功能,如图像采集、图像传输、图像存储、诊断报告等都基于一个国际标准 DICOM（Digital Imaging and Communications in Medicine）,即医学数字成像和通信标准,当前基于DICOM标准的各项科学研究成为数字医疗领域的一大热点问题。DICOM标准给放射学流程带来了革命性的改变,变传统检查流程为全数字化的工作流程,使高级医学图像应用成为可能。DICOM数据是.dcm后缀,表明这是一个遵循DICOM标准的图像数据。DICOM图像数据包含相关的图像序列和一个头文件,头文件依照DICOM标准的定义包含有图像相关的语义,如患者相关信息、检查设备相关信息、诊断描述相关信息等。这些信息给对应的图像序列营造了一个丰富的语义环境,赋予了对应的图像序列一个丰富的语义标识,为针对这个图像序列的语义挖掘奠定了基础。PACS系统经过长年的使用生产了大量的DICOM图像数据,这些数据囊括了各个医疗学科的相关图像,图像携带了各个学科的语义信息,整个DICOM数据库就是一个医疗全学科诊断学知识库。基于它的语义特性,该数据库已成为数字医学管理和研究的重要对象,如何对其进行科学的组织和管理,使其在医疗、科研、教学中发挥应有的作用,成为DICOM标准相关研究的一个热门课题。语义Web技术可以很好的解决DICOM数据的语义重用问题,它基于描述逻辑和本体论等相关技术对领域信息进行描述和逻辑推理。目前大量的研究工作致力于语义Web相关技术。从构建的角度来看,DICOM数据库包含大量诊断语义信息,为了使相关应用能够对其访问和处理、重用和共享,从中抽取本体和描述逻辑知识库已经成为DICOM标准研究领域中的一个热点。从存储的角度来看,DICOM本体和描述逻辑知识库是规模庞大的,如何有效地存储进这些资源变得越来越重要。应当指出的是,PACS系统应用中存在着不精确和不确定信息,尤其是诊断语言中因个语言人习惯、同义词、近义词的使用等而使图像携带的诊断信息含有更多的不确定性和不精确性。为了表示与推理类似现实应用中广泛存在的模糊知识,使语义Web具有处理模糊知识的能力,当前已有大量的研究工作致力于本体的模糊扩展,相应的,模糊本体的抽取、存储和查询也成为热点研究问题。从知识重用的角度看,构建模糊DICOM本体的目标是在其上实现智能查询。因此,面向模糊本体的模糊语义查询扩展技术和查询优化技术也是一个重要的研究方向。DICOM早期版本给出了结构化报告SR（Structured Report）的信息对象IOD（Information object definition）的定义,在最新的2015版中对其进行了升级,使SR符合HL7（Health Level 7）标准。SR将DICOM图像数据诊断报告按照标准结构组织起来,并使用代码表达诊断医学的相关概念,解决了传统的诊断报告与图像数据分离的问题,也使DICOM图像数据携带了更多的诊断医学领域的语义信息。目前,关于DICOMSR的开发与应用研究,已经成为国内外研究的热点,然而问题与挑战依然存在。目前,精确化定义的SR并不能表示实际应用中的模糊语义,也无法解决用户的模糊查询问题。纵观国内外,目前并没有将模糊技术应用于DICOM SR的扩展和查询的研究。为此,本文系统地研究了 DICOM标准的模糊化扩展和智能语义查询问题,具体的研究工作包括以下五个方面:（1）针对PACS系统和DICOM标准的特点,分析了 DICOM标准模糊化扩展的技术路径,首先在已有研究工作的基础上给出了 PACS系统本体演化和DICOM标准模糊化扩展中的4种数据描述模式的经典形式化模型,包括PACS系统的ER概念模型、关系数据库模型、XML模型、OWL本体模型定义,并进一步基于模糊理论对这4种经典模型进行模糊化扩展,提出了这4种模型的模糊逻辑扩展的形式化定义。最后基于经典关系模式到本体的映射方法给出了映射方法的模糊化扩展,用于实现从PACS系统的模糊关系模式到模糊DICOM本体的映射。（2）研究了 DICOM标准的模糊语义扩展。首先提出了 PACS系统和DICOM标准领域知识的获取和表示方法,之后提出了一个基本DICOM本体知识模型,并基于模糊集理论研究了基本DICOM本体的模糊知识表示和语义扩充。给出了模糊DICOM本体的基本信息模型,在此基础上研究了模糊DICOM本体的编码方案、关系类型和映射方法。给出了模糊DICOM本体的构建方法,研究了构建过程中关于模糊DICOM本体中的类、属性和属性关系、属性约束及关系的OWL表示,并给出了验证所构建本体的逻辑性的方法。最后研究了模糊DICOM本体的持久化方法,给出了一个模糊DICOM本体的总体存储框架,并对该方法进行了实验与分析。（3）为对扩展后的模糊DICOM标准模型进行智能查询,研究了针对模糊逻辑的查询推理方法。基于智能查询的技术路径研究了模糊描述逻辑的查询语言、查询应答、语义推理和语义匹配的形式化模型,并给出了相应的实例,提出了面向模糊逻辑查询推理的FDLQ推理机算法,并给出了实验结果与分析,对实现模糊DICOM本体的智能查询奠定了技术基础。（4）基于DICOM标准的模糊化语义扩展以及模糊描述逻辑的查询推理方法,提出了面向模糊DICOM本体的语义查询处理方法。研究了模糊DICOM本体的语义查询的基本过程、形式化技术和查询扩展,提出了基于用户偏好的智能查询处理方法。给出了模糊DICOM本体的语义查询引擎的设计,并研究了基于该查询引擎的优化技术。最后将研究内容应用于模糊DICOM本体的语义查询,并进行了实验,给出了结果分析。（5）基于DICOM标准关于结构化报告SR的定义,提出了基于模糊DICOM本体的模糊化结构化报告FSR。首先研究了结构化报告SR中关于数值和诊断的XML表示,然后将其扩展到FSR的XML表示。最后给出了 FSR的智能化查询系统的总体框架和功能实现,并对系统的应用效果进行了实验和评估。本文的研究工作构建了 一个较为完整的模糊DICOM本体智能化查询的理论框架,已经取得了系列原创性的研究成果,从而为语义Web和PACS系统图像数据库之间语义互操作的实现奠定了坚实的理论基础,同时也为模糊DICOM本体管理的实现提供了有效的技术支持。
吴梦麟[5]（2015）在《基于半监督学习的医学图像检索研究》文中认为随着医学成像技术的发展和普及,医院和医疗研究机构产生的医学影像数据（CT, MRI, X射线等）呈现海量化的增长趋势。如何准确、有效地管理和分析医学影像数据库,是当前生物医学领域的一个关键课题。基于内容的图像检索技术以图像的视觉特征作为依据,快速查询病理相似的临床医学影像,成为计算机辅助诊断和医学研究的重要手段。然而现有的医学图像检索系统存在三方面的问题：首先,医学图像中医学本体属性复杂,不利于发现和描述；其次,图像的底层特征与高层医学语义之间存在语义鸿沟,仅仅采用视觉特征作为相似性匹配和度量的依据,不能有效的表达用户的查询语义；最后,检索过程中忽略了医学病例中包含的文本标注信息及其表达的语义特征。针对以上问题,本文以基于图的半监督学习方法为主要理论基础,重点探讨了医学图像检索中的四个关键环节：结合视觉语义的影像检索、相关反馈模型、基于多模态信息的医学病例检索和高效的检索算法。论文的主要的研究内容和创新性成果如下：（1）提出一种结合视觉语义和局部特征的医学图像检索方法。该方法首先在基于图的半监督学习框架中嵌入结构假设,提出一种加入密度约束的标记传播算法,以获得查询图像的类别归属度作为视觉语义；然后提取图像的Dense SIFT特征生成视觉单词,得到图像的局部特征表示；最后设计基于视觉语义和局部特征的相似性度量方法。实验结果表明,该方法能够有效的表达查询图像的医学语义,检索效率优于单一底层特征检索。（2）根据医师对查询的反馈信息,构建一个基于成对约束传播的相关反馈模型。其基本思路是将正负反馈转化为正负约束并将约束信息传播到整个数据集以重构流形,然后在新流形结构上对医学影像进行有偏的流形排序。本文方法降低了传统相关反馈中的小样本问题和不对称训练问题对检索结果的影响。在此基础上,本文提出了基于长期反馈策略的医学检索框架,能够根据历史的查询信息更新检索模型,其检索性能优于其它常用反馈模型。（3）针对计算机辅助诊断中的相似病例查询,提出一种基于多图半监督学习的多模态病例检索算法。该算法将医学影像和文本标注视为相互补偿的不同模态的信息,定义结合视觉特征和文本标注的多图融合的半监督学习框架,目的是根据图正则化模型将不同模态的特征在流形上进行融合,通过在融合图上进行流形排序获得最终的病例检索结果。多个病例影像数据库上的实验结果表明,该算法能够有效地利用影像和文本信息进行病例检索。（4）提出一种面向多特征的快速流形排序算法。计算复杂度是图方法应用于实际数据处理的瓶颈,本文采用锚点图实现对原图的重构,在保持流形结构的前提下简化图模型。本文提出基于序贯融合的多特征检索模型,在降低图的构建和排序计算两方面的复杂度的同时,通过多特征的图像表示来提升流形排序的性能,从而在保持检索精度的情况下大幅度提高检索速度。
郑冰[6]（2013）在《面向肺部CT影像表征的多层语义检索》文中研究说明随着计算机技术和医学影像技术的不断发展，医学影像已经成为医生进行病情分析诊断的重要依据。现代化的医院每天都要产生大量的医学影像数据，如何能在这些海量的数据中快速准确地找到特定的图像，是目前医生要面临的亟待解决的问题。本文在分析总结多种图像检索算法的基础上，结合基于语义的图像检索技术和医学影像的专业领域知识，设计并实现了面向肺部CT影像表征语义关键词的医学图像检索系统。本文对图像检索技术的发展历史进行了简要的回顾，对国内外基于语义的医学图像检索的研究现状进行了总结和分析，介绍了图像语义检索中的关键技术。本文利用肺部CT图像对语义检索技术做了系统深入的研究。首先，为了提取出肺部CT图像中的有意义区域即肺实质，设计了一种实现简单且实验效果较好的肺实质分割算法。该算法利用常规方法提取肺实质的粗略轮廓，并针对肺实质病灶信息等的缺失现象，利用改进的二维凸包算法对肺实质的外轮廓进行再修复，而内轮廓的修复利用区域生长和形态学运算进行实现。然后，分别对原始的CT图像和有意义区域的图像进行了灰度和纹理特征提取，分别是：灰度直方图统计特征，灰度共生矩阵纹理特征，Tamura纹理特征和Gabor小波纹理特征。而后分析了医学图像的高层语义特征，通过医生给出的诊断分析统计出现频率较高的影像表征的词汇作为该幅图像的语义关键词，共选出六个语义关键词（空腔空洞、结节肿块、水样弧形低密度影、斑点状密度增高影、斑片状密度增高影和斑块状密度增高影），并针对医学图像建立了医学图像的语义层次模型。利用k-最近临分类算法进行图像低层特征到高层语义的映射，实验结果表明改进的k-最近邻分类算法具有较好的映射效果，是一个简单有效的映射方法。最后，利用流形学习的理论，采用了一种基于图像流形的反馈方法以更好地满足用户的检索意图，提高系统的检索精度。根据本文涉及的相关的算法及医学图像语义层次模型，利用Visual C++平台和MySQL数据库系统设计并实现了一个基于语义的医学图像检索系统，实验证明该系统能够实现对肺部CT图像影像表征语义关键词的有效检索。
高永岗[7]（2009）在《医学图像的语义标注技术研究与应用》文中进行了进一步梳理本文对医学图像语义标注的关键技术和算法进行了深入地研究;设计实现了医学图像语义标注检索系统的框架与结构;从医学图像内容本身和关联文本信息中挖掘语义信息,为医生提供医学图像语义自动标注和检索服务。作为国家自然科学基金资助课题“基于医学图像的数据挖掘技术研究（60372072）”的一部分,本文主要研究工作如下:（1）基于特征选择的医学图像分类标注。本文利用互信息（MI）及其改进的MI贪婪最优化算法实现医学图像的特征选择;实现了基于MI特征选择的支持向量机组（SVMs）分类标注,从而建立医学图像低层视觉特征到高层语义特征之间的映射关系;解决了医学图像语义标注中“语义鸿沟”问题和全部特征参与分类计算量大的问题。实验表明,基于MI特征选择的SVMs分类标注方法应用于医学图像分类标注中,取得了较好的效果。（2）基于混合模型的医学图像语义标注。本文提出的基于混合模型的医学图像语义标注,综合了基于MI特征选择的SVMs分类标注、基于训练集词汇互相关性的标注改善和基于中文一体化医学语言系统（CUMLS）的图像语义提取方法。该模型框架利用了每种算法的优良之处,提升了医学图像语义标注的准确性。同时,本文给出了基于训练集词汇互相关性的标注改善实现算法;提出了基于CUMLS的医学图像语义提取方法,从医学图像相关文本信息中提取语义。（3）医学图像视觉特征提取技术。本文实现了改进的中值滤波算法和粗糙集增强算法;分析并实现了基于Canny算子、区域不变矩和灰度共生矩阵的特征提取。（4）语义标注检索模型的设计与实现。根据所设计的医学图像语义标注系统的框架与结构,在调研医院的医学图像数据信息化需求基础之上,完成了医学图像语义标注检索系统研发。为医生提供医学图像语义自动标注和检索服务。
梁娜[8]（2008）在《基于语义的图像检索技术在医学影像系统中的研究与应用》文中研究表明医学影像是医生诊断的重要依据。随着计算机技术的不断发展,各种数字化的医学影像数据迅速增加,如何有效的从这些海量信息当中获取特定的图像,已成为当前亟待解决的问题之一。本文分析了目前图像检索的多种方法,将基于语义的图像检索技术应用于医学领域,并以颅脑CT图像为例进行了深入研究。现有医学图像检索仅是利用了文件的自身属性或是图像的低层视觉特征,鉴于医学图像具有极强的领域特征,本文把医生所关注的病理特征作为图像的语义特征,拓展了医学图像检索的范围。将医学影像学、图像语义提取以及文本语义理解等技术相结合,本文提出了一种基于语义的医学图像检索模型,并设计了医学图像检索相关算法。首先,采用自适应阈值分割、数学形态学、线邻接图等图像处理算法,充分利用DICOM文件信息,从医学图像的病理特征出发,一定程度实现了图像语义特征的提取;其次,对提取的语义特征进行向量化表示,并实现了检查报告书的辅助生成:最后,对向量空间模型做了适当的改进,利用医学用语的关联关系知识库修正向量权重,并改进了相似度算法,使其支持多特征的相似度融合,从而实现了医学图像的检索。根据提出的检索模型和相关算法,设计实现了一个基于语义的医学图像检索系统。实验证明,系统能够对DICOM格式的医学图像实现有效的语义检索。
刘伟[9]（2007）在《图像检索中若干问题的研究》文中研究说明图像含有比文本更为丰富的信息，在人们日常生活中发挥着重要作用。近年来由于因特网技术的发展及各种消费型电子产品的普及，每天都有巨量的数字图像产生和发布。在多媒体数据库中快速、有效地寻找所需要的图像是一个非常有意义的课题。目前工业界的许多图像搜索引擎(如GoogleTM和百度TM)在搜索图像时并没有按照图像内容本身来搜索，而是根据与图像相关联的文字信息来完成搜索任务。导致搜索结果不尽如人意。基于内容的图像检索是有望解决这一问题的关键技术。本文对这一技术中的几个问题进行了研究，取得了如下结果：纹理特征是图像检索中广泛使用的重要底层视觉特征。本文将图像纹理视为非线性动力系统产生的信号，使用2种非线性信号分析方法-复杂性方法和希尔伯特-黄变换（HHT）方法来提取图像的纹理特征并将之用于纹理图像检索。得出的结果有：（1）将时间序列复杂性方法用于图像纹理分析与检索。所做的工作和得到的结论是：比较了8种时间序列复杂性方法用于图像检索时的性能，发现基于符号动力学和基于熵的方法不适于图像检索；基于频谱分析的CO复杂性特征适于图像检索，该特征的检索性能与二维图像一维化的扫描方法有关；实验表明采用Hilbert扫描方式的CO复杂性特征在Brodatz纹理库上取得了和Gabor特征极为接近的检索结果，计算特征所需要的时间比Gabor特征少了一个数量级；由图像阈值化算法得到启发，提出了一个新的一维时间序列粗粒化框架；提出了多种基于二维CO复杂性测度的纹理特征：复杂度直方图和多尺度复杂度直方图、复杂度共生矩阵、复杂度纹理谱和多尺度复杂性特征；实验表明基于金字塔分解的多尺度复杂性特征在不同的实验图像库上检索性能稳定，是一种较好的纹理特征；（2）将希尔伯特-黄变换方法用于图像纹理分析与检索，所做的工作和得到的结论是：提出了一种新的基于聚类的边界处理算法以改善经验模式分解（EMD）方法所产生的边界效应问题；使用二维Hilbert变换计算了内禀模态函数（IMF）的幅值作为检索用的图像纹理特征。实验表明，提出的HHT特征可以取得和Gabor特征较为接近的图像检索结果。图像的显着性区域是表达图像语义的主要部分。本文尝试使用一个基于视觉生理和心理物理实验基础的选择性视觉注意计算模型用于自然图像检索的研究。所做的工作和得到的结果是：（1）使用视觉注意计算模型计算了图像中的兴趣点并提取兴趣点周围的局部特征用于图像检索。提出的检索特征有图像的显着性直方图特征、图像的显着性标签和注意焦点（FOA）空间关系直方图特征。实验结果表明显着性标签和FOA空间关系混合编码的直方图特征可以取得比全局直方图特征更好的检索结果；在采用视觉注意计算模型计算得到的图像显着性区域上提取的一些区域特征可以取得比全局特征更好的检索结果；（2）提出了将潜在语义标引方法和视觉注意计算模型结合起来用于自然图像检索的方法；（3）提出了在多示例学习框架下基于视觉注意计算模型和JSEG图像分割算法的包生成器方法，并将其用于自然图像检索。图像检索实验表明基于JSEG分割算法的包生成器取得了比一些文献中提出的包生成器更好的实验结果。本文提出了“图像语义阈值”的新概念及其度量方法。通过计算机实验和心理物理学实验初步得到如下结论：在自然图像认知或理解时存在一个语义阈值；可以通过图像的图像熵和图像分维数及类似Weber律的方法来度量该阈值；差别阈限图像及其原始图像的度量值的比值与图像语义内容无关，而和色彩模式（彩色或灰度）及图像的变换方法相关。本文作者还设计与开发成功了一个图像检索实验平台。使用该平台方便了研究者进行图像检索实验研究，提高了工作效率，便于他们之间进行学术交流。这项工作具有一定的应用价值。
邵虹[10]（2005）在《基于内容的医学图像检索关键技术研究》文中研究表明互联网上的信息除了文本之外,还有大量的图像、图形、视频、音频及动画等,对这些媒体类型的信息进行快速准确地检索已经成为人们的迫切需要,因此基于内容的多媒体检索应运而生。基于内容的医学图像检索是基于内容的图像检索技术在医学领域中的应用,在临床、教学、科研以及医学图像归档和通信系统（PACS）中都有着重要的作用。在目前基于内容的图像检索技术还不成熟的情况下,如何将图像检索与医学图像有机地结合,为医师提供便捷准确地检索图像的手段,并为其诊断提供辅助的建议,是本文的主要研究目标。 本文在系统地分析基于内容的图像检索关键技术及发展趋势基础上,对医学图像语义特征提取方法、图像内容和文本信息的结合、综合特征图像检索中权重的优化、医学图像检索与计算机辅助诊断的关系等基于内容的医学图像检索面临的关键问题进行了系统、深入和较为全面的研究,主要包括: （1） 底层特征和语义特征相结合的医学图像描述方法 在通用的基于内容的图像检索框架基础之上,结合医学图像的特点,给出了基于内容的医学图像检索框架,描述了各模块的功能。从该框架中可知图像的分析描述模块是图像检索的关键步骤之一。目前图像的描述主要是基于颜色、纹理和形状等底层特征的表示方法,与人类对图像的描述存在较大的差异,为此人们提出了采用语义特征描述图像。目前图像语义的获取主要有三种来源,分别是基于知识的语义提取、人工交互语义提取和利用外部信息源的语义生成,将这三条主线应用于医学领域中,提出了层次化的医学图像语义模型,语义内容级别由低到高分别为:概况语义、医生语义和对象语义,下一个层次包含了比上一个层次更高级的语义,而更高层的语义建立在较低层的语义获得的基础上。该模型将医学数字图像通信标准（DICOM）和医生给出的诊断报告应用到了医学图像检索中,这两项内容是与图像息息相关的文本信息,但却是不可缺少的语义内容。在此基
二、基于语义的医学图像数据库系统（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于语义的医学图像数据库系统（论文提纲范文）
（1）面向多模态数据的医疗与健康决策支持研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究内容和技术路线 |
| 1.2.1 研究内容 |
| 1.2.2 研究方法 |
| 1.2.3 技术路线 |
| 1.3 研究的创新点 |
| 第2章 相关研究与文献综述 |
| 2.1 数据驱动的医疗与健康决策 |
| 2.1.1 医疗与健康决策研究 |
| 2.1.2 多模态医疗与健康数据 |
| 2.2 智能医疗与健康决策的应用 |
| 2.2.1 临床决策支持系统 |
| 2.2.2 医疗语义检索系统 |
| 2.2.3 医疗智能问答系统 |
| 2.3 多模态数据特征提取与融合处理 |
| 2.3.1 多模态数据特征提取 |
| 2.3.2 多模态数据融合推理 |
| 2.3.3 多模态数据处理与深度学习 |
| 2.4 医学图像智能识别及应用 |
| 2.4.1 医学图像分割 |
| 2.4.2 医学图像知识抽取 |
| 2.4.3 医学图像检测与分类 |
| 2.4.4 计算机辅助诊断与图像检索 |
| 2.5 相关研究评述 |
| 第3章 面向不平衡数据的医疗智能诊断分类决策 |
| 3.1 问题描述 |
| 3.2 基于最小错误分类损失的贝叶斯建模 |
| 3.2.1 贝叶斯分类 |
| 3.2.2 错误分类损失 |
| 3.2.3 错误分类的平均损失 |
| 3.2.4 错误分类损失的最小化 |
| 3.3 基于代价敏感集成学习分类算法 |
| 3.3.1 TAN树-贝叶斯分类 |
| 3.3.2 基于代价敏感Ada Boosting算法 |
| 3.3.3 Ada C-TANBN集成学习算法模型 |
| 3.3.4 Ada C-TANBN集成学习算法流程 |
| 3.4 实验设计和结果分析 |
| 3.4.1 实验数据集 |
| 3.4.2 实验评价指标 |
| 3.4.3 实验结果对比 |
| 3.4.4 实验结论 |
| 3.5 本章小结 |
| 第4章 面向多属性数据的医疗智能诊断分类决策 |
| 4.1 问题描述 |
| 4.2 不同分类器结合方式的特征选择 |
| 4.2.1 过滤式特征选择算法 |
| 4.2.2 封装式特征选择算法 |
| 4.2.3 嵌入式特征选择算法 |
| 4.2.4 集成式特征选择算法 |
| 4.2.5 不同特征选择算法的对比 |
| 4.3 常见的几种基分类器 |
| 4.3.1 基于KNN的分类模型 |
| 4.3.2 基于NB的分类模型 |
| 4.3.3 基于SVM的分类模型 |
| 4.4 基于混合启发式算法的分类建模 |
| 4.4.1 基于遗传算法的属性权重优化 |
| 4.4.2 多层感知机分类器 |
| 4.4.3 基于GA-MLP属性权重优化分类模型 |
| 4.5 实验设计和结果分析 |
| 4.5.1 实验数据集 |
| 4.5.2 实验评价指标 |
| 4.5.3 实验结果对比 |
| 4.5.4 实验结论 |
| 4.6 本章小结 |
| 第5章 面向文本数据的医疗评论情感分类决策 |
| 5.1 问题描述 |
| 5.2 不同文本粒度的情感分析 |
| 5.2.1 文档级情感分析 |
| 5.2.2 句子级情感分析 |
| 5.2.3 属性级情感分析 |
| 5.3 基于互信息特征权重算法建模 |
| 5.3.1 语料库的知识表示 |
| 5.3.2 特征空间的互信息度量 |
| 5.3.3 相关-冗余系数 |
| 5.3.4 R2C-MIFS特征选择算法流程 |
| 5.3.5 基于互信息的特征权重赋值 |
| 5.3.6 基于互信息特征权重的情感分析 |
| 5.4 实验设计和结果分析 |
| 5.4.1 实验数据集 |
| 5.4.2 实验对比方法 |
| 5.4.3 实验评价指标 |
| 5.4.4 实验结果对比 |
| 5.4.5 实验结论 |
| 5.5 本章小结 |
| 第6章 面向图像数据的医疗智能诊断分类决策 |
| 6.1 问题描述 |
| 6.2 卷积神经网络和迁移学习 |
| 6.2.1 卷积神经网络 |
| 6.2.2 迁移学习 |
| 6.3 基于卷积神经网络迁移学习图像分类建模 |
| 6.3.1 基于LeNet网络的图像分类模型 |
| 6.3.2 基于AlexNet网络的图像分类模型 |
| 6.3.3 基于ResNet网络的图像分类模型 |
| 6.4 医学图像增强预处理 |
| 6.4.1 医学图像数据集 |
| 6.4.2 数据集的图像增强预处理 |
| 6.5 实验设计和结果分析 |
| 6.5.1 不同医学图像分类模型的参数设置 |
| 6.5.2 基于KNN的医学图像分类结果 |
| 6.5.3 基于NB的医学图像分类结果 |
| 6.5.4 基于SVM的医学图像分类结果 |
| 6.5.5 基于CNN的医学图像分类结果 |
| 6.5.6 医学图像增强方式和倍数组合的对比 |
| 6.5.7 医学图像不同模型分类结果的对比 |
| 6.5.8 实验结论 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 研究内容总结 |
| 7.2 未来研究方向 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（2）图像哈希检索算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 图像哈希检索 |
| 1.3 图像哈希检索在医学领域的应用 |
| 1.4 国内外研究现状 |
| 1.4.1 图像哈希检索 |
| 1.4.2 图像哈希检索在医学领域的发展 |
| 第二章 哈希检索算法 |
| 2.1 数据无关的哈希算法 |
| 2.2 哈希学习及其基本思路 |
| 2.2.1 相似度定义 |
| 2.2.2 损失函数 |
| 2.2.3 优化策略 |
| 2.3 无监督哈希算法 |
| 2.3.1 谱哈希 |
| 2.3.2 交替迭代量化哈希 |
| 2.4 监督哈希算法 |
| 2.4.1 监督核哈希 |
| 2.4.2 监督离散哈希 |
| 第三章 基于FLSH算法的图像检索研究 |
| 3.1 问题概述 |
| 3.2 FLSH算法 |
| 3.2.1 算法思路概述 |
| 3.2.2 算法流程 |
| 3.2.3 算法分析 |
| 3.3 基于SIFT特征的FLSH算法在医学骨扫描图检索中的应用 |
| 3.3.1 骨扫描图像检索 |
| 3.3.2 SIFT算子介绍 |
| 3.3.3 基于词袋模型的SIFT特征提取 |
| 3.3.4 实验与结果展示 |
| 3.4 基于随机采样的FLSH算法 |
| 3.4.1 算法动机 |
| 3.4.2 基于随机采样的投影算法 |
| 3.4.3 基于多分布随机采样的FLSH算法 |
| 3.4.4 实验与结果分析 |
| 第四章 基于联合哈希学习框架的图像检索研究 |
| 4.1 问题概述 |
| 4.2 深度哈希模型 |
| 4.2.1 深度神经网络 |
| 4.2.2 两阶段深度哈希 |
| 4.2.3 端到端深度哈希 |
| 4.2.4 单点式深度哈希 |
| 4.3 监督信息诱导的模型退化问题 |
| 4.3.1 问题影响 |
| 4.3.2 原因分析 |
| 4.4 算法动机 |
| 4.5 模型结构 |
| 4.5.1 监督哈希分支 |
| 4.5.2 无监督哈希分支 |
| 4.5.3 联合哈希学习流程 |
| 4.6 实验结果与分析 |
| 4.6.1 实验设置 |
| 4.6.2 损失函数约束项影响分析 |
| 4.6.3 基于内容相似性的检索性能评估 |
| 4.6.4 基于语义相似性的检索性能评估 |
| 4.6.5 可视化结果对比 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
| 攻读硕士学位期间参与的项目 |
| 攻读硕士学位期间申请的专利 |
（3）基于内容的图像检索与图像语义分析（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 系统结构 |
| 1.2.2 国内外研究成果 |
| 1.2.3 存在的问题 |
| 1.3 本文的研究内容 |
| 第2章 基于主动学习支持向量机的相关反馈图像检索方法 |
| 2.1 相关反馈技术 |
| 2.1.1 相关反馈方法分类 |
| 2.1.2 相关反馈中存在的问题 |
| 2.2 主动学习 |
| 2.2.1 主动学习模型 |
| 2.2.2 主动学习模型的分类 |
| 2.3 基于支持向量机的主动学习方法 |
| 2.3.1 支持向量机 |
| 2.3.2 基于支持向量机的相关反馈图像检索算法 |
| 2.3.3 基于支持向量机的主动学习模型 |
| 2.4 正则化 |
| 2.5 新的主动学习支持向量机的相关反馈检索方法 |
| 2.5.1 未标注样本的选择策略 |
| 2.5.2 基于自适应规则的模型选择 |
| 2.5.3 新的相关反馈方法 |
| 2.5.4 复杂度分析 |
| 2.6 实验结果与分析 |
| 2.6.1 数据库 |
| 2.6.2 图像特征 |
| 2.6.3 性能评价和结果分析 |
| 2.7 本章小结 |
| 第3章 基于对象语义的图像分类方法 |
| 3.1 图像分割方法 |
| 3.1.1 基于边缘的图像分割方法 |
| 3.1.2 基于阈值的图像分割方法 |
| 3.1.3 基于区域的图像分割方法 |
| 3.1.4 基于特定理论的图像分割算法 |
| 3.4 对象区域分割 |
| 3.4.1 高斯混合模型 |
| 3.4.2 条件随机场 |
| 3.4.3 基于高斯混合模型与条件随机场的对象区域分割算法 |
| 3.5 基于对象语义的图像分类 |
| 3.5.1 多层感知器 |
| 3.5.2 多层感知器的训练 |
| 3.5.3 基于对象语义模板的图像分类 |
| 3.6 实验结果与分析 |
| 3.6.1 对象区域分割结果 |
| 3.6.2 对象语义模板训练结果 |
| 3.6.3 对象语义分类结果 |
| 3.7 本章小结 |
| 第4章 基于图割的多标签语义自动分割方法 |
| 4.1 图像语义分割 |
| 4.1.1 图像语义分割分类 |
| 4.1.2 典型的图像语义分割算法 |
| 4.2 基于图割的图像语义分割 |
| 4.2.1 图像与图 |
| 4.2.2 图割(Graph cut) |
| 4.2.3 最大流/最小割算法 |
| 4.2.4 最小割求解与能量函数 |
| 4.3 多标识区域语义分割算法 |
| 4.3.1 主颜色数特征 |
| 4.3.2 能量函数优化 |
| 4.3.3 自动分割算法 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第5章 基于语义词袋的图像检索方法 |
| 5.1 图像语义分析 |
| 5.1.1 特征语义化 |
| 5.1.2 图像语义分析算法 |
| 5.2 图像语义自动标注 |
| 5.2.1 基于机器学习的图像语义标注方法 |
| 5.2.2 基于分类的图像标注方法 |
| 5.2.3 基于统计模型的图像语义标注方法 |
| 5.3 基于语义词袋的图像语义分析、标注和检索方法 |
| 5.3.1 视觉词袋 |
| 5.3.2 语义分析和标注 |
| 5.3.3 基于语义的检索方法 |
| 5.4 实验结果与分析 |
| 5.4.1 准确性分析 |
| 5.4.2 时间复杂度分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 发表的论文与参加科研情况说明 |
| 致谢 |
（4）DICOM本体的模糊语义扩展与智能查询技术研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与动机 |
| 1.2 国内外现状与分析 |
| 1.2.1 基于语义的医学图像查询的现状与分析 |
| 1.2.2 模糊描述逻辑和模糊本体查询的现状与分析 |
| 1.3 本文研究意义及工作 |
| 1.3.1 研究意义与目标 |
| 1.3.2 研究内容 |
| 1.3.3 论文的组织结构 |
| 第2章 相关基础理论 |
| 2.1 PACS系统基础理论 |
| 2.1.1 PACS系统的概念 |
| 2.1.2 PACS系统的组成及原理 |
| 2.2 DICOM标准基础理论 |
| 2.2.1 DICOM标准的产生 |
| 2.2.2 DICOM标准的内容 |
| 2.2.3 DICOM的信息模型 |
| 2.2.4 DICOM的运行机制 |
| 2.2.5 DICOM SR |
| 2.3 本章小结 |
| 第3章 模糊描述逻辑与本体的形式化及映射方法 |
| 3.1 PACS系统模糊概念模型的形式化表示 |
| 3.1.1 模糊ER概念模型的定义 |
| 3.1.2 PACS数据库的模糊ER概念模型 |
| 3.2 模糊逻辑关系数据库模型的形式化表示 |
| 3.2.1 模糊逻辑关系数据库模型的形式化定义 |
| 3.2.2 模糊DICOM数据关系数据库示例 |
| 3.3 模糊逻辑的XML数据模型 |
| 3.3.1 模糊逻辑XML的形式化定义 |
| 3.3.2 模糊DICOM信息的FXML示例 |
| 3.4 模糊逻辑OWL本体的形式化描述 |
| 3.4.1 经典OWL本体的形式化 |
| 3.4.2 模糊OWL本体的形式化 |
| 3.5 模糊本体的映射方法 |
| 3.5.1 经典关系模式到本体的映射 |
| 3.5.2 模糊关系模式到模糊本体的映射 |
| 3.5.3 模糊本体的结构映射算法MAPFR20 |
| 3.5.4 实验结果与分析 |
| 3.6 本章小节 |
| 第4章 DICOM标准的模糊语义扩展 |
| 4.1 DICOM本体领域知识的获取和表示 |
| 4.1.1 PACS关系数据库的知识模型获取 |
| 4.1.2 DICOM本体领域知识的表示 |
| 4.2 DICOM本体的语义扩充 |
| 4.2.1 DICOM标准中的模糊知识表示 |
| 4.2.2 基于模糊集理论的DICOM本体的语义扩充 |
| 4.3 模糊DICOM本体的语义映射方法 |
| 4.3.1 模糊DICOM本体的信息模型 |
| 4.3.2 模糊DIOCM本体的编码方案 |
| 4.3.3 模糊DICOM本体的关系类型 |
| 4.3.4 模糊DICOM本体的关系实例映射 |
| 4.3.5 模糊DICOM本体的映射算法FDICOMMAP与实验结果分析 |
| 4.4 模糊DICOM本体的构建方法 |
| 4.4.1 模糊DICOM本体的OWL类 |
| 4.4.2 模糊DICOM本体的OWL属性和属性关系 |
| 4.4.3 模糊DICOM本体的OWL属性约束 |
| 4.4.4 模糊DICOM本体的OWL关系 |
| 4.4.5 模糊DICOM本体逻辑关系验证 |
| 4.5 模糊DICOM本体存储方法 |
| 4.5.1 模糊DICOM本体的总体存储框架 |
| 4.5.2 模糊DICOM本体的存储实例 |
| 4.5.3 实验结果与分析 |
| 4.6 本章小结 |
| 第5章 基于模糊描述逻辑的查询推理方法 |
| 5.1 模糊描述逻辑查询语言 |
| 5.1.1 描述逻辑的模糊化扩展 |
| 5.1.2 模糊合取查询语言 |
| 5.2 模糊描述逻辑查询应答 |
| 5.2.1 模糊逻辑知识库标准化与可满足性检查 |
| 5.2.2 模糊描述逻辑的查询语言重写与应答 |
| 5.3 模糊逻辑的语义推理机制 |
| 5.3.1 经典语义推理规则的形式化 |
| 5.3.2 经典语义推理规则的建立 |
| 5.3.3 模糊语义推理规则的扩展 |
| 5.4 模糊描述逻辑的查询语义匹配 |
| 5.4.1 精确查询语义匹配策略 |
| 5.4.2 查询语义匹配策略的模糊化扩展 |
| 5.5 FDLQ推理机算法与实验 |
| 5.5.1 FDLQ推理机算法 |
| 5.5.2 实验结果与分析 |
| 5.6 本章小节 |
| 第6章 基于模糊DICOM本体的智能语义查询处理方法 |
| 6.1 模糊DICOM本体语义查询处理的基本过程 |
| 6.2 模糊DICOM本体语义查询的查询语句形式化 |
| 6.2.1 查询语句的预处理 |
| 6.2.2 查询语句的语义扩展 |
| 6.2.3 基于用户偏好的智能查询 |
| 6.3 模糊DICOM本体语义查询处理引擎的设计 |
| 6.3.1 查询处理引擎的功能 |
| 6.3.2 查询处理引擎的优化 |
| 6.4 模糊DICOM本体的语义查询处理 |
| 6.5 实验结果与分析 |
| 6.6 本章小结 |
| 第7章 基于模糊DICOM本体的结构化报告FSR生成方法 |
| 7.1 结构化报告SR |
| 7.1.1 测量值的XML表示 |
| 7.1.2 诊断语言的XML表示 |
| 7.2 模糊结构化报告FSR |
| 7.3 FSR的智能化查询系统的实现 |
| 7.3.1 FSR的智能化查询系统的总体架构 |
| 7.3.2 FSR的智能化查询系统的功能实现 |
| 7.4 FSR的应用评估 |
| 7.4.1 ImageCLEF2015检索实验 |
| 7.4.2 临床应用检索实验 |
| 7.5 本章小结 |
| 第8章 结束语 |
| 8.1 本文的主要贡献与结论 |
| 8.2 未来的工作 |
| 参考文献 |
| 致谢 |
| 攻读博士期间发表的论文 |
| 攻读博士期间主持及参加的科研项目 |
| 作者从事科学研究和学习经历的简历 |
（5）基于半监督学习的医学图像检索研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 医学图像检索的研究与发展 |
| 1.2.1 医学图像检索技术概述 |
| 1.2.2 基于内容的医学图像检索 |
| 1.2.3 医学图像检索系统概述 |
| 1.2.4 关键问题和发展趋势 |
| 1.3 本文贡献和论文组织 |
| 1.3.1 研究内容与创新点 |
| 1.3.2 本文的内容安排 |
| 2 结合视觉语义和局部特征的医学图像检索 |
| 2.1 引言 |
| 2.2 基于图的半监督学习 |
| 2.3 医学影像的视觉语义提取 |
| 2.3.1 基于图的半监督学习框架 |
| 2.3.2 加入密度约束的标记传播 |
| 2.3.3 视觉语义提取算法 |
| 2.4 图像局部特征提取 |
| 2.5 结合语义和局部特征的相似性度量 |
| 2.6 实验结果与分析 |
| 2.6.1 算法检索性能分析 |
| 2.6.2 基于图的半监督学习算法的比较 |
| 2.6.3 尺度参数对检索性能的影响 |
| 2.7 本章小结 |
| 3 基于成对约束传播的相关反馈模型和检索方法 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 基于相关反馈的检索模型 |
| 3.3.1 基于成对约束传播的相似矩阵重构 |
| 3.3.2 图像的有偏排序 |
| 3.3.3 算法流程 |
| 3.4 基于长期学习的医学图像检索框架 |
| 3.5 实验结果与分析 |
| 3.5.1 实验设置 |
| 3.5.2 基于短期学习的相关反馈算法比较 |
| 3.5.3 不同排序策略的比较 |
| 3.5.4 基于长期学习的相关反馈性能评估 |
| 3.6 本章小结 |
| 4 面向多模态信息的医学病例检索 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 基于多图半监督学习的病例检索算法 |
| 4.3.1 图上的标号传播与流形排序 |
| 4.3.2 基于局部与全局一致性的融合图学习框架 |
| 4.3.3 基于高斯随机场的融合图学习框架 |
| 4.3.4 结合影像和文本信息的医学病例检索 |
| 4.4 实验结果与分析 |
| 4.4.1 医学病例数据集和实验设置 |
| 4.4.2 与基于内容的图像检索算法比较 |
| 4.4.3 与基于特征融合策略的检索算法比较 |
| 4.4.4 图融合系数对检索性能的影响 |
| 4.5 本章小结 |
| 5 基于多特征的快速流形排序及在医学图像检索中的应用 |
| 5.1 研究动机 |
| 5.2 相关工作 |
| 5.3 基于锚点图的半监督学习和流形排序 |
| 5.4 面向多特征的快速流形排序算法 |
| 5.4.1 基于线性融合的多特征排序 |
| 5.4.2 基于序贯融合的多特征排序 |
| 5.4.3 快速流形排序算法 |
| 5.4.4 算法分析 |
| 5.5 实验结果与分析 |
| 5.5.1 实验设置 |
| 5.5.2 检索精度对比 |
| 5.5.3 查询时间对比 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间发表的论文 |
| 攻读博士学位期间参加的科学研究情况 |
（6）面向肺部CT影像表征的多层语义检索（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.1.1 图像检索技术的发展历程 |
| 1.1.2 医学图像语义检索技术解析 |
| 1.2 医学图像语义检索技术国内外研究及发展现状 |
| 1.3 论文的主要研究内容和结构 |
| 第2章 医学图像的语义检索框架 |
| 2.1 图像语义层次模型 |
| 2.2 图像语义的表示 |
| 2.3 图像语义提取方法 |
| 2.4 基于语义医学图像检索框架 |
| 2.5 本章小结 |
| 第3章 医学图像有意义区域提取及低层视觉特征提取 |
| 3.1 肺部的生理结构及其在 CT 影像上的成像特点 |
| 3.2 基于改进凸包算法的肺实质分割 |
| 3.2.1 肺实质轮廓的初步提取 |
| 3.2.2 肺实质外轮廓的修复 |
| 3.2.3 肺实质内部边缘的修复 |
| 3.2.4 实验结果及分析 |
| 3.3 低层视觉特征提取 |
| 3.3.1 灰度直方图统计特征 |
| 3.3.2 灰度共生矩阵纹理特征 |
| 3.3.3 Tamura 纹理特征 |
| 3.3.4 Gabor 小波纹理特征 |
| 3.3.5 实验结果及分析 |
| 3.4 本章小结 |
| 第4章 医学图像语义映射 |
| 4.1 肺部 CT 影像表征的语义空间及层次模型 |
| 4.1.1 肺部 CT 影像表征语义空间 |
| 4.1.2 肺部 CT 图像语义层次模型 |
| 4.2 基于最近邻分类方法的语义映射 |
| 4.2.1 k-最近邻分类算法 |
| 4.2.2 改进的 k-最近邻分类算法的语义映射 |
| 4.2.3 数据归一化处理 |
| 4.2.4 实验结果与分析 |
| 4.3 基于图像流形的相关反馈 |
| 4.3.1 检索中的相关反馈 |
| 4.3.2 流形学习理论 |
| 4.3.3 基于图像流形相关反馈算法 |
| 4.3.4 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 医学图像语义检索系统的设计与实现 |
| 5.1 基于医学语义的图像检索流程设计 |
| 5.2 系统关键功能设计 |
| 5.2.1 数据库功能模块 |
| 5.2.2 基于示例图像检索模块 |
| 5.2.3 基于语义检索模块 |
| 5.2.4 检索结果显示模块 |
| 5.2.5 交互反馈模块 |
| 5.3 系统性能评价 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（7）医学图像的语义标注技术研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外发展现状 |
| 1.2.1 医学图像发展现状 |
| 1.2.2 医学图像语义标注 |
| 1.2.3 医学图像检索技术 |
| 1.3 本文主要工作 |
| 1.4 本文组织结构 |
| 1.5 本章小结 |
| 第二章 医学图像及其语义标注 |
| 2.1 医学图像特点和DICOM数据格式 |
| 2.1.1 医学图像的特点 |
| 2.1.2 DICOM数据格式 |
| 2.2 医学图像语义相关技术 |
| 2.2.1 医学图像语义模型 |
| 2.2.2 医学图像语义提取 |
| 2.2.3 医学图像语义表示 |
| 2.3 医学图像标注问题 |
| 2.4 本章小结 |
| 第三章 医学图像特征提取和选择 |
| 3.1 医学图像去噪 |
| 3.2 医学图像增强 |
| 3.2.1 信息系统和不可分辨关系 |
| 3.2.2 属性重要性和划分 |
| 3.2.3 属性约简 |
| 3.2.4 粗糙集增强算法 |
| 3.3 医学图像特征提取 |
| 3.3.1 基于边缘检测的特征提取 |
| 3.3.2 基于不变矩的特征提取 |
| 3.3.3 基于灰度共生矩阵的特征提取 |
| 3.4 基于MI的医学图像特征选择 |
| 3.4.1 传统的特征选择方法 |
| 3.4.2 可分离的特征选择 |
| 3.4.3 基于MI的特征选择方法 |
| 3.4.4 改进的MI贪婪最优算法 |
| 3.5 本章小结 |
| 第四章 基于MI特征选择的SVMs分类标注 |
| 4.1 支持向量机原理 |
| 4.1.1 统计学习理论 |
| 4.1.2 最优分类超平面 |
| 4.1.3 线性支持向量机 |
| 4.1.4 非线性支持向量机 |
| 4.1.5 核函数 |
| 4.2 基于MI特征选择的SVMs分类器 |
| 4.2.1 多类分类问题 |
| 4.2.2 算法步骤及参数选择 |
| 4.2.3 基于MI特征选择的分类器构造 |
| 4.3 分类标注实验结果 |
| 4.4 本章小结 |
| 第五章 基于混合模型的医学图像语义标注 |
| 5.1 传统图像自动标注框架 |
| 5.1.1 一致性语言模型 |
| 5.1.2 互相关标记传播模型 |
| 5.2 一体化医学语言系统 |
| 5.2.1 一体化医学语言系统 |
| 5.2.2 中文一体化医学语言系统 |
| 5.3 基于混合模型的医学图像标注框架 |
| 5.3.1 基于训练集词汇互相关性的标注改善 |
| 5.3.2 基于CUMLS的医学图像语义提取 |
| 5.3.3 基于混合模型的标注框架 |
| 5.4 混合模型标注实验结果 |
| 5.5 本章小结 |
| 第六章 语义标注检索系统设计与实现 |
| 6.1 医学图像语义检索模型 |
| 6.2 系统架构和模块 |
| 6.2.1 系统架构 |
| 6.2.2 系统模块 |
| 6.3 系统开发与运行环境 |
| 6.3.1 开发环境 |
| 6.3.2 运行环境 |
| 6.4 系统运行截图 |
| 6.5 本章小结 |
| 总结与展望 |
| 本文工作总结 |
| 进一步的研究工作 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
（8）基于语义的图像检索技术在医学影像系统中的研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 课题的现状分析 |
| 1.3 本文的主要工作 |
| 1.4 本文的组织结构 |
| 第二章 医学影像系统及其相关知识 |
| 2.1 医学影像系统概述 |
| 2.2 医学数字成像和通讯标准 |
| 2.3 数字化医学影像 |
| 2.3.1 数字化医学影像的特点 |
| 2.3.2 CT图像的处理与显示 |
| 2.4 图像内容层次分析 |
| 2.5 图像语义特征的提取 |
| 第三章 医学图像的语义提取 |
| 3.1 医学图像自动分类 |
| 3.2 同类别医学图像自动分层 |
| 3.2.1 颅脑典型横断面层次 |
| 3.2.2 颅脑横断面层次自动划分 |
| 3.3 针对特定层的图像分割 |
| 3.3.1 颅脑图像预处理 |
| 3.3.2 自适应阈值分割算法 |
| 3.4 医学图像的病理特征分析 |
| 3.4.1 颅脑病理特征 |
| 3.4.2 病理特征算法库 |
| 3.5 中线结构特征提取 |
| 3.5.1 算法概述 |
| 3.5.2 使用二值形态学处理侧脑室图像 |
| 3.5.3 颅骨对称轴的自动判定 |
| 3.5.4 基于图像结构定位大脑镰根部突起 |
| 3.5.5 提取中线特征语义向量 |
| 第四章 医学图像的语义表示及相似性测度 |
| 4.1 文本检索技术的使用 |
| 4.2 医学用语的关联关系 |
| 4.3 医学检查报告书相关技术 |
| 4.3.1 医学检查报告书辅助生成 |
| 4.3.2 检查报告书数据库设计 |
| 4.4 语义提取结果的向量描述 |
| 4.4.1 向量空间模型 |
| 4.4.2 图像语义的向量表示 |
| 4.4.3 图像相似度计算 |
| 第五章 医学图像语义检索系统实现 |
| 5.1 需求获取及分析 |
| 5.2 系统开发与运行环境 |
| 5.2.1 开发环境 |
| 5.2.2 运行环境 |
| 5.3 医学图像语义检索系统模型 |
| 5.3.1 整体构架 |
| 5.3.2 图像处理模块 |
| 5.3.3 文本处理模块 |
| 5.3.4 检索模块 |
| 5.4 检索类别与检索方式 |
| 5.5 检索结果及性能评价 |
| 5.5.1 检索结果及讨论 |
| 5.5.2 系统评价 |
| 第六章 总结与展望 |
| 6.1 本文的总结 |
| 6.2 进一步的研究方向 |
| 参考文献 |
| 致谢 |
| 附录 |
（9）图像检索中若干问题的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 底层视觉特征 |
| 1.2.2 区域检索和显着性特征 |
| 1.2.3 图像的高维特征约减和索引 |
| 1.2.4 图像的相似性度量 |
| 1.2.5 图像的聚类 |
| 1.2.6 相关反馈 |
| 1.2.7 其他相关的研究工作 |
| 1.2.8 目前存在的问题和发展趋势 |
| 1.3 本文的主要工作 |
| 2 纹理分析的非线性方法及其在图像检索中的应用 |
| 2.1 一维时间序列复杂性与纹理检索 |
| 2.1.1 一维时间序列复杂性算法 |
| 2.1.2 二维图像一维化的扫描方法 |
| 2.1.3 一个新的时间序列粗粒化框架 |
| 2.1.4 一维时间序列复杂性算法与图像纹理分析 |
| 2.1.5 基于一维时间序列复杂性算法的纹理图像检索实验 |
| 2.2 二维序列复杂性与纹理检索 |
| 2.2.1 二维CO复杂性 |
| 2.2.2 二维CO复杂性的一些讨论 |
| 2.2.3 二维复杂度纹理特征 |
| 2.2.4 多尺度分维数 |
| 2.2.5 基于二维序列复杂性算法的纹理图像检索实验 |
| 2.3 复杂性算法在医学图像检索中的应用 |
| 2.4 希尔伯特-黄变换与纹理检索 |
| 2.4.1 图像的二维经验模式分解 |
| 2.4.2 一种新的基于聚类的边界处理方法 |
| 2.4.3 生成IMF的迭代次数和筛法终止条件 |
| 2.4.4 特征提取 |
| 2.4.5 基于希尔伯特-黄变换的纹理图像检索实验 |
| 2.5 小结 |
| 3 选择性视觉注意计算模型与自然图像检索 |
| 3.1 视觉注意机制的神经生理基础及其模型 |
| 3.1.1 视觉注意机制的神经生理基础 |
| 3.1.2 视觉注意机制的心理物理模型 |
| 3.1.3 视觉注意机制的计算模型 |
| 3.1.4 选择性视觉注意计算模型 |
| 3.2 基于选择性视觉注意计算模型的自然图像检索 |
| 3.2.1 图像兴趣点个数的选取 |
| 3.2.2 基于选择性视觉注意计算模型的图像检索特征 |
| 3.2.3 图像检索实验 |
| 3.3 潜在语义标引与视觉注意计算模型在图像检索中的应用 |
| 3.3.1 图像检索中的潜在语义标引方法 |
| 3.3.2 图像检索算法 |
| 3.3.3 图像检索实验 |
| 3.4 多示例学习与视觉注意计算模型在图像检索中的应用 |
| 3.4.1 多示例学习及其算法 |
| 3.4.2 基于视觉注意计算模型的包生成器和图像检索实验 |
| 3.5 小结 |
| 4 自然图像认知阈值的度量 |
| 4.1 图像认知阈值的度量 |
| 4.1.1 图像认知阈值 |
| 4.1.2 图像信息量的计算 |
| 4.1.3 图像视觉复杂性的计算 |
| 4.1.4 语义阈值计算函数 |
| 4.2 图像认知阈值的影响因素 |
| 4.2.1 实验步骤 |
| 4.2.2 使用Weber律计算函数的实验 |
| 4.2.3 使用信噪比计算函数的实验 |
| 4.2.4 结论 |
| 4.3 心理物理学实验 |
| 4.3.1 方法 |
| 4.3.2 结果与分析 |
| 4.4 小结 |
| 5 通用图像检索实验平台的研制与开发 |
| 5.1 系统总体设计 |
| 5.2 系统详细设计 |
| 5.2.1 图像检索类谱系树 |
| 5.2.2 其他设计 |
| 5.3 平台运行界面和运行实例 |
| 5.3.1 用户端程序主界面 |
| 5.3.2 图像库管理 |
| 5.3.3 数据管理 |
| 5.3.4 特征数据库生成 |
| 5.3.5 图像检索和相关反馈 |
| 5.3.6 运行实例 |
| 5.4 小结 |
| 6 总结与展望 |
| 6.1 本文工作的总结 |
| 6.2 下一步的工作 |
| 参考文献 |
| 附录 |
| 致谢 |
| 攻读博士学位期间的科研成果 |
（10）基于内容的医学图像检索关键技术研究（论文提纲范文）
| 独创性声明 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题的意义和背景 |
| 1.2 研究目标和主要研究内容 |
| 1.3 论文的结构及研究路线 |
| 第二章 基于内容的图像检索技术研究现状及发展趋势 |
| 2.1 引言 |
| 2.2 基于内容的图像检索关键技术研究 |
| 2.2.1 图像特征的提取和表达方法 |
| 2.2.1.1 颜色特征 |
| 2.2.1.2 纹理特征 |
| 2.2.1.3 形状特征 |
| 2.2.1.4 空间关系特征 |
| 2.2.1.5 语义特征 |
| 2.2.2 图像相似性比较方法 |
| 2.2.3 图像检索中的相关反馈机制 |
| 2.2.4 检索性能评价 |
| 2.2.5 压缩域检索 |
| 2.2.6 网上搜索引擎和分类检索 |
| 2.2.7 图像高维特征压缩和索引 |
| 2.3 多媒体内容描述接口国际标准 |
| 2.4 典型的基于内容的图像检索系统介绍 |
| 2.5 基于内容的图像检索发展趋势 |
| 2.6 基于内容的医学图像检索技术研究现状及存在的问题 |
| 2.7 本章小结 |
| 第三章 底层特征和语义特征相结合的医学图像检索方法的研究 |
| 3.1 基于内容的医学图像检索框架 |
| 3.2 底层特征和语义特征相结合的医学图像描述 |
| 3.2.1 医学数字图像通信标准 |
| 3.2.2 层次化的医学图像语义特征 |
| 3.2.3 底层特征和语义特征相结合的医学图像描述模型 |
| 3.3 底层特征和语义特征相结合的颅脑CT图像检索 |
| 3.3.1 底层统计特征提取 |
| 3.3.2 算法描述 |
| 3.3.3 实验结果与讨论 |
| 3.4 本章小结 |
| 第四章 基于综合特征的图像检索中特征权重的优化 |
| 4.1 引言 |
| 4.2 基于遗传算法的初始特征权重的静态优化 |
| 4.2.1 综合特征图像检索中特征权重问题的转化 |
| 4.2.2 基于遗传算法的特征权重的设定 |
| 4.3 基于相关反馈技术的特征权重的动态优化 |
| 4.4 基于综合特征的专用图像检索实验结果与讨论 |
| 4.4.1 综合特征提取 |
| 4.4.2 实验结果与讨论 |
| 4.5 本章小结 |
| 第五章 基于内容的医学图像检索与计算机辅助诊断研究 |
| 5.1 基于医学图像内容的计算机辅助诊断研究现状 |
| 5.2 基于内容的医学图像检索与计算机辅助诊断 |
| 5.2.1 基于内容的医学图像检索和计算机辅助诊断的关系 |
| 5.2.2 基于医学图像检索的计算机辅助诊断 |
| 5.3 基于内容的CT颅骨缺如计算机辅助诊断及图像检索 |
| 5.3.1 基于内容的CT颅骨缺如计算机辅助诊断方法 |
| 5.3.1.1 基于k-均值聚类的区域增长颅骨分割 |
| 5.3.1.2 颅骨形状特征参数及基于熵函数的颅骨缺如检索规则提取 |
| 5.3.1.3 实验结果与讨论 |
| 5.3.2 基于计算机辅助诊断的CT颅骨缺如图像检索 |
| 5.4 本章小结 |
| 第六章 结论 |
| 6.1 本文的主要研究成果 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 攻读博士学位期间参加的科研项目 |
| 攻读博士学位期间发表的论文 |
四、基于语义的医学图像数据库系统（论文参考文献）
- [1]面向多模态数据的医疗与健康决策支持研究[D]. 甘丹. 天津大学, 2020(01)
- [2]图像哈希检索算法研究[D]. 徐宽. 上海交通大学, 2020(09)
- [3]基于内容的图像检索与图像语义分析[D]. 齐亚莉. 天津大学, 2017(01)
- [4]DICOM本体的模糊语义扩展与智能查询技术研究[D]. 冯雪. 东北大学, 2017(10)
- [5]基于半监督学习的医学图像检索研究[D]. 吴梦麟. 南京理工大学, 2015(04)
- [6]面向肺部CT影像表征的多层语义检索[D]. 郑冰. 哈尔滨工程大学, 2013(04)
- [7]医学图像的语义标注技术研究与应用[D]. 高永岗. 西北大学, 2009(08)
- [8]基于语义的图像检索技术在医学影像系统中的研究与应用[D]. 梁娜. 西北大学, 2008(08)
- [9]图像检索中若干问题的研究[D]. 刘伟. 浙江大学, 2007(02)
- [10]基于内容的医学图像检索关键技术研究[D]. 邵虹. 东北大学, 2005(07)