随着医学影像技术的发展,医学图像数量大规模增加,大量医学图像在辅助医师进行疾病诊断的同时,也增加了医师的工作量。传统的影像医疗诊断中,医师主要通过观察一组二维切片图像以发现病变,这往往依赖于医师的经验,至于准确发现病灶内部的机理改变、与周围生物组织的关系等,仅仅通过观察二维切片图像是很难实现的。纹理作为数学上的一种描述属性,可以很容易地提供病灶特征的定量测量,基于纹理分析的医学图像辅助诊断是一种定量数据分析的计算机辅助诊断系统,是影像组学(或称放射组学)的主要研究内容。近年来,基于纹理特征的影像组学研究成为医学图像辅助诊断的主要方向。医学图像感兴趣区存在空间分辨率低、病灶内部结构复杂、成像有容积效应或伪影干扰等难点,因此传统的纹理分析方法对医学图像感兴趣区的定量解释是比较困难的。本文系统地分析了基于纹理分析的医学图像辅助诊断涉及的纹理增强、纹理特征提取、纹理分类等关键技术,归纳了现有相关技术在医学图像辅助诊断中的优点与不足,并结合医学图像特点提出了一些解决方法,取得了较好的成果,主要包括:1提出了一种应用于医学图像感兴趣区纹理增强的基于小波变换的分数阶微分算法。纹理增强的目标是突出灰度变化较多、较快的高频轮廓信息,并保留低频平滑信息。该算法利用小波变换分离感兴趣区的高频与低频分量,基于Grumwald-Letnikov定义构造一个带补偿参数的多方向对称增强的分数阶微分掩膜对高频分量进行卷积,小波逆变换的完美重构特性使得对变换系数(即分量)的修正能够在重组后的图像中显著表现。实验表明,该算法在增强高频轮廓信息的同时,较好地保留了低频平滑纹理信息,使感兴趣区的纹理信息更丰富、内部细节更清晰,通过对增强前后的感兴趣区进行分类实验,表明该算法对基于纹理特征分类的辅助诊断也是有益的。2提出了一种多分辨率分析和统计分析融合的多层次纹理分析理论框架,设计并实现了三种应用于医学图像感兴趣区的纹理特征提取算法。纹理特征提取的主要目标是寻找在同类样本间具有相近性质的、稳定的描述符,并且这些描述符在不同类样本间应具有显著差异。首先,利用多分辨率分析法捕获医学图像感兴趣区中的高频细节分量(医学图像中难以在视觉上区分的病灶特征很可能蕴含于高频细节分量中,一个细节分量即一个系数矩阵);其次,对于一个细节分量,分析训练样本中该细节分量对应的系数矩阵的规则,离散化新样本中该细节分量对应的系数矩阵;最后,利用统计分析方法提取被离散化的系数矩阵中的数学描述符。本文设计并实现了三种纹理特征提取算法:(1)一种基于线性归一化取整的多分辨率统计分析算法。该算法将系数矩阵值划分为N个等宽区间以将系数离散化。(2)一种基于最小值与最大值的多分辨率统计分析算法。该算法对于多分辨率分析中的一个特定尺度与方向的细节分量,计算训练样本中该细节分量对应的系数矩阵的最小值与最大值,基于最小值与最大值之间的N个等宽区间将系数离散化。(3)一种基于最小值均值与最大值均值的多分辨率统计分析算法。该算法对于多分辨率分析中的一个特定尺度与方向的细节分量,统计训练样本中该细节分量对应的系数矩阵的最小值均值与最大值均值,基于最小值均值将一个样本中该细节分量对应的系数矩阵进行平移,再基于最小值均值与最大值均值划分N个等宽区间以将系数离散化,并对落入N个等宽区间之外的系数进行约束。上述三种算法均采用统计方法提取已被离散化的系数矩阵的数学描述符作为纹理特征。实验表明,所提取的纹理特征在基于纹理分析的医学图像辅助诊断中具有比传统纹理分析方法更好的性能,这些纹理特征可以潜在地增强放射科医师们的视觉诊断能力,这可能与诊断问题有关,但不一定在视觉上可见。3.提出了一种基于类别统计的多组纹理特征复合分类模型。该模型基于多分辨率分析中各个分量的统计学特点计算新样本的类别属性概率。首先,将训练样本按类别分成多组,在每组中统计各分量的系数。其次,一个新样本的系数矩阵依次按照每组统计结果执行离散化,提取已被离散化的系数矩阵的纹理特征,从而获得多组特征。对于一个新样本的多组特征,计算每组特征属于各个类别的概率,然后决策。实验表明,该模型相比于传统纹理分类模型提高了分类性能。