[01326572]海量医学图像信息检索关键技术研究

随着数字化影像技术发展，医学图像急剧增多，如何对这些海量医学图像进行有效管理和组织，以便为临床诊断提供服务，是医学工作者面临的难题。

基于内容的医学图像检索（Content Based Medical Image Retrieval，CBMIR）具有检索速度快、精度高等优点，在医学教学、辅助医学诊断、医学资料管理等领域得到了广泛应用。

CBMIR 算法需要计算示例医学图像特征与特征库特征的相似度，这是一个典型的数据密集型计算过程。

当特征库中特征数量比较大时，传统浏览器/服务器模式单节点的检索效率难以满足图像的实时性要求，且系统的稳定性、可扩展性差。

当前，云计算（Cloud Computing）可以将任务分配到各个工作节点共同完成任务，具有分布式、并行处理能力，为医学图像检索提供了一种新的研究思路。

基于大数据及云计算技术的医学图像检索系统减少了图像检索时间，提高了图像检索效率，对于海量医学图像检索优势更加明显，是一个重要的研究和发展方向。

在本项目执行期内，针对当前医学图像大数据化、多源化、高维化、可视化的研究与应用现状，面向海量医学图像信息检索的关键技术展开研究，本研究基于图像理解特性，兼顾医学图像综合信息特征，重点研究了基于深度学习的医学图像检索分类、基于图像局部信息特征的医学图像分割算法和医学图像配准三方面关键技术完成的主要工作内容及进度情况如下：

一、基于深度学习的医学图像检索分类研究方面

1.乳腺图像处理与分析

（1）针对乳腺癌病理图像，项目组研究提出了三个深度学习模型 CSDCNN、BiCNN以及一种改进 GoogLeNet 分类器的算法模型，在国际公开数据集BreaKHis 上的测试结果表明，在患者级别和图像级别的分类识别率领先同行研究结果 10 个百分点以上，且具有较好的鲁棒性和泛化性。

（2）针对乳腺癌钼靶图像和超声图像，设计一种基于评价指标 R 的选择性集成分类器方法。研究结果表明，该分类器精确度为 88.73%、灵敏性为 97.06%。该方法可用于辅助医生进行乳腺癌诊断，提高医生工作诊断效率和精度，对临床上乳腺癌的研究及大规模筛查具有一定意义。

2.脊柱图像模式识别研究

（1）设计提出深度多尺度多任务学习网络 DMML-Net，可对椎间孔及其致病因素进行检测、分类和做综合判断。

（1）项目研究提出了深度循环对抗生成网络 Spine-GAN，可实现对腰间盘、脊椎、 和椎间孔的全自动分割和病理分类。

二、基于图像局部信息特征的医学图像分割算法研究方面

1.基于神经细胞 TEM 图像的局部聚簇性特点，应用超像素技术，研究设计了一种基于局部特征约束的 TEM 图像分割算法。

2.为了提高肺实质分割的准确率，设计了一种基于超像素的细化分割与模糊 C 均值聚类相结合的自动分割算法。

3.基于肺部 CT 图像灰度不均匀、纹理变化大的特点，构建一种超像素与随机森林相结合的肺部 CT 图像分割算法。

4.为降低乳腺肿瘤分割算法的计算复杂度，提高乳腺分割的精度，提出一种基于超像素的乳腺肿瘤分割算法。

5.针对眼底 OCT 图像，结合局部和全局信息，设计一种多尺度端到端的 2D OCT脉络膜分割算法。

三、医学图像配准方面

基于互信息熵配准测度函数，设计了一种基于多特征信息融合的边缘特征点互信息配准测度，并利用梯度下降法优化配准过程。

研究结果表明，该方法能够准确、快速地处理刚性配准问题，在多源医学图像的配准中具有一定的先进性，是一种稳健的自动配准方法，可用于临床研究，具有较高的实用价值。

本研究虽然对海量医学图像信息检索关键技术进行了部分理论和实验研究，并取得了一定的成果，但是海量医学图像信息检索关键技术研究过程中涉及的知识面广、难度较大，以及医学图像自身具有的非均匀性、退化性和形态结构复杂性特点，决定了对其研究和应用的难度和广度。

因此，海量医学图像信息检索关键技术相关理论、模型建立及技术难点方面仍然需要不断深入的研究，期待大的突破。

其中，结合临床需求，如何快速、高效的获得具有较高质量的密切相关图像及信息，从而更好地满足实际临床诊疗需要，仍然是一个急需解决的且极具价值的问题。

项目执行期间，共培养青年学术骨干 4 名，研究生 7 名;发表 10 篇科研论文，其中SCI论文4篇（JCR2 区论文2篇），EI 论文2篇;录用论文8篇，其中 SCI 论文3篇（均为 JCR2 区），EI 论文 2篇;获得2016年山东省自然科学学术创新奖（No.2016G021）。