分类是医学图像在计算机辅助诊断和模式识别领域的一个研究热点。精确地对人体解剖结构和病变区域进行分类能够最大程度辅助医生更精确、更快速地诊断病情。针对医学图像的特殊性,首先从图像预处理、图像分割、特征提取及分类方法4个方面对典型医学图像分类进行总结分析;然后介绍分析了深度学习理论在医学图像分类中的应用;最后提出现有的医学图像分类研究方法的不足,展望了深度学习领域的最新理论在医学图像分类领域的发展趋势。

图像去噪是数字图像处理中最基本的研究内容,也是一项十分关键的技术,一直以来是图像处理领域的难点。图像去噪的好坏直接影响后续图像边缘检测、特征提取、图像分割和模式识别等图像处理。为有效去除乘性噪声的影响,提出一种深度残差学习的乘性噪声去噪方法。该方法通过引入残差优化,解决了卷积神经网络在层数较多时,随着层数加深,梯度在传播过程中逐渐消失的问题。与4种经典去噪算法进行比较,结果表明,该方法在有效去除乘性噪声的同时,可以更好地保留图像的边缘和纹理区域的细节信息,为后续的图像分割、配准和目标识别等奠定基础。

为提高早期肺癌筛查过程中肺结节的检出率, 提出利用三维卷积神经网络进行低剂量CT肺结节检测。首先采用多方向形态学滤波算法对低剂量序列CT图像进行预处理; 接着, 利用改进三维区域生长与凸包算法相结合进行肺实质分割; 然后提取三维候选结节, 为了解决卷积神经网络对样本不平衡的敏感问题, 对三维候选结节正样本进行旋转和光照处理; 最后在不同的网络参数下, 对ELCAP数据库中50个序列低剂量肺癌筛查数据进行4组实验。实验结果表明, 通过对网络参数的不断优化, 准确度、灵敏度、特异度以及ROC曲线的AUC值分别达到了84.6%、88.89%、8032%及0.924 4。该方法能够正确地对低剂量CT肺结节进行检测, 与文献所提出肺结节检测算法相比, 准确度、灵敏度和特异度分别平均提高了5.37%、5.6%和10.42%, 综合性能较强, 可以为肺癌筛查提供有效的帮助。

针对微钙化点容易漏检的问题, 提出一种非下采样轮廓波变换结合对比度受限自适应直方图均衡的乳腺图像微钙化点增强新算法。对乳腺图像预处理, 提取乳房区域并将胸肌区域去除; 再对图像进行非下采样轮廓波变换提取多尺度、多方向的子带, 对其中的多个高频子带采用高斯拉普拉斯算子检测边缘并增强; 进一步采用对比度受限自适应直方图均衡算法, 提高图像局部小区域的对比度, 实现乳腺图像微钙化点增强算法。结果表明该方法是一种有效的乳腺钼靶图像微钙化点增强方法, 为微钙化点检测和乳腺癌诊断提供支持。