近代医学的发展,一直随着医学诊断设备的发展而不断进步。辅助仪器的产生使得医师诊断,从肉眼可见的体表伤害,到利用显微镜可见的细胞结构,再到当代影像设备为辅助的大器官影像。辅助诊断设备不断推动医学向影像、循证、量化的方向发展。1611年Kepler(克卜勒)设计出第一台复合式显微镜,人们终于可以观察细小结构。1874年德国病理学家Virchow首次使用显微镜观察进行人体细胞的观察,开创了有创诊断的先河,也使得人类医学认知从浅表诊断迈向了细胞病理学诊断。此外大型影像学设备也经历了三个里程碑式的飞跃,1895年,德国物理学家伦琴在实验室发现了X线(X-ray),使得人类不再局限于有创的体内检查,让透视检查成为可能；1972年,Hounsfield和Cormack宣布第一台用于颅脑检查的CT(Computed Tomography,即电子计算机断层扫描)诞生,通过断层扫描的方法,我们能够获取更清晰的骨性结构；2003年诺贝尔医学奖颁给发明了MRI (Magnetic Resonance Imaging,磁共振成像)成像技术的Lauterbur和Mansfield, MRI的出现让我们能更清晰的观察病灶三维结构并对其进行定位。随着越来越多医学图像的产生,越来越精细的诊断需求,医生的工作负担不断加重,计算机辅助诊断(Computer-aided Diagnosis, CAD)的地位也日益凸显。通过将医生的经验诊断过程转换成图像分析算法和计算机语言,用自动分析处理的方式减轻医生工作量已变得越发重要。目前在图像分析领域中,将图像按照疾病种类和疾病所处病理阶段进行分类逐渐成为研究焦点。这是由于,图像分类与分割密不可分,分割通常是分类的重要环节,图像分类不仅能够提供分割的中间结果以辅助医生扩展图像信息。同时还能产生疾病标签,帮助医生快速进行疾病种类和严重程度的判断。本文针对疾病分类进行研究,主要关注1)MRI脑肿瘤分类；2)肝硬化的量化分类,分别提出了改进算法。脑肿瘤是全身肿瘤发病率最高的肿瘤形式,约占5%,在儿童肿瘤患者中,脑肿瘤占70%。同时,脑肿瘤处于颅内,局部脑组织异常增生会压迫脑内其他组织神经,随着肿瘤体积的不断增大,引起脑内水肿和积水增加,颅内压升高,严重时造成患者突然性死亡,对人类的影响和危害极大。因此对脑肿瘤进行及时诊断尤为重要,目前脑肿瘤的诊断由医生根据患者自述疾病体征和病史进行鉴别,当怀疑有脑肿瘤风险时,进行影像学诊断。MRI由于其适用性广、无创无辐射、超高的软组织分辨率等特点,成为脑肿瘤诊断的主要影像设备。利用MRI进行脑肿瘤检查,能够及时筛查出早起病变,清晰的显示肿瘤形态,利用对肿瘤进行类别判断,对前期对症治疗及治疗效果追踪都具有较好的意义。目前脑肿瘤发病率较高的三种分别是：胶质瘤、垂体瘤、脑膜瘤,由于其形态和病因学的不同,其治疗方案也有所差异,准确的将其进行肿瘤分类,是医生制定具有针对性的精准治疗方案的前提。目前,肿瘤分类通常依靠医生的经验分析,根据肿瘤形态、灰度、周围的组织结构进行判断,此外由于不同模态的MRI图像能够反映肿瘤区域的不同信息,例如,T1对比度增强的图像能够反映对比度增强的区域,T2图像能够反映水肿区域,因此在医生进行判断时,往往要结合多种模态的脑部MRI影像作为参考,以决定最后的肿瘤分类。这种严重依靠医生经验及介入的分类方式,极大的加重了医生的诊断负担,难以满足目前日益增多的临床需求。因此利用计算机进行快速的肿瘤类分类,减轻医生工作负担。本文意在通过大量的已有分类标签的肿瘤数据,设计出一种自动进行肿瘤分类的算法,以解放在传统分类模式中强烈依赖的医生经验,减轻医师的工作量。研究表明,同一种类脑肿瘤周围组织常常具有相同的结构特点,而不同种类脑肿瘤之间又存在着差异化的邻近组织结构,基于此,本文提出了扩展肿瘤区域的方法,将肿瘤的一定范围内的邻域组织也划入新的感兴趣区进行特征提取和描述。在提取包含邻域像素信息的特征提取方式时,通常采用具有对称结构的方块状子空间,然而由于脑肿瘤的个体差异,其在外观上的形态千差万别,形状,大小及强度各有不同,无法满足对称结构,因此无法使用对称的矩形对脑肿瘤进行分块。同时肿瘤的形态对于其类别的判断具有显著意义,因此,本文提出了将肿瘤按其形状,根据每个特征点到ROI边界的距离,将肿瘤进行环状分区的分块模式。概况而言,针对MRI脑肿瘤分类,本文提出了1)将扩展的肿瘤区域作为感兴趣区；2)采用基于肿瘤形状的环状分区模型进行分块特征提取。采用灰度直方图、灰度共生矩阵、词袋模型的三种方式验证上述思想对分类精度改善的有效性。实验采用233个患者,共3064张切片,包含三类常见的肿瘤图像(脑膜瘤708例,胶质瘤1426例,垂体瘤930例)。实验结果表明：使用扩展的ROI区域比将原始肿瘤区域进行特征提取,分类精度有明显提高。具体来说：直方图的分类准确率从71.39%提高至82.31%；灰度共生矩阵的分类准确率从78.18%提高至84.75%；词袋模型的肿瘤分类准确率也从83.54%提高到88.19%。在使用环状分块之后,三种方法的分类准确率进一步提高至87.54%、89.72%、91.28%。本文的另一个工作是完成对肝硬化的量化分类,量化分类具体来说包括两方面的工作：获取肝硬化的量化几何学参数、进行肝硬化疾病严重程度的分类。由于传统病理切片在处理上需要经过固定、染色、扫描等多次繁琐的步骤,病情分类由医生经验给出,在整个过程中存在诸多问题。1)切片化学染色过程中会引入光化学污染,造成疾病诊断误的同时不利于切片标本的二次处理和保存；2)经染色处理的切片交由病理医生,依靠肉眼观察和经验分析进行疾病评分,引入了人为误差；3)依靠医生经验判断的评分系统,对医生的经验性专业性要求极强,加重医生工作负担；4)现有的评分指标单一,如Ishak等,难以实现多种参数间的互相验证。因此有学者提出了量化病理学,对特征结构的几何学数值进行量化,以精确的量化指标代替医师的主观性结构分析。但该类量化结果的产生也往往依赖于医师手动勾画和测量,繁琐的操作过程极易产生疲劳,造成漏诊、误诊。针对肝脏病理切片的量化问题,本文提出的算法主要包括：1)采用非线性光学二次谐波(Second Harmonic Generation, SHG)与双光子激发荧光(Two-Photon Excitation Fluorescence, TPEF)显微成像系统,获取非染色、高分辨率的肝脏切片图像。该种切片处理方式避免了传统的染色获取切片中,可能存在的化学污染和染色误差；2)使用自动分割算法,用加权中值滤波器去除图像噪声,灰度归一化抑制成像时不同亮度带来的影响、高斯函数逼近灰度直方图进行阈值分割、多点种子点区域增长等算法。先后将图像按照诊断所需的病理结果分割成：血管、纤维、肝结节、输出分割后的图像,以扩展医学影像信息；3)将分割出的不同组织学结构进行量化以获取其几何参数,作为辅助诊断的客观信息,如：面积、直径、厚度、百分数等。输出精确的数值量化结果,供医生参考；此外,利用所获取的特征参数建立qCP-index,自动进行疾病分类,让医生获得对疾病严重程度的客观指数。文中所述方法首先在动物模型上进行验证,使用处于肝硬化阶段的175个大鼠样本进行定量分析,利用soft-max回归分类器进行训练和分类,其预测分期结果和医生临床诊断结果进行对比,分类准确率达91.3%。收集整理临床病理样本105例(F4 39例、F5 39例、F6 27例),使用文中所述方法进行量化,将特征值建立起qCP-index索引,与3位权威的病理医师打分进行对应,准确率达到83.4%,表明该量化分类算法具有辅助临床诊断的意义。