基于粗糙集的医学图像高维特征表示和辅助诊断模型研究

Rough set is a new theory processing high dimension properities, redundant properities and irrelevant properities. High Dimension properities interpretation and Computer-aided diagnosis based on rough set can enhance description ability for focal in medical image ROI, and improve computer-aided diagnosis accurancy further. Rough set will become a new theory possessing larger application prospects in medical image ROI. .This project refined high dimension characteristics of medical image ROI from the point of high-dimensional information interpretation, utilizing the idea of high-dimensional feature space analysis, in-depth study dimensionality curse,empty space and sample sparse phenomenon of high-dimensional feature space, combining the advantages without prior knowledge of rough set attribute reduction, discussing some key technologies in incomplete decision system of typical regions ,such as feature selection, generalization capabilities of ensemble learning. Through study some key problems in aided diagnosis, and building high-dimension representation framework about medical image ROI, attribute reduction algorithm based on the importance of attributes in the non-symmetric similarity relation, aided diagnostic model based on clustering analysis, rough set and ensemble learning are putted forward, and on the basis, the method are popularized to other organs,other modal medical imaging progressively,That is not only a useful attempt of intelligent medical image aided diagnosis, but also have great significance to promote the in-depth study of medical images.

粗糙集是一种处理高维、冗余和不相关特征的新理论，在医学图像ROI区域的高维特征空间中，基于粗糙集的高维特征表示和辅助诊断在增强对病灶描述能力的基础上能进一步提高辅助诊断精度，是一种具有较大应用前景的新理论。.本项目从高维信息表示的角度提炼医学图像ROI区域的高维特征，借鉴高维空间特征分析相关思想，深入研究高维空间中的维数灾难、空空间和样本分布稀疏等现象，结合粗糙集属性约简不需要先验知识的优势，探讨典型区域不完备决策表下的特征选择、集成学习器中泛化能力的提高等关键技术，通过研究辅助诊断中的关键问题,搭建医学图像ROI区域的高维信息表示框架，提出基于非对称相似关系粗糙集模型的属性重要度约简算法,基于聚类、粗糙集和集成学习的辅助诊断模型等新方案，在此基础上逐步向更多模态、器官的医学图像推广，这不仅是智能医学图像辅助诊断的有益尝试，而且对推进医学图像的深入研究具有重要意义。

基于粗糙集的医学图像高维特征表示和辅助诊断模型在术前病灶定位、肿瘤分期，术中监控和术后评估等方面有着广泛的应用前景，为临床的精准医疗提供有效的技术手段。本项目的主要工作和创新点如下：(1)围绕肺癌患者的PET/CT图像，构建由3000个样本构成的全身PET/CT图像、肺部PET/CT图像、肺部PET图像、肺部CT图像，共计4个模态的的图像库，并提取了8大类，104维特征。(2)在医学图像预处理和特征分析方面，着重研究压缩感知理论、非下采样轮廓波变换，提出了基于非下采样轮廓波变换和压缩感知的肺癌PET/CT图像像素级融合、Piella框架下基于压缩感知和直方图距离的PET/CT自适应融合和基于空间分布的肺结节分类等算法。(3)在基于粗糙集的特征选择方面，归纳总结了基于粗糙集的属性约简算法，围绕变精度粗糙集、邻域粗糙集和贝叶斯粗糙集，提出了基于粗糙集的特征级融合肺结节检测算法、基于遗传算法—变精度粗糙集模型的特征级融合、基于集成VPRS-RUGGA-SVM的多模态肺部肿瘤CAD模型、信息增益混合邻域粗糙集的肺部肿瘤高维特征选择算法、基于集成DE-NRS的肺部肿瘤计算机辅助诊断模型和基于BRSGA和CS两阶段优化的高维特征选择算法；(4)在计算机辅助诊断方面，总结了卷积神经网络和深度信念网络模型，提出了基于集成SVM的肺部肿瘤PET/CT计算机辅助诊断模型、基于随机化融合和CNN的多模态肺部肿瘤图像分类算法、基于PSO-ConvK卷积神经网络的肺部肿瘤诊断模型、基于集成DBN的肺部肿瘤计算机辅助诊断模型、基于CS-DBN的肺部肿瘤图像识别算法和“格影AI医疗——肺部肿瘤计算机辅助诊断系统”。