论文摘要
医学图像的计算机辅助诊断已经成为人工智能应用领域的研究热点。本文针对人脑CT图像的计算机辅助诊断,提出了一种基于对称性的特征提取方法,完成了图像输入、特征提取、图像分类的完整过程。特征提取部分主要是对图像的对称性进行刻画,得到特征向量后利用分类器对若干已知类标号的样例进行学习,从而实现对未知样例进行分类和预测。在本文的研究中,共提取了纹理和对称两种特征,并尝试了两种对称特征的计算方法,分类时分别使用了SEE5,RBFNN以及基于Mihamlanobis距离的分类算法,并进行了准确率的比较。实验结果说明,对称特征和基于Mihamlanobis距离的分类算法相结合对病变明显的人脑CT图像识别效果较好。未来的工作可以在此分类结果的基础上,根据样例到“正常”类中心的距离,设定一个范围,将到“正常”类中心的距离落在此范围内的未知类标样例判定为计算机无法确切分类的样例。医生对这些样例进一步诊断。从而较好地实现了辅助诊断的功能,使医生能够将注意力集中在有必要进一步诊断的病例上