對基于孤立點分析的醫學圖像處理探討

趙年年 張帆 郭惠玲

摘 要

醫學圖像處理屬于復 雜問題，加強孤立點數據挖掘技術的運用有助于異常信息的分析與處理。基于此，本文結合孤立點分析方法，提出了醫學圖像聚類分析思路，在完成圖像孤立點定義的基礎上運用改進算法對圖像數據中有價值的信息進行提取，最終得到了能夠輔助醫學診斷的圖像處理規則。

關鍵詞

孤立點分析;醫學圖像處理;聚類分析

中圖分類號： TB1-4 ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A

DOI：10.19694/j.cnki.issn2095-2457.2020.07.058

Abstract

Medical image processing is a complex problem. Strengthening the application of outlier data mining technology is conducive to the analysis and processing of abnormal information. Based on this， this paper combined with the analysis method of outliers， proposed the idea of medical image clustering analysis， and based on the definition of outliers， the improved algorithm was used to extract valuable information from the image data， and finally obtained the image processing rules that can assist medical diagnosis.

Key words

Outlier analysis; Medical image processing; Clustering analysis

0 引言

人體組織結構十分復雜，給醫學圖像處理帶來了較大難度。運用孤立點分析方法，需要合理實現醫學圖像處理，才能保證有用信息能夠得到順利提取。因此需要對基于孤立點分析的醫學圖像處理問題展開分析，為醫學影像工作開展提供支撐。

1 醫學圖像處理問題

在臨床醫學影像檢查中，將生成大量醫學圖像，供醫生診斷疾病使用。受個體差異、人體活動帶來的正常形變等各種因素的影響，同一個人相同身體部位的CT圖像將出現差異，造成醫生難以對健康人體醫學圖像和病變人體醫學圖像進行簡單區分[1]。采用關聯規則，能夠使身體構造內在規律得到揭示，但無法對個體差異和活動造成的正常形變進行區分，因此僅能用于腦部、骨骼等個體差異和形變小的組織結構檢查。想要幫助醫生加強醫學診斷，還要進一步從圖像數據中完成隱藏且有價值信息的提取，得到相應的醫學診斷規則。

2 基于孤立點分析的醫學圖像處理

2.1 孤立點的分析方法

在孤立點中，可能包含有意義的知識。對孤立點進行分析，首先需要完成問題定義，然后做好數據準備，之后進行孤立點分析、結果解釋和評估。在描述階段，需要由挖掘人員和專家協作確定任務，結合工作需要確定挖掘要求和可以采用的挖掘算法。根據挖掘目的從原始數據庫中完成目標數據篩選，然后通過消噪、轉換等操作完成預處理，減少需要考慮的對象數目。在分析階段，需要采用算法進行數據模式發掘。針對結果需要加強評估，剔除冗余或無用模式，對無法滿足要求的模式重新剔除挖掘算法和設定參數，完成數據重新篩選。作為聚類算法的副產品，孤立點檢測將實現優化聚類，將同一屬性數據點聚集在一起，完成與多數數據相異的點的挖掘。

2.2 醫學圖像聚類分析

選取腦部CT圖像數據，對20例患者圖像進行編號，可以得到有序圖像數據集。針對有序圖像集，需要使像素灰度值與密度值對應關系一致，然后將噪聲數據清除。利用剪切技術完成圖像簡化，減少冗余數據，提高算法執行效率。在處理過程中，圖像將被分割為若干部分，各部分可以抽象為身體特定器官組織區域，同時各部分為若干像素點的聚集，還要從中完成共性特征值和參數的提取，以便以像素點為基本單元，將圖像從列陣轉化為各器官組織單元的抽象過程[2]。觀察不同組織區域時，引入聚類參數矢量，能夠將醫學圖像各個離散像素點抽象化處理，將點的灰度、坐標等轉換為器官組織密度、大小等參數特征。在對腦部圖像進行聚類分析后，可以得到各聚類編號、中心位置等信息，得到相應數組。而每幅圖片都可以生成聚類參數矢量組，完成數字化描述。

2.3 圖像孤立點的定義

從特征上來看，孤立點應當為數值上“少數”偏離者，在數值上與鄰域其他點不同，數量上占比較小，帶有離群性。而孤立點的離群性與鄰域選擇無關，在其所處范圍內大部分鄰域與其都是離群的，被稱之為鄰域無關性。在醫學圖像中，器官病變將引起部位結構、形態和機理變化，在CT圖像上將出現組織密度變化。根據組織密度與像素灰度映射關系，能夠確定部位密度分布狀況，在密度發展至一定程度后被判定為孤立點。而孤立點包含三類，一類為由個體差異造成的組織形態位置異常，容易影響算法準確性，而經過聚類分析后實現參數矢量組抽象，使擁有相同聚類特征圖像像素的產生對應映射表，能夠減少算法受到的影響;第二類為不同組織密度差異，在CT上將呈現為像素灰度異常，可以通過提取圖像聚類灰度信息完成孤立點識別;第三類為組織大小和形狀異常，是病變發展至一定程度后引起的變化，在CT上將以聚類像素點數量與其他像素比例變化的形式顯示出來，使得區域幾何中心發生了偏移，能夠成為輔助診斷人體病變的孤立點。從醫學診斷需求角度出發，可以參照同一距離拍攝圖像聚類參數矢量集，將腦部CT中像素聚類的密度、大小等屬性無對應一致情況的聚類看成是孤立點。

2.4 圖像處理改進算法

比較聚類參數矢量組，需要完成每個矢量分析，確定灰度值或像素點數相近的矢量。無法匹配，可以判斷為孤立點。實際在算法應用時，可以假設n幅腦CT圖像經過聚類分析后生成n個矢量組X={x1，x2，……，xn}。作為數據對象，xi擁有的聚類參數矢量最多不超過m個。對孤立點集進行求取時，需要對矢量組進行聚類分析，篩選出游離聚類條件外的矢量。在對矢量面積進行比較時，需要設定兩個矢量像素點差值不超過λ為相近，λ為預先設定的常量。而兩個矢量集合距離不超過常量μ，說明中心位置坐標相近。按照要求對未標記且匹配的矢量進行尋找，然后進行標記，能夠得到新的聚類。經過一次運算后，未能形成鏈表的矢量被看成是孤立點。根據需要查找的孤立點個數，可以通過反復實驗確定λ和μ值，然后多次運算完成孤立點查找。按照算法步驟，首先需要完成閾值λ和μ的設定，使指針指向檢測對象的第一張醫學圖像，與同一距離拍攝圖像進行比較，得到各矢量聚類[3]。確定是否存在無法聚類的圖像，如果存在可以使指針指向下一個圖像，重新進行孤立點查找，不存在可以得到孤立點[4]。實際在運算過程中，可以將兩個閾值合并，利用α=1&（β×γ-1）≤w這一條件進行孤立點判斷。α為矢量密度比值，β為面積比值，γ為中心位置坐標與常量比值。通過算法改進，能夠對結果集收斂范圍進行控制，只需要調整一個閾值就可以得到指定數量的孤立點，因此能夠使算法得到簡化。

2.5 孤立點的分析處理

運用算法對醫學圖像進行處理，能夠完成矢量組中孤立點標記。賦予特殊標記的矢量較多，在不同聚類矢量組中分布。在聚類粒度較大時，矢量組中矢量較少，孤立點極少存在，反之可以得到較多孤立點。根據孤立點與圖像特定區域的關系，還要對孤立點對應的聚類參數矢量進行還原，以便為醫生診斷提供輔助。在一組腦醫學圖像中，不僅包含病變引起異常的對象，也包含個體差異引起異常的對象，因此還要交由醫生進一步判斷[5]。如表1所示，為孤立點分析結果與醫生臨床診斷結果的比較，針對20例患者腦部醫學圖像進行處理發現15個孤立點，來自于10名患者，與醫生實際診斷得到的8名患有腦部疾病的數據相比，已經能夠實現初步篩查，為醫生診斷提供輔助。但根據可視化的孤立點分析結果，醫生能夠直接發現異常區域，所以可以簡化分析過程，提高醫生診斷效率。

3 結論

綜上所述，醫學圖像中包含較多難以被發現的有用信息，而采用孤立點分析方法能夠對這些數據進行挖掘，確定其中蘊含的診斷規則和模式，為醫生診斷疾病提供依據。實際運用該方法，需要結合醫學圖像特點完成孤立點定義，實現圖像聚類分析算法改進，最終可以實現圖像中微小紋理變化的辨別。

參考文獻

[1]王拯洲，李剛，王偉，等.基于鄰域向量主成分分析圖像增強的弱小損傷目標檢測方法[J].光子學報，2019，48（07）：75-86.

[2]宮海曉，賀杰.一種基于SNAM二值圖像表示方法的正方形子模式搜索策略[J].梧州學院學報，2018，28（06）：21-25.

[3]牛立尚.一種基于統計特征的孤立點和邊緣點檢測算法[J].信息技術，2015（06）：112-114.

[4]成云鳳，汪偉.基于醫學圖像的超分辨率重建算法綜述[J].北京生物醫學工程，2019，38（05）：535-543.

[5]張杰，趙惠軍，李賢威，等.基于生成式對抗網絡技術合成醫學圖像的研究進展與展望[J].醫療衛生裝備，2019，40（10）：93-98.