医学图像肿块的检测、分割、分类

医学图像肿块的检测、分割、分类
1.医学图像处理的基本流程是：图像的预处理（去噪、二值化等）特征提取、特征选择、分类
2.主要是利用图像处理技术，对医学图像的进一步处理获得形状、颜色、纹理以及与周围组织的关系等数据信息来对图像进行准确的分析。已达到检测、分割、分类的目的
3.研究的难点：不同模式下的医学图像因其成像原理不同，存在对比度低和分辨率低的问题；成像的设备以及患者的移动、形状的多变等
4.特征提取：是对肿块区域固有不变的性质特征进行测量并将所得到的结果量化 ，形成特征矢量等的过程。
5.医学图像的特点：

                       1. 多模态性（CT、MRI、超声、X线）
                       2. 灰度上的模糊性（噪声的干扰以及内部组织在成像过程中的相似性）
                       3. 局部效应
                       4. 不确定性特点
         6 .医学图像的特征：颜色、纹理、形状.医学图像的特征：颜色、纹理、形状
        7.形状特征：基于边界利用形状的外部边缘（傅里叶描述子、链码、边界距）基于边界的特征提取：一阶微分Robert、Prewitt、Sobel算子；二阶微分Laplacian边缘检测算子；基于最优方法算子Canny

基于区域的特征提取：似圆度（C=P^2/4∏A目标物体的周长平方和其面积之比，描述物体的形状和圆的近似度，C值越大，目标物体的形状越复杂）转动惯量NMI；几何矩(利用目标所占区域的矩作为形状描述参数)
8.纹理特征：纹理能够对视觉图像中不同区域的结构、方向、粒度和规则性的差异进行有效的描述，符合人类的视觉特性。纹理不仅包含了物体表面性质或特征，还在一定程度上反映他们和环境的关系，因此，纹理特征在表述灰度统计信息之余，还能够体现出结构信息和空间分布。
纹理可以分为两类：a反复出现，方向性明确的结构性纹理，这种纹理的基元排列比较规则
B随机性纹理，通过统计特征给出。
方法：统计(一阶统计量一阶灰度直方图，在实际应用中，取整个直方图作为纹理特征是没有必要的，通常提取几个重要特征，主要包括关于原点的r阶矩、关于均值的r阶中心矩、扭曲度、峰度、熵；二阶统计量灰度共生矩阵,是考虑处于几何位置的一对对像素的灰度相关性并以这一对对像素出像某种灰度的条件概率来表征纹理，可以定量的描述特征，能量、熵、惯性矩、相关、局部平稳)和结构；灰度共生矩阵和小波变换