基于内容的医学图像检索

医疗卫生装备・２００８年５月第２９卷第５期ＣｈｉｎｅｓｅＭｅｄｉｃａｌＥｑｕｉｐｍｅｎｔＪｏｕｒｎａｌ・Ｖｏｌ．２９Ｎｏ．５Ｍａｙ２００８收稿日期：２００７－１２－０３修回日期：２００８－０１－１６作者简介：王春燕（１９８５－），女，山东金乡人，硕士研究生，主要从事医学图像处理与计算机辅助诊断方面的研究工作，Ｅｍａｉｌ：ｓｉｌｅｎｃｅ８５２５＠１２６．ｃｏｍ；郭圣文，讲师，主要从事医学图像处理方面的研究工作。

基于内容的医学图像检索王春燕，郭圣文，吴效明（华南理工大学生物学院生物医学工程系，广州５１０００６）［摘要］医学图像在临床诊断与治疗中的应用日益广泛，如何利用影像管理系统中大量的图像，辅助医生进行分析与诊断是一个非常重要的问题。

传统的基于文本关键字的图像检索方法已不能满足对大型医学图像数据库检索的需要，将基于内容的图像检索方法（ＣＢＩＲ）引入到医学图像数据库中进行研究是一项非常有意义的工作。

介绍了基于内容的医学图像检索系统的构成，重点讨论了其中的关键技术问题，包括医学图像分割、特征提取、相似性检索及匹配和相关反馈技术，并分析了国内外的研究现状，对未来发展趋势进行了展望。

［关键词］医学图像；基于内容的医学图像检索；特征提取［中图分类号］Ｒ４４５；ＴＰ３９１．４［文献标志码］Ａ［文章编号］１００３－８８６８（２００８）０５－００３３－０３Ｃｏｎｔｅｎｔ－ｂａｓｅｄＭｅｄｉｃａｌＩｍａｇｅＲｅｔｒｉｅｖａｌＷＡＮＧＣｈｕｎ－ｙａｎ，ＧＵＯＳｈｅｎｇ－ｗｅｎ，ＷＵＸｉａｏ－ｍｉｎｇ（ＤｅｐａｒｔｍｅｎｔｏｆＢｉｏｍｅｄｉｃａｌ，ＢｉｏｌｏｇｙＣｏｌｌｅｇｅ，ＳｏｕｔｈＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｇｕａｎｇｚｈｏｕ５１０００６，Ｃｈｉｎａ）ＡｂｓｔｒａｃｔＭｅｄｉｃａｌＩｍａｇｅｈａｓｂｅｅｎｉｎｃｒｅａｓｉｎｇｌｙａｐｐｌｉｅｄｉｎｃｌｉｎｉｃａｌｄｉａｇｎｏｓｉｓａｎｄｔｒｅａｔｍｅｎｔ．Ｉｔｉｓｖｅｒｙｉｍｐｏｒｔａｎｔｔｏｍａｋｅｕｓｅｏｆｌａｒｇｅｎｕｍｂｅｒｓｏｆｉｍａｇｅｓｉｎｍｅｄｉｃａｌｉｍａｇｅｍａｎａｇｅｍｅｎｔｓｙｓｔｅｍｉｎｏｒｄｅｒｔｏｈｅｌｐｃｌｉｎｉｃｉａｎｔｏａｎａｌｙｚｅａｎｄｄｉａｇｎｏｓｅ．Ｔｈｅｔｒａｄｉｔｉｏｎａｌｉｎｆｏｒｍａｔｉｏｎｒｅｔｒｉｅｖａｌｔｅｃｈｎｉｑｕｅｓａｒｅｎｏｔｆｉｔｆｏｒｒｅｔｒｉｅｖｉｎｇｌａｒｇｅｓｃａｌｅｍｅｄｉｃａｌｉｍａｇｅｄａｔａｂａｓｅｓ．ＩｔｉｓａｖｅｒｙｐｒｏｍｉｓｉｎｇｉｄｅａｔｏｉｎｔｒｏｄｕｃｅＣｏｎｔｅｎｔ－ｂａｓｅｄＩｍａｇｅＲｅｔｒｉｅｖａｌ（ＣＢＩＲ）ｔｅｃｈｎｉｑｕｅｉｎｔｏｉｎｄｅｘｉｎｇｍｅｄｉｃａｌｉｍａｇｅｄａｔａｂａｓｅｓ．ＴｈｅｓｔｒｕｃｔｕｒｅｏｆｔｈｅＣｏｎｔｅｎｔ－ｂａｓｅｄＭｅｄｉｃａｌＩｍａｇｅＲｅｔｒｉｅｖａｌＳｙｓｔｅｍ（ＣＢＭＩＲ）ｉｓｉｎｔｒｏｄｕｃｅｄ，ａｎｄｔｈｅｋｅｙｐｒｏｂｌｅｍｓａｒｅｍａｉｎｌｙｉｎｖｅｓｔｉｇａｔｅｄ，ｗｈｉｃｈｉｎｃｌｕｄｅｄｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ，ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ，ｓｉｍｉｌａｒｉｔｙｓｅａｒｃｈｉｎｇａｎｄｆｅｅｄｂａｃｋｍｅｃｈａｎｉｓｍ．Ａｔｌａｓｔ，ｔｈｅｓｔａｔｕｓａｎｄｄｅｖｅｌｏｐｍｅｎｔｏｆＣＢＭＩＲａｒｅｄｉｓｃｕｓｓｅｄ．［ＣｈｉｎｅｓｅＭｅｄｉｃａｌＥｑｕｉｐｍｅｎｔＪｏｕｒｎａｌ，２００８，２９（５）：３３－３５］Ｋｅｙｗｏｒｄｓｍｅｄｉｃａｌｉｍａｇｅ；ｃｏｎｔｅｎｔ－ｂａｓｅｄｍｅｄｉｃａｌｉｍａｇｅｒｅｔｒｉｅｖａｌ；ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ１前言随着科学技术的发展，医学影像已成为临床诊断中不可缺少的重要组成部分。

医院每天都会产生大量的医学图像数据，这些医学图像不仅可以反映人体的解剖和结构形态，而且可以揭示人体组织或器官功能，是医生进行临床诊断、病情跟踪、手术计划、预后研究的重要客观依据［１］。

对于如何有效利用影像数据库中存储的大量数据，辅助医生进行分析与诊断，提高诊断与治疗的效率和准确性，已成为亟待解决的问题。

在临床影像学诊断过程中，医生往往需要对多个或同一患者不同时间的影像进行比较与分析，寻找征象相似的影像，并结合诊断报告，进行综合分析后做出准确诊断。

早期的医学图像检索是基于文本的，医师通过关键字标注图像，即利用患者的姓名、住院号，图像的序列号、诊断报告等文本字段实现文本检索。

这种检索方式存在着耗时长、主观性强、不可重复性、难以用文字描述图像的物理和视觉特征等弊端，因此无法满足临床需求。

基于内容的医学图像检索（Ｃｏｎｔｅｎｔ－ＢａｓｅｄＭｅｄｉｃａｌＩｍａｇｅＲｅｔｒｉｅｖａｌ，ＣＢＭＩＲ）对医学图像本身包含的视觉特征和语义信息等进行分析，提取能有效表征图像的重要特征，并对这些特征进行相似性比较，找出与查询图像“相似”的医学图像。

这种基于图像特征的检索方法可以实现图像之间的量化分析与比较，具有较强的客观性，能快速有效地进行大量数据的分析与搜索，辅助医生进行诊断与分析，近年来成为计算机辅助诊断领域中研究的热点问题之一。

２系统结构基于内容的医学图像检索系统可以看成是用户（放射学者、医师等）和医学图像数据库之间的一个信息服务系统。

其基本原理是：对医学图像数据库中的每幅图像先进行特征分析，提取图像的特征；建立医学图像数据库的同时，建立与图像库相关联的特征库；在进行图像检索时，对给定的查询例图，先提取特征向量，再将该特征向量与特征库中的特征向量进行匹配，根据匹配的结果在医学图像数据库中搜索，即可检索出所需的图像。

基于内容的医学图像检索系统主要包括图像处理、检索与用户交互等模块，其中图像处理模块包括对象标识、特征提取、建立索引与数据入库等，此模块还包含感兴趣区域（ＲｅｇｉｏｎＯｆＩｎｔｅｒｅｓｔ，ＲＯＩ）的提取与标注、图像划分子块或多尺度分解等。

由于图像之间存在分辨率与空间位置的不一致性，因此有时在检索之前需要进行配准，查询模块主要实现系统与用户之间的交互。

基于内容的医学图像检索系统结构如图１所示。

综述ＧｅｎｅｒａｌＲｅｖｉｅｗ３３图１基于内容的医学图像检索系统结构图３关键技术问题基于内容的医学图像检索系统中的关键技术包括图像的分割、ＲＯＩ区域的获取、特征提取、相似性匹配和索引与相关反馈等。

３．１医学图像分割技术由于临床诊断往往是针对特定组织器官产生的病变，因此医学图像中特定的组织器官或局部区域常常是医生重点关注的部分，此时则需要对图像进行分割，将ＲＯＩ分离，提取出具有临床诊断意义的局部特征。

一方面降低了处理的数据量，提高处理速度，另一方面，提高了分析与诊断的准确性。

３．２医学图像特征３．２．１灰度特征灰度是图像最为直接的属性，与几何特征相比，灰度具有一定的稳定性和鲁棒性。

其中，灰度直方图是反映图像灰度总体分布的重要特征，但它不包含对象的空间位置信息。

均值化直方图也是图像灰度值的函数，它是医学影像数据库中所有正常影像数据的灰度分布函数，可用于正常与异常图像之间的比较。

３．２．２纹理特征纹理是一种与图像灰度的空间分布有关的特征，由于纹理更接近于人的视觉感受，因此成为人们重点关注的特征之一。

从图像像素之间的关系角度划分，纹理分析方法分为统计法、结构法、模型法与频谱法等４类。

基于统计方法是指利用图像的灰度空间分布情形来描述粗细、均匀性、方向性等纹理信息。

其基本原理是选择不同的统计量对纹理图像的统计特征进行提取。

最简单的纹理统计方法是基于图像直方图的中心矩方法，如均值、方差、扭曲度和峰值等纹理特征，其缺点是不能表达纹理的空间域特征。

目前使用较多的统计法有２种，一种是Ｈａｒａｌｉｃｋ提出的灰度共生矩阵法（ＧｒａｙＬｅｖｅｌＣｏ－ｃｕｒｒｅｎｃｅＭａｔｒｉｘＭｅｔｈｏｄ），它突出的是纹理的空间依赖关系［２］；另一种是Ｔａｍｕｒａ提出的视觉特征法，这种方法更多的是强调视觉效果［３］。

结构方法就是假定纹理模式由纹理基元的空间排列组成，使用模式基元和特定的排列规则来描述纹理，常用于纹理比较规则的图像。

模型法假设纹理按某种类型分布，如自回归模型、马尔科夫随机场模型、Ｇｉｂｂｓ随机场模型、分形模型等，这类方法存在着计算量大，自然纹理很难用单一模型表达的缺点。

变换域特征主要是指对图像进行一定变换后的结果进行分析，提取所需特征。

包括傅立叶变换、Ｇａｂｏｒ变换法与小波变换［４－５］。

由于Ｇａｂｏｒ变换具有最佳时域和频域连接分辨率的特点，能够同时对图像局部结构的方向和空域频率进行解析，对方向和尺度都可变化的边缘和直线进行检测，因此经常用来表示纹理信息的特征［６］。

３．２．３形状特征形状特征是图像最主要的视觉特征之一，图像的形状信息在医学图像检索系统中起着非常重要的作用，形状特征常与目标联系在一起，有一定的语义含义。

形状表示和描述的传统方法有Ｆｒｅｅｍａｎ码链、曲线、Ｆｏｕｒｉｅｒ描述符、二次曲线、Ｂ线条等，后来发展出超二次曲线、小波描述的形状逼近法。

３．２相似性匹配和索引由于医学图像的视觉特征大都可以表示为向量形式，因而常用的相似度度量方法都是向量空间模型。

通常用简单的欧式距离来度量特征向量间的差距。

在医学图像检索中，常用的还有马氏距离、契比雪夫距离。

由于医学图像的视觉特征主要是通过特征向量来表示的，且医学图像特征和特征的表示方法存在多样性，使得医学图像特征向量的维数相当高，可以达到上百、上千甚至上万维，因此，对于医学图像的索引，必须利用高维索引技术［７］。

最早期的高维索引技术的研究成果包括多维哈希表，网格空间等，但它们在高维数据上的应用效果不佳。

目前较为流行的高维索引技术包括Ｂｕｃｋｅｔｉｎｇ成组算法、ｋ－ｄ树、四叉树、聚类和神经网络等。

Ｚｈａｎｇ［８］提出了用自组织（Ｓｅｌｆ－Ｏｒｇａ－ｎｉｚａｔｉｏｎＭａｐ，ＳＯＭ）神经网络构造树状索引结构的方法。

ＳＯＭ的优点在于具有无人监督的记忆能力，动态聚类功能和支持任意的相似度度量。

通过在纹理集上进行的实验表明，ＳＯＭ是一种非常具有应用前景的索引技术。

３．３相关反馈技术在基于内容的图像检索系统中，图像视觉特征信息和用户对视觉数据理解的不一致性而降低了检索的正确性，即出现“语义鸿沟”现象。

相关反馈技术是一种交互式的技术［９］，用户无需人为制定各种特征权重的信息，而只需指出他认为与查询图像相似或不相似的图像，系统通过用户对前一次检索结果的相关反馈，自动的调整这些信息，更好的模拟图像的高级语义和感知主观特征，有效的降低了语义鸿沟。

图像检索中的相关反馈技术大致可以分为４种［１０］：参数调整方法、聚类分析方法、概率学习方法以及神经网络方法。

４研究动态综述ＧｅｎｅｒａｌＲｅｖｉｅｗ３４医疗卫生装备・２００８年５月第２９卷第５期ＣｈｉｎｅｓｅＭｅｄｉｃａｌＥｑｕｉｐｍｅｎｔＪｏｕｒｎａｌ・Ｖｏｌ．２９Ｎｏ．５Ｍａｙ２００８医学图像具有数据庞大、精度高、与解剖及临床的相关性高、存在噪声及局部体积效应等特点。