计算机应用影响以及研究探讨论文（共4篇）(4)

　　敬雪平，郑秀娟，刘凯：四川大学电气信息学院自动化系，成都610065

　　1引言

　　医用内窥镜作为一种重要的医学诊断仪器，主要用于观查人眼不能直接观察或者不方便观察的腔体内组织或者结构。内窥镜按照其应用场景可以分为消化道内窥镜、呼吸道内窥镜、腹膜腔内窥镜和血管内窥镜等，而按照成像构造分类，则可以分为硬管式内窥镜、纤维式内窥镜、电子内窥镜。随着数字成像技术的不断发展，电子内窥镜逐渐取代了纤维内窥镜成为了主流，与纤维内窥镜相比，电子内窥镜的成像质量好、光亮度强、外径更细，更有利于细小病变的检查和医生的操作，同时能够将图像存储起来，便于进一步的分析和诊断。

　　当前内窥镜图像的诊断主要依赖人工阅片完成，然而日益增加的图像数据也为人工阅片带来极大挑战。例如在使用胶囊内窥镜（WirelessCapsuleEndoscope，WCE）进行食道检查的过程中，每个病人会产生约55000张图像[1]，如此多的图片如果人工检视，将会极大地增加医生的工作负担。此外，由于医生之间的个体差异，对于同一个病例，可能得出不同的诊断结果，往往还需要进行二次审查。

　　为了降低医生的工作强度，同时为疾病的诊断提供有效的辅助诊断信息，以机器学习和图像处理技术为基础的计算机辅助诊断（ComputerAidedDiagnosis，CAD）逐渐成为医学领域的研究热点[2]。在眼底疾病自动诊断方面，由Google公司研发的自动诊断方法在准确率上已经超过了人类医生的平均水平[3]。而在皮肤镜图片的诊断方面，Esteva等[4]人研发的自动算法在两种癌症的辨别上也达到了人类专家的水平。与此同时，在内窥镜图像的辅助诊断方面，因为其巨大的市场潜力和较高的研发难度，也逐渐成为相关研究的热点。

　　本文选取近10年内窥镜领域的计算机辅助诊断相关研究文献展开综述。分别介绍了基于人选特征（Hand-craftedFeatures）和卷积神经网络（ConvolutionalNeuralNetworks，CNN）的相关研究进展。

　　2内窥镜图像的特征选取

　　获得合适的特征表达，是一个分类系统成功的关键。在卷积神经网络兴起之前，根据图像的特点和相关医学经验，提出合适的人选特征往往是设计一个分类系统最大的难点。

　　传统的内窥镜图像处理研究主要集中于两个方面：（1）图像变换，即通过频域变换、色彩空间变换等方式来充分适应和表达图像的信息，以便于更好地分析和处理图像；（2）图像特征提取，通过提出新的特征算子或算子组合来提高和改进图像分析算法。内窥镜图像的颜色分布与自然图像有较大差异，且不同病变的纹理差异较大，在常见的特征算子SIFT、SURF和HOG算子之外，更多的特异特征算子及其不同算子的组合相继提出。其中利用频域变换来获得有效特征较为常见。

　　2.1频域变换

　　常见的图像频率域变换包括傅里叶变换、小波变换、曲波变换（CurveletTransform）等，广泛应用于图像去噪、图像压缩、图像融合等领域。频率域变换能够使得图像的某些特征更加突出，从而更有利于特征的选择。

　　Li等[5]通过曲波变换将肠道内窥镜图像转换到频域，再利用局部二值模式（LocalBinaryPattern，LBP）提取特征。曲波变换是良好的多尺度分析工具，同时LBP是一种强大的纹理描述算子，具有旋转不变性和灰度不变性的特征。这两种工具的组合能更加充分提取和利用病灶位置的纹理特征。

　　为了区分不同结肠癌的种类，Hafner等[6]通过二维离散傅里叶变换获得肠道内窥镜图像的频域表达后，再通过筛选基于傅里叶级数矩阵的特征来更好地区分不同病变类型。由于用于分类的判别信息都是通过对图像的进行频域滤波得到的，因此关键问题转变为构建适当的频域滤波器以得到合适的特征。

　　Yamaguchi等[7]则利用离散小波变换和分形维数来提取内窥镜图像中癌变部位的特征。将原始图像分解为4个分量，即RGB和亮度分量，并使用离散小波变换分别对这4个分量进行两次变换，再使用方框计数法在每个小块处计算分形维数，并根据分形维数检测异常区域。其中分形维数主要用于衡量小区域的复杂度，他们认为一个异常区域与其他区域的复杂性会有所不同。

　　Charisis等[8]则将胃部内窥镜图像进行曲波变换后，再利用遗传算法有效地提取病变部位相关的形态学特征。

　　2.2色彩空间变换

　　内窥镜图像通常以RGB图像的形式保存显示，通过色彩空间变换，则可以在不同的色彩空间提取基于色彩的特征，这也是自然图像处理中常见的方法之一。但由于内窥镜图像色彩较为单一（主要以红色分量为主）、亮度变化较大等特点，在设计内窥镜图像的辅助诊断算法时，一些新的方案便被提出以适应上述特点。

　　Wang等[9]将消化道内窥镜图像由RGB空间转换到HSV空间后，再根据内窥镜图像的特点将色调分量H和饱和度分量S重新加权，形成新的颜色分量，然后分别从颜色直方图和纹理光谱中提取颜色特征和纹理特征。最后使用一个贝叶斯分类器来分类溃疡、出血和癌症图像。他们指出内窥镜图像的色彩分布和自然图像不同，红色分量很多，将其转换到HSV空间中更有利于特征的提取。

　　为了在WCE图像中检测大肠息肉，Li等[10]则将肠道内窥镜图像转换到HSI空间。首先提出了基于色度直方图的亮度不变颜色特征，使用缩放，平移和旋转不变的泽尔尼克矩（ZernikeMoments）作为形状特征，通过这两种特征的结合并使用多层感知器作为分类器来达到在海量图片中检测结肠息肉的目的。

　　为了获取更充分的特征用于胃食管反流病的诊断，Huang等[11]在6个颜色空间中分别提取两种算子（SIFT和CCH）来表征食管粘膜。

　　Yuan等[1]则在YCbCr空间中获得了更好的颜色特征用于肠道出血检测。为了充分利用WCE图像的颜色信息，利用K-means算法对图像像素进行聚类，获得聚类中心，并以此生成图像的色彩特征表示，接着通过支持向量机（SVM）和K最近邻（KNN）算法来对WCE图像进行分类。

　　2.3其他方法

　　除了频域变换和色彩空间变换外，其他的特征提取方案也被应用到内窥镜图像处理当中。

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说理学类计算机应用影响以及研究探讨论文（共4篇）(4)在线全文阅读。