题目：因特网环境下医学影像检索与协同可视化关键技术研究

随着数字影像和通信标准DICOM(Digital Imaging and Communications in Medicine)的出现和医学影像摄影技术的发展，医学影像数据量急剧增加。现代化的医学信息系统需要能高效的利用这些丰富的医学影像数据资源，以为临床诊断，医学研究与医学教学提供支持。随着因特网技术的发展，医学影像数据被大规模的存储于一些在线的数据库中，这些数据库有利于各个医院和研究机构之间共享影像数据，为医生和医学研究者提供一个医学影像数据共享和研究平台，从而提高诊断水平和研究水平。在这些数据库中，一方面，基于内容的图像检索方式，即可以直接通过匹配底层特征检索到相同模态、相同器官、相同获取角度、以及相同生物系统的医学影像，成为影像检索的主要方式；另一方面，对一些较为复杂的影像数据，往往需要因特网上异地的专家和医生进行同步协同的可视化，在影像可视化过程中，通过共享专家和医生的知识和经验得到更好的分析结果，以促进诊断和研究。在因特网环境下的在线医学影像数据库中，如果高效的进行基于内容的医学影像检索和面向因特网的协同可视化成为目前的研究热点。 在在线医学影像数据库中，进行基于内容的医学影像检索和协同可视化需要解决以下关键技术问题。首先，单一的特征如颜色、纹理或者边缘特征只是描述了图像内容的部分信息，而多个特征则可以对图像的内容提供更加全面的描述，因此如何有效的融合多个特征以提高医学影像检索的准确性，是基于内容的医学影像检索的关键问题之一。第二，为了克服人的主观意念和底层特征之间的“语义鸿沟”，往往需要引入相关反馈，以使得用户可以交互式的对检索结果进行判决，因此如何基于这些反馈信息有效学习用户的检索意图，从而获得更好的检索结果，是基于内容的医学影像检索的关键问题之一。第三，用户往往通过系统返回的图像序列来评价一个图像检索系统的有效性。由于用户检索需求和底层特征之间的“语义鸿沟”，一些相关图像的排序往往会低于不相关图像，因此如何有效的进行重排序，从而获得更好的检索结果，是基于内容的医学影像检索的关键问题之一。第四，用户在检索到感兴趣的影像数据集后，对一些复杂的影像数据，需要异地的专家和医生进行同步交互的协同，通过共享其知识和经验以得到更好的可视化结果。因此如何在因特网环境下高效的对医学影像数据进行协同交互的可视化，是因特网环境下医学影像可视化的关键问题之一。 本文主要研究因特网环境下医学影像数据库中基于内容的医学影像检索技术和协同可视化技术，以支持高效的医学影像检索与协同可视化。本文主要研究结果如下： 1) 为了提高多特征融合检索的准确性，本文分别提出了两种查询依赖的特征融合方法QDFF-I (Query Dependent Feature Fusion-I)和QDFF-II (Query Dependent Feature Fusion-II)。QDFF-I基于用户在一次查询中提供的多个查询样例，可以自适应的学习出一个特征融合模型，这个学习的特征融合模型可以反应不同特征对当前查询的不同重要程度。而QDFF-II基于用户在一次查询中提供的多个查询样例，可以自适应的学习出一个特征融合模型，这个学习的特征融合模型不但可以反应不同特征对当前查询的不同重要程度，而且可以反映不同样例在表达用户检索意图方面的不同重要程度。QDFF-I和QDFF-II可以针对不同的查询学习出不同的特征融合模型，以使得特征融合模型对当前查询较为优化。实验结果表明，和同类研究成果相比，QDFF-I可以提高查准率达7%。和QDFF-I相比较，QDFF-II可以提高查准率达8%。 2) 针对用户在相关反馈过程中引入的噪声，关注于引入较多的正例噪声，提出了一种噪声平滑的相关反馈方法NSRF(Noisy Smoothing Relevance Feedback)。NSRF通过两阶段的噪声处理方法来处理反馈中的正例噪声。在第一阶段，通过噪声过滤算法来尽可能的过滤掉正例中存在的噪声。在第二阶段，考虑到未过滤掉的正例噪声，对经过噪声过滤后的正例集中的每幅图像赋予一个相关度估计值，以反映其是正例的可能度。NSRF在噪声过滤后，将相关反馈看作为一个二分类问题，和现有的相关反馈中将正例同等对待不同，NSRF考虑了正例中可能存在的噪声，根据其不同的相关度对正例赋予不同的重要程度。实验结果表明，和同类研究成果相比，NSRF提高查准率达10%。 3) 针对由于用户检索需求和底层特征之间的“语义鸿沟”，在图像检索结果中，一些相关图像的排序往往会低于不相关图像的问题，本文借鉴了文本检索中的伪反馈的技术的思想提出了基于增强伪反馈的重排序方法EPRF-RR(Enhanced Pseudo Relevance Feedback based Re-ranking)。伪反馈技术的基本思想是通过将排序靠前的图像当作正例，将排序靠后的图像当作负例，通过伪反馈的技术来进行重排序。然而，由于排序靠前的图像中往往存在着不相关图像，因此基于基本伪反馈的重排序方法受到一定的制约。和基本的伪反馈技术相比较，EPRF-RR首先通过相似度更新来提高排序靠前的图像的准确性，其次通过对排序靠前的图像赋予一个相关概率来减轻不相关图像的影响，最后通过分类器组合的方法来进一步提高重排序的准确性。实验结果表明，EPRF-RR比同类研究成果提高查准率达8%。 4) 针对目前现有的医学影像协同可视化系统一般采用基于共享事件的协同可视化方法的不足，即其在协同客户端需要备份医学影像数据和安装专业的可视化客户端，提出了一种共享展现的医学影像协同可视化方法SDCV (Shared Display based Collaborative Visualization)。SDCV通过共享协同可视化结果来支持多个协同客户端对影像数据进行同步协同的可视化，SDCV无需在各个协同客户端备份影像数据，同时也无需安装专业的协同可视化客户端，克服了现有的基于共享事件的协同可视化方法的不足。SDCV通过对操作事件和用户分级来解决协同可视化中的“事件碰撞”问题。SDCV通过基于状态序号的客户端状态更新方法来保证协同客户端之间的状态一致性。基于提出的SDCV方法，实现了医学影像协同可视化系统-ACTMCV。在ACTMCV系统上的测试结果验证了SDCV方法的有效性。