基于图像识别技术在智慧医疗领的研究

2022-07-18范文斌王亚平张世武秦天

电子测试 2022年11期

范文斌，王亚平，张世武，秦天

（科大国创云网科技有限公司，安徽合肥，230000）

0 引言

在没有使用医学影像以前，“望、闻、问、切”是临床医学诊断的基本手段。但其依靠医师实践经验知识的主观判断，使得结果的缺乏充分的科学依据。随着物理等科学的发展，德国物理学家伦琴1895年发现X射线，并利用X射线为其夫人拍摄一张手的照片，开创了医学影像技术的先河，为人类开拓了新的诊断与治疗疾病的途径。20世纪60年代出现影像增强技术，使得放射科在黑暗房间的检查方式中彻底解放出来；20世纪70年代出现CT成像技术，人们开始能够观察人体的软组织病变；20世纪80年代由于MR技术的出现，软组织分辨率得到很好的改善，同时这样多方位多参数的检测技术，对于人体细微的病变有着不错的观测效果；20世纪90年代后，医学影像技术开始了数字化。随着计算机可视化和数字化技术的不断提高，未来的医学影像技术的主要特点之一就是医学影像技术的高度数字化，同时医学影像信息的处理技术在医学临床诊断和治疗中已经占有越来越重要的地位。从处理问题的范围来说，模式识别主要用于处理图像和语音，因为对人类来说，获取信息最重要的途径就是视觉器官和听觉器官。在图像识别方面，模式识别在气象分析从要处理问题的性质及其解决方法的角度，模式识别包括有监督的分类和无监督的分类，两者的主要区别在于：训练样本所属的类别是否已知。一般而言，有监督的分类通过已有训练样本与类别之间的对应关系，生成一个函数，再将检测样本映射到合适的类别中。有监督的模式识别方法有统计模式识别、神经网络、支持向量机、粗糙集等。由于在实际问题中，提供大量已知类别的样本存在一定困难，在此背景下，研究无监督的分类就显得非常必要了。无监督的分类直接对输入样本进行建模，发现其内部结构性知识，最典型的无监督的模式识别方法就是聚类。工业生产应用、交通信息管理、农业生产应用、生物信息检测、文字信息处理、医学分析等领域得到了广泛的应用。

随着数字图像处理技术的不断发展，数字图像处理已经成为人们高度关注和应用的课题。多年来，图像处理技术一直是众多学者研究的主题，数字技术也因此达到了一个新的水平并得到了迅速发展。现代医学越来越无法通过图像提供信息，这意味着医院每天都会生成大量的医学图像，这就带来了两个问题：一方面，对患者图像的无聊解读，另一方面。医生很容易厌倦长时间的观察，这降低了诊断的有效性和准确性。另一方面，许多疾病的诊断需要定量结果。仅凭医生的观察不允许进行客观分析。在这种情况下，成像技术在医学X射线中占据着越来越重要的地位。

医学影像学是包括数学、计算机技术、医学影像学等许多领域的学科领域。这是用数学方法和电脑处理、分析不同医疗设备产生的影像的技术。模式识别调查旨在自动分析一种信息，建立一个帮助人们完成分类和识别任务的机器系统。最近在医学影像识别领域非常活跃，已经成功应用于各种医学影像处理。医学影像识别研究有以下含义：随着计算机技术的不断发展，快速准确的医学影像处理成本不断降低，利用智能信息系统可以实现不同地区的临床信息交流。模式识别技术可以降低医疗费用，提高诊断的准确性。

1 图像识别概述

影像识别技术的研究始于20世纪50年代末，兴起于60年代。这门学科经过20多年的发展，受到多个学科的重视，并成功应用于多个领域。在影像模式识别中，主要是利用机器帮助人类自动处理大量影像信息，研究以人类局部精神代替视频的问题。图像形状识别技术的研究是利用图像噪声消除、提高和分割、特征提取和转换等前处理技术。分类器的设计和分类决策的综合应用最终达到了影像自动分类的目的。通用机械图像识别系统由图像采集、图像预处理、特征提取、分类器设计及分类决策等5个模块组成。图像识别系统构成如图1所示。

图1 图像识别系统

图像模式识别的各主要功能模块介绍如下：

（1）图像获取。通过图像采集器、CCD摄像头及数据转换卡等将光信号、模拟信号、等物理信息转化成数字图像。

（2）图像预处理。图像预处理过程主要包括图像去噪、增强、分割、重建等，具体的算法和技术包括灰度化、中值滤波、直方图均衡化、形态学处理、各向异性扩散、小波

分析等等。以上技术和算法对图像的处理效果不尽相同，但要达到识别复杂图像中特定目标的目的，就要根据特征向量提取及分类的特殊要求采用合适的处理方法。

（3）图像特征提取。特征提取是决定识别结果的关键因素，常用的包括形状、颜色及纹理等特征，针对不同的图像识别系统，有的特征分类效果好，有些特征的分类效果则较弱。好的特征提取方法要能提取出对图像分类最有利的特征。

（4）分类器设计。根据一定的规则，通过对训练样本合理地进行分析和学习来建立对未知样本进行测试和分类模型的过程就是分类器设计的过程。常用的的分类方法包括：统计分类、模糊分类、神经网络分类等。

（5）分类决策。分类决策就是在特征空间利用设计好的分类器对待测样本进行判别和分类的过程。

医学图像处理的对象是各种不同的医学影像,在医学图像的采集输入等过程中，或多或少会存在一些使得图像质量下降原因，它们会对图像处理的各个方面产生不良的影响，严重影响到检测效果。例如，在脑胶质瘤MRI图像的分级问题中，可以边缘检测等算法，可以将图像中感兴趣区域胶质瘤分割出来，根据其位置大小形态等进行分级判断，但大量的噪声和伪影使得分割困难且效果较差，这时图像的预处理工作就变得很重要。

图像的信息量较大，以及在采集传送过程中，由于受多种因素的影响，如光电系统失真、噪声干扰、相对远动、传输误码等，往往使图像与原始成像样本之间产生某种差异，常将这种差异称之为降质或退化，降质或退化的图像通常模糊不清，使人观测效果不满意，或者使计算机从中提取的信息减少甚至造成错误。因此，有必要对降质的图像进行改善。改善的方法分两类。一类改善方法是从主观出发，可以不考虑图像降质[27]的原因，通过一些数学变换，对图像处理后，使的目标感兴趣区域部分视觉效果得到改善，只需要达到人类主观较好的效果即可，这就是图像增强的方法；另一类是根据图像降质的客观因素，使用相应的处理方法，从而减少客观因素对图像的影响，这是图像恢复的方法。显然，图像复原的主要目的是提高图像的逼近度。但无论是图像增强还是图像复原，其采用的方法大致一样。

2 图像识别方法及性能分析

2.1 统计模式识别

模式识别的统计方法是利用给定的样本集完成边界与选择的分类划分，采用一定的学习算法，实现了样本的最优分割.然后根据得到的决策功能，将输入的样本分为相应的类别。距离函数通常是在特征空间中定义的，两点之间的距离越小，图案就越相似。根据培训选举提供的分类经验，将特色空间划分为相关领域，其中，统计模式识别只是根据一定的距离来确定样本所属的区域。

2.2 神经网络模式识别

神经网络识别是在计算机分类之前开发的一种智能识别技术，模仿人类的思维方式。神经网络由一系列基本的神经细胞组成，其机制和功能相对简单，但从它们的相互关系中产生的动态系统非常强大。通过训练每个神经元的力值和阈值类来研究变量间的关系，实现从输入空间到输出空间的映射。

2.3 模糊模式识别

模糊模式识别是基于人类思维的事物识别，提取人脑特征，将计算机中常用的两种逻辑转化为连续逻辑。模糊识别结果以关联度表示，关联度以对象和类标识的程度表示。对象可以属于一个类，也可以属于另一个类。为了根据一个群体的归属程度来确定不同类别之间的关系，选择的集合被分成几个类别，使不同类别的选举之间的差异尽可能大，而同一类别的样本之间的差异尽可能少。

2.4 支持向量机模式识别

支持向量模式统计是以理论为基础的，基本原理是在年空间或构造特征最好的超平面上进行划分，使得线性超平面与不同类别之间的最大距离不可分割样本情况下SVM可以利用核函数进行非线性变换，通过低维数据的映射，在高维空间变换中获得最优分类超平面，在不增加计算量的情况下提高分类精度。

2.5 粗糙集模式识别

粗装配是处理不精确和不确定信息的一种新的数学工具。它可以进行有效的数据挖掘分析，发现数据背后的知识和规律。它将分类解释为构成特定空间分区的特定空间中的等价关系。其主要原则是使用已知的知识库来描述大致不完整和不确定的知识。

统计识别方法是最成熟、应用最广泛的方法。根据图像灰阶的特征，研究了图像灰阶的定量统计特性。这个想法简单易行。贝叶斯分类以其独特的不确定性知识表达、丰富的概率表达和融合前人知识的增量学习等特点而备受关注。但是，由于应用场景的精度有限，需要进一步改进和验证其适应性。

粗糙集不需要数据集之外的任何先验知识来处理问题，避免了主观因素的影响，通过属性约简可以得到更清晰的决策规则。粗糙集提供了一种比模糊集更有效的数学方法，并被广泛应用于各个领域。

3 基于改进FCM和粗糙集的脸板形态诊断

根据睑板腺形态的不同，图像也呈现不同的纹理特征，如图是睑板腺的4种典型图像，其中①为正常型，腺管分布均匀，没有腺管的扩张缺失；②为缩短型，腺管排列较整齐，缩短，但缺失面积小于总面积1/3；③为缺失型，腺管明显缺失，缺失面积达到总面积1/3～2/3；④为严重缺失型，腺管不明显，基本全部缺失。

用模式识别方法对睑板腺图像进行识别通常包括图像预处理、特征提取、分类和决策，本文将改进FCM和粗糙集理论结合应用于睑板腺图像的识别中，其训练过程如图2所示。

图2 各形态睑板腺图像

3.1 睑板腺图像预处理

医学成像过程中由于设备限制、人为操作等原因经常导致睑板腺图像模糊，在一些细节上没有明显的灰度差异，从而使图像质量不高，影响医生判决。图像增强是为了改善图像质量，提高图像灰度层次，使图像中的细节信息增强，使图像更适合人眼或机器处理。本文采用增强高通滤波技术，消除模糊，使低频成分受到抑制，而高频细节成分得到增强，使图像变得更加清晰。

图像分割是为了把图像中感兴趣的区域分割出来，为后续的分析处理提供可靠依据。分割质量的好坏将直接影响到后续图像识别的效果。本文中眼睑部分对诊断睑板腺功能有着重大意义，利用图像中眼睑区域纹理与其他区域的不同，将形态学方法和局部熵滤波相结合，设计了一种纹理滤波的分割方法。

3.2 Tamura纹理特征提取

根据人类对纹理视觉感知的心理，Tamura等提出了一种纹理特征的表达形式，分别是粗糙度、对比度、方向度、线性度、规整度及粗略度，本文利用这些特征量对睑板腺图像进行研究。

3.3 睑板腺图像分类及结果分析

为验证方法的有效性，本文分别用结合传统FCM的粗糙集方法和结合改进FCM的粗糙集方法对40例睑板腺样本进行测试。其中睑板腺正常型8例，缩短型14例，缺失型10例，严重缺失型8例。测试结果如图3所示。

图3 重点人员识别主要流程图

结果表明：结合传统FCM和粗糙集的分类方法40例测试样本中的32例分属到正确的类别中，但由于聚类过程受到孤立点影响，聚类中心随机选择等因素，使得到的分类结果不是最优，识别率只能达到80%；经过改进的FCM算法克服了传统算法对初始聚类中敏感，容易受孤立点影响的缺陷，产生较高质量的聚类结果，为粗糙集在属性约简保留更准确的分类信息，从而形成更清晰、简明的分类规则。本文的识别方法能将40例样本中39例分属到正确类别中，识别率高达97.5%。