大数据下基于多尺度的脑肿瘤图像特征提取

王红欢+陈芝薇+吴真斌

摘要：大数据环境下的脑肿瘤图像的特征提取，根据不同的特征提取技术生成不同的特征向量将这些特征向量独立的保存在特征数据库中，通过计算机的辅助诊断，能够快速准确地判断出医学图像某些部位的正常与异常。

关键词：大数据环境；特征提取；颜色；纹理；形状

中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2017）14-0167-02

1背景

脑肿瘤的发病率逐年上升。脑肿瘤在20-50岁间最为常见。各项数据表明，脑肿瘤死亡率较高，进行研究治疗迫在眉睫。但医疗行业遇到了海量数据和非结构化数据的挑战，因而很多国家都在积极推进医疗大数据化发展。大数据的意义在于，对大体量、高复杂数据、影像的挖掘和运用，让个性化、精准化的医疗服务成为可能。

2项目研究

2.1大数据收集及数据预处理

大数据的收集意义在于对大体量、高复杂数据、影像的挖掘和运用，让个性化、精准化的医疗服务。大数据不依赖于随机取样，样本等于总体。目前我们收集到300多组数据，主要包含3类肿瘤图像：胶质瘤、脑膜瘤、垂体瘤。数据集包含来自患者的切片。

医学图像常常存在很多问题，例如非均匀性，不一致性，噪声大，缺少结构等等。所以要对数据进行预处理。数据预处理就是通过计算机辅助进行各种加工。处理手段有利用局部和卷积算子以及像素运算等技术对图像去噪与增强等等。我们小组前期通过opencv3.2+vs做了算法比较。也使用医学影像处理软件MIPAV对收集到的图像进行去壳以及灰度均衡化的预处理工作以及统一了所有数据的格式。图1显示了MIPAV软件对脑肿瘤图像的恢复结果。

2.2特征提取

在对医学影像分析，特征提取便是第一步。根据不同的特征提取技术生成不同的特征向量将这些特征向量独立的保存在特征数据库中。图像的特征提取就是把不重要的特征过濾，逐步提取重要的特征。我们通过图像的颜色、形状、纹理分类多尺度提取图像特征。

2.2.1颜色特征

颜色特征是基于像素点的特征，颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。我们主要使用颜色直方图，使用RGB和HSV颜色空间。使用kmeans聚类。

2.2.2形状特征

形状特征有两类表示方法，一类是轮廓特征，另一类是区域特征。我们使用改进的傅立叶形状描述符。