赵年年 张帆 郭惠玲
摘 要
医学图像处理属于复 杂问题，加强孤立点数据挖掘技术的运用有助于异常信息的分析与处理。基于此，本文结合孤立点分析方法，提出了医学图像聚类分析思路，在完成图像孤立点定义的基础上运用改进算法对图像数据中有价值的信息进行提取，最终得到了能够辅助医学诊断的图像处理规则。
关键词
孤立点分析;医学图像处理;聚类分析
中图分类号： TB1-4 文献标识码： 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
人体组织结构十分复杂，给医学图像处理带来了较大难度。运用孤立点分析方法，需要合理实现医学图像处理，才能保证有用信息能够得到顺利提取。因此需要对基于孤立点分析的医学图像处理问题展开分析，为医学影像工作开展提供支撑。
1 医学图像处理问题
在临床医学影像检查中，将生成大量医学图像，供医生诊断疾病使用。受个体差异、人体活动带来的正常形变等各种因素的影响，同一个人相同身体部位的CT图像将出现差异，造成医生难以对健康人体医学图像和病变人体医学图像进行简单区分[1]。采用关联规则，能够使身体构造内在规律得到揭示，但无法对个体差异和活动造成的正常形变进行区分，因此仅能用于脑部、骨骼等个体差异和形变小的組织结构检查。想要帮助医生加强医学诊断，还要进一步从图像数据中完成隐藏且有价值信息的提取，得到相应的医学诊断规则。
2 基于孤立点分析的医学图像处理
2.1 孤立点的分析方法
在孤立点中，可能包含有意义的知识。对孤立点进行分析，首先需要完成问题定义，然后做好数据准备，之后进行孤立点分析、结果解释和评估。在描述阶段，需要由挖掘人员和专家协作确定任务，结合工作需要确定挖掘要求和可以采用的挖掘算法。根据挖掘目的从原始数据库中完成目标数据筛选，然后通过消噪、转换等操作完成预处理，减少需要考虑的对象数目。在分析阶段，需要采用算法进行数据模式发掘。针对结果需要加强评估，剔除冗余或无用模式，对无法满足要求的模式重新剔除挖掘算法和设定参数，完成数据重新筛选。作为聚类算法的副产品，孤立点检测将实现优化聚类，将同一属性数据点聚集在一起，完成与多数数据相异的点的挖掘。
2.2 医学图像聚类分析
选取脑部CT图像数据，对20例患者图像进行编号，可以得到有序图像数据集。针对有序图像集，需要使像素灰度值与密度值对应关系一致，然后将噪声数据清除。利用剪切技术完成图像简化，减少冗余数据，提高算法执行效率。在处理过程中，图像将被分割为若干部分，各部分可以抽象为身体特定器官组织区域，同时各部分为若干像素点的聚集，还要从中完成共性特征值和参数的提取，以便以像素点为基本单元，将图像从列阵转化为各器官组织单元的抽象过程[2]。观察不同组织区域时，引入聚类参数矢量，能够将医学图像各个离散像素点抽象化处理，将点的灰度、坐标等转换为器官组织密度、大小等参数特征。在对脑部图像进行聚类分析后，可以得到各聚类编号、中心位置等信息，得到相应数组。而每幅图片都可以生成聚类参数矢量组，完成数字化描述。
2.3 图像孤立点的定义
从特征上来看，孤立点应当为数值上“少数”偏离者，在数值上与邻域其他点不同，数量上占比较小，带有离群性。而孤立点的离群性与邻域选择无关，在其所处范围内大部分邻域与其都是离群的，被称之为邻域无关性。在医学图像中，器官病变将引起部位结构、形态和机理变化，在CT图像上将出现组织密度变化。根据组织密度与像素灰度映射关系，能够确定部位密度分布状况，在密度发展至一定程度后被判定为孤立点。而孤立点包含三类，一类为由个体差异造成的组织形态位置异常，容易影响算法准确性，而经过聚类分析后实现参数矢量组抽象，使拥有相同聚类特征图像像素的产生对应映射表，能够减少算法受到的影响;第二类为不同组织密度差异，在CT上将呈现为像素灰度异常，可以通过提取图像聚类灰度信息完成孤立点识别;第三类为组织大小和形状异常，是病变发展至一定程度后引起的变化，在CT上将以聚类像素点数量与其他像素比例变化的形式显示出来，使得区域几何中心发生了偏移，能够成为辅助诊断人体病变的孤立点。从医学诊断需求角度出发，可以参照同一距离拍摄图像聚类参数矢量集，将脑部CT中像素聚类的密度、大小等属性无对应一致情况的聚类看成是孤立点。
2.4 图像处理改进算法
比较聚类参数矢量组，需要完成每个矢量分析，确定灰度值或像素点数相近的矢量。无法匹配，可以判断为孤立点。实际在算法应用时，可以假设n幅脑CT图像经过聚类分析后生成n个矢量组X={x1，x2，……，xn}。作为数据对象，xi拥有的聚类参数矢量最多不超过m个。对孤立点集进行求取时，需要对矢量组进行聚类分析，筛选出游离聚类条件外的矢量。在对矢量面积进行比较时，需要设定两个矢量像素点差值不超过λ为相近，λ为预先设定的常量。而两个矢量集合距离不超过常量μ，说明中心位置坐标相近。按照要求对未标记且匹配的矢量进行寻找，然后进行标记，能够得到新的聚类。经过一次运算后，未能形成链表的矢量被看成是孤立点。根据需要查找的孤立点个数，可以通过反复实验确定λ和μ值，然后多次运算完成孤立点查找。按照算法步骤，首先需要完成阈值λ和μ的设定，使指针指向检测对象的第一张医学图像，与同一距离拍摄图像进行比较，得到各矢量聚类[3]。确定是否存在无法聚类的图像，如果存在可以使指针指向下一个图像，重新进行孤立点查找，不存在可以得到孤立点[4]。实际在运算过程中，可以将两个阈值合并，利用α=1&（β×γ-1）≤w这一条件进行孤立点判断。α为矢量密度比值，β为面积比值，γ为中心位置坐标与常量比值。通过算法改进，能够对结果集收敛范围进行控制，只需要调整一个阈值就可以得到指定数量的孤立点，因此能够使算法得到简化。
2.5 孤立点的分析处理
运用算法对医学图像进行处理，能够完成矢量组中孤立点标记。赋予特殊标记的矢量较多，在不同聚类矢量组中分布。在聚类粒度较大时，矢量组中矢量较少，孤立点极少存在，反之可以得到较多孤立点。根据孤立点与图像特定区域的关系，还要对孤立点对应的聚类参数矢量进行还原，以便為医生诊断提供辅助。在一组脑医学图像中，不仅包含病变引起异常的对象，也包含个体差异引起异常的对象，因此还要交由医生进一步判断[5]。如表1所示，为孤立点分析结果与医生临床诊断结果的比较，针对20例患者脑部医学图像进行处理发现15个孤立点，来自于10名患者，与医生实际诊断得到的8名患有脑部疾病的数据相比，已经能够实现初步筛查，为医生诊断提供辅助。但根据可视化的孤立点分析结果，医生能够直接发现异常区域，所以可以简化分析过程，提高医生诊断效率。
3 结论
综上所述，医学图像中包含较多难以被发现的有用信息，而采用孤立点分析方法能够对这些数据进行挖掘，确定其中蕴含的诊断规则和模式，为医生诊断疾病提供依据。实际运用该方法，需要结合医学图像特点完成孤立点定义，实现图像聚类分析算法改进，最终可以实现图像中微小纹理变化的辨别。
参考文献
[1]王拯洲，李刚，王伟，等.基于邻域向量主成分分析图像增强的弱小损伤目标检测方法[J].光子学报，2019，48（07）：75-86.
[2]宫海晓，贺杰.一种基于SNAM二值图像表示方法的正方形子模式搜索策略[J].梧州学院学报，2018，28（06）：21-25.
[3]牛立尚.一种基于统计特征的孤立点和边缘点检测算法[J].信息技术，2015（06）：112-114.
[4]成云凤，汪伟.基于医学图像的超分辨率重建算法综述[J].北京生物医学工程，2019，38（05）：535-543.
[5]张杰，赵惠军，李贤威，等.基于生成式对抗网络技术合成医学图像的研究进展与展望[J].医疗卫生装备，2019，40（10）：93-98.
