基于圖像識別技術在智慧醫療領的研究

范文斌，王亞平，張世武，秦天

（科大國創云網科技有限公司，安徽合肥，230000）

0 引言

在沒有使用醫學影像以前，“望、聞、問、切”是臨床醫學診斷的基本手段。但其依靠醫師實踐經驗知識的主觀判斷，使得結果的缺乏充分的科學依據。隨著物理等科學的發展，德國物理學家倫琴1895年發現X射線，并利用X射線為其夫人拍攝一張手的照片，開創了醫學影像技術的先河，為人類開拓了新的診斷與治療疾病的途徑。20世紀60年代出現影像增強技術，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70年代出現CT成像技術，人們開始能夠觀察人體的軟組織病變；20世紀80年代由于MR技術的出現，軟組織分辨率得到很好的改善，同時這樣多方位多參數的檢測技術，對于人體細微的病變有著不錯的觀測效果；20世紀90年代后，醫學影像技術開始了數字化。隨著計算機可視化和數字化技術的不斷提高，未來的醫學影像技術的主要特點之一就是醫學影像技術的高度數字化，同時醫學影像信息的處理技術在醫學臨床診斷和治療中已經占有越來越重要的地位。從處理問題的范圍來說，模式識別主要用于處理圖像和語音，因為對人類來說，獲取信息最重要的途徑就是視覺器官和聽覺器官。在圖像識別方面，模式識別在氣象分析從要處理問題的性質及其解決方法的角度，模式識別包括有監督的分類和無監督的分類，兩者的主要區別在于：訓練樣本所屬的類別是否已知。一般而言，有監督的分類通過已有訓練樣本與類別之間的對應關系，生成一個函數，再將檢測樣本映射到合適的類別中。有監督的模式識別方法有統計模式識別、神經網絡、支持向量機、粗糙集等。由于在實際問題中，提供大量已知類別的樣本存在一定困難，在此背景下，研究無監督的分類就顯得非常必要了。無監督的分類直接對輸入樣本進行建模，發現其內部結構性知識，最典型的無監督的模式識別方法就是聚類。工業生產應用、交通信息管理、農業生產應用、生物信息檢測、文字信息處理、醫學分析等領域得到了廣泛的應用。

隨著數字圖像處理技術的不斷發展，數字圖像處理已經成為人們高度關注和應用的課題。多年來，圖像處理技術一直是眾多學者研究的主題，數字技術也因此達到了一個新的水平并得到了迅速發展。現代醫學越來越無法通過圖像提供信息，這意味著醫院每天都會生成大量的醫學圖像，這就帶來了兩個問題：一方面，對患者圖像的無聊解讀，另一方面。醫生很容易厭倦長時間的觀察，這降低了診斷的有效性和準確性。另一方面，許多疾病的診斷需要定量結果。僅憑醫生的觀察不允許進行客觀分析。在這種情況下，成像技術在醫學X射線中占據著越來越重要的地位。

醫學影像學是包括數學、計算機技術、醫學影像學等許多領域的學科領域。這是用數學方法和電腦處理、分析不同醫療設備產生的影像的技術。模式識別調查旨在自動分析一種信息，建立一個幫助人們完成分類和識別任務的機器系統。最近在醫學影像識別領域非常活躍，已經成功應用于各種醫學影像處理。醫學影像識別研究有以下含義：隨著計算機技術的不斷發展，快速準確的醫學影像處理成本不斷降低，利用智能信息系統可以實現不同地區的臨床信息交流。模式識別技術可以降低醫療費用，提高診斷的準確性。

1 圖像識別概述

影像識別技術的研究始于20世紀50年代末，興起于60年代。這門學科經過20多年的發展，受到多個學科的重視，并成功應用于多個領域。在影像模式識別中，主要是利用機器幫助人類自動處理大量影像信息，研究以人類局部精神代替視頻的問題。圖像形狀識別技術的研究是利用圖像噪聲消除、提高和分割、特征提取和轉換等前處理技術。分類器的設計和分類決策的綜合應用最終達到了影像自動分類的目的。通用機械圖像識別系統由圖像采集、圖像預處理、特征提取、分類器設計及分類決策等5個模塊組成。圖像識別系統構成如圖1所示。

圖1 圖像識別系統

圖像模式識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攝像頭及數據轉換卡等將光信號、模擬信號、等物理信息轉化成數字圖像。

（2）圖像預處理。圖像預處理過程主要包括圖像去噪、增強、分割、重建等，具體的算法和技術包括灰度化、中值濾波、直方圖均衡化、形態學處理、各向異性擴散、小波

分析等等。以上技術和算法對圖像的處理效果不盡相同，但要達到識別復雜圖像中特定目標的目的，就要根據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。特征提取是決定識別結果的關鍵因素，常用的包括形狀、顏色及紋理等特征，針對不同的圖像識別系統，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圖像分類最有利的特征。

（4）分類器設計。根據一定的規則，通過對訓練樣本合理地進行分析和學習來建立對未知樣本進行測試和分類模型的過程就是分類器設計的過程。常用的的分類方法包括：統計分類、模糊分類、神經網絡分類等。

（5）分類決策。分類決策就是在特征空間利用設計好的分類器對待測樣本進行判別和分類的過程。

醫學圖像處理的對象是各種不同的醫學影像,在醫學圖像的采集輸入等過程中，或多或少會存在一些使得圖像質量下降原因，它們會對圖像處理的各個方面產生不良的影響，嚴重影響到檢測效果。例如，在腦膠質瘤MRI圖像的分級問題中，可以邊緣檢測等算法，可以將圖像中感興趣區域膠質瘤分割出來，根據其位置大小形態等進行分級判斷，但大量的噪聲和偽影使得分割困難且效果較差，這時圖像的預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，如光電系統失真、噪聲干擾、相對遠動、傳輸誤碼等，往往使圖像與原始成像樣本之間產生某種差異，常將這種差異稱之為降質或退化，降質或退化的圖像通常模糊不清，使人觀測效果不滿意，或者使計算機從中提取的信息減少甚至造成錯誤。因此，有必要對降質的圖像進行改善。改善的方法分兩類。一類改善方法是從主觀出發，可以不考慮圖像降質[27]的原因，通過一些數學變換，對圖像處理后，使的目標感興趣區域部分視覺效果得到改善，只需要達到人類主觀較好的效果即可，這就是圖像增強的方法；另一類是根據圖像降質的客觀因素，使用相應的處理方法，從而減少客觀因素對圖像的影響，這是圖像恢復的方法。顯然，圖像復原的主要目的是提高圖像的逼近度。但無論是圖像增強還是圖像復原，其采用的方法大致一樣。

2 圖像識別方法及性能分析

2.1 統計模式識別

模式識別的統計方法是利用給定的樣本集完成邊界與選擇的分類劃分，采用一定的學習算法，實現了樣本的最優分割.然后根據得到的決策功能，將輸入的樣本分為相應的類別。距離函數通常是在特征空間中定義的，兩點之間的距離越小，圖案就越相似。根據培訓選舉提供的分類經驗，將特色空間劃分為相關領域，其中，統計模式識別只是根據一定的距離來確定樣本所屬的區域。

2.2 神經網絡模式識別

神經網絡識別是在計算機分類之前開發的一種智能識別技術，模仿人類的思維方式。神經網絡由一系列基本的神經細胞組成，其機制和功能相對簡單，但從它們的相互關系中產生的動態系統非常強大。通過訓練每個神經元的力值和閾值類來研究變量間的關系，實現從輸入空間到輸出空間的映射。

2.3 模糊模式識別

模糊模式識別是基于人類思維的事物識別，提取人腦特征，將計算機中常用的兩種邏輯轉化為連續邏輯。模糊識別結果以關聯度表示，關聯度以對象和類標識的程度表示。對象可以屬于一個類，也可以屬于另一個類。為了根據一個群體的歸屬程度來確定不同類別之間的關系，選擇的集合被分成幾個類別，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 支持向量機模式識別

支持向量模式統計是以理論為基礎的，基本原理是在年空間或構造特征最好的超平面上進行劃分，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可以利用核函數進行非線性變換，通過低維數據的映射，在高維空間變換中獲得最優分類超平面，在不增加計算量的情況下提高分類精度。

2.5 粗糙集模式識別

粗裝配是處理不精確和不確定信息的一種新的數學工具。它可以進行有效的數據挖掘分析，發現數據背后的知識和規律。它將分類解釋為構成特定空間分區的特定空間中的等價關系。其主要原則是使用已知的知識庫來描述大致不完整和不確定的知識。

統計識別方法是最成熟、應用最廣泛的方法。根據圖像灰階的特征，研究了圖像灰階的定量統計特性。這個想法簡單易行。貝葉斯分類以其獨特的不確定性知識表達、豐富的概率表達和融合前人知識的增量學習等特點而備受關注。但是，由于應用場景的精度有限，需要進一步改進和驗證其適應性。

粗糙集不需要數據集之外的任何先驗知識來處理問題，避免了主觀因素的影響，通過屬性約簡可以得到更清晰的決策規則。粗糙集提供了一種比模糊集更有效的數學方法，并被廣泛應用于各個領域。

3 基于改進FCM和粗糙集的臉板形態診斷

根據瞼板腺形態的不同，圖像也呈現不同的紋理特征，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，缺失面積達到總面積1/3～2/3；④為嚴重缺失型，腺管不明顯，基本全部缺失。

用模式識別方法對瞼板腺圖像進行識別通常包括圖像預處理、特征提取、分類和決策，本文將改進FCM和粗糙集理論結合應用于瞼板腺圖像的識別中，其訓練過程如圖2所示。

圖2 各形態瞼板腺圖像

3.1 瞼板腺圖像預處理

醫學成像過程中由于設備限制、人為操作等原因經常導致瞼板腺圖像模糊，在一些細節上沒有明顯的灰度差異，從而使圖像質量不高，影響醫生判決。圖像增強是為了改善圖像質量，提高圖像灰度層次，使圖像中的細節信息增強，使圖像更適合人眼或機器處理。本文采用增強高通濾波技術，消除模糊，使低頻成分受到抑制，而高頻細節成分得到增強，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域分割出來，為后續的分析處理提供可靠依據。分割質量的好壞將直接影響到后續圖像識別的效果。本文中眼瞼部分對診斷瞼板腺功能有著重大意義，利用圖像中眼瞼區域紋理與其他區域的不同，將形態學方法和局部熵濾波相結合，設計了一種紋理濾波的分割方法。

3.2 Tamura紋理特征提取

根據人類對紋理視覺感知的心理，Tamura等提出了一種紋理特征的表達形式，分別是粗糙度、對比度、方向度、線性度、規整度及粗略度，本文利用這些特征量對瞼板腺圖像進行研究。

3.3 瞼板腺圖像分類及結果分析

為驗證方法的有效性，本文分別用結合傳統FCM的粗糙集方法和結合改進FCM的粗糙集方法對40例瞼板腺樣本進行測試。其中瞼板腺正常型8例，縮短型14例，缺失型10例，嚴重缺失型8例。測試結果如圖3所示。

圖3 重點人員識別主要流程圖

結果表明：結合傳統FCM和粗糙集的分類方法40例測試樣本中的32例分屬到正確的類別中，但由于聚類過程受到孤立點影響，聚類中心隨機選擇等因素，使得到的分類結果不是最優，識別率只能達到80%；經過改進的FCM算法克服了傳統算法對初始聚類中敏感，容易受孤立點影響的缺陷，產生較高質量的聚類結果，為粗糙集在屬性約簡保留更準確的分類信息，從而形成更清晰、簡明的分類規則。本文的識別方法能將40例樣本中39例分屬到正確類別中，識別率高達97.5%。

4 結語

隨著各種新型的成像設備應用于臨床，醫學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，在協助醫生診斷的同時也大大增加了醫生的負擔。模式識別能用機器對醫學圖像的模式信息進行處理和分類，緩解醫生的工作壓力。本文針對兩種不同的醫學圖像對現有的模式識別算法進行研究和改進。