随着计算机视觉及图像处理技术的发展,医学图像处理及分析技术已成为计算机辅助诊断中的重要组成部分。其中,图像特征作为图像内容和关键属性的数据化描述手段,在图像处理及分析的各个环节发挥着重要作用。然而,由于医学图像特有的复杂性,传统图像特征提取方法往往很难取得预期效果,不能够满足医学图像处理及分析中的实际应用需求。本文从医学图像特征提取方法着手,针对医学图像的分类、配准及分割等不同应用领域中图像特征的应用情况展开研究,基于准确性、稳定性、高效性三个基本准则,提取适用的图像特征,并根据实际应用需求提出相应的改进方案。本文的原创性工作主要体现在以下四个方面:1.提出了一种基于纹理学特征与形态学特征融合的医学图像分类方法针对医学图像分类任务中单一类型的图像特征辨别能力不足、稳定性欠佳的问题,提出了一种多类型、多维度特征融合的医学图像分类方法。首先,通过两种图像纹理特征提取方法:灰度共生矩阵和Gabor滤波器分别在二维空间中提取脑MRI横断面影像的图像学特征;其次,利用基于体素的形态学分析方法,在三维空间中提取脑MRI影像中不同脑组织的体积和概率密度等解剖学特征;最后,融合所提取的多维特征并通过支持向量机对脑MRI影像进行分类识别。该方法结合了医学图像中的底层特征和高层特征,能够从不同的角度同时对图像内容进行描述和辨识。通过基于ADNI数据集的真实脑MRI影像分类实验证明,该方法用于阿尔兹海默病患者与轻度认知障碍患者的脑MRI影像样本自动检测和辅助诊断,均能取得较好的检出率和准确率。2.提出了一种基于改进SVM-RFE的二阶段医学图像特征选择方法针对基于多特征融合的医学图像分类任务中,特征维数过高、冗余数据过多等问题,提出了一种基于改进SVM-RFE的最优特征子集选择方法。首先,利用支持向量机递归特征消除方法(SVM-RFE)对所有初始特征的辨识能力进行评价和排序;接着,利用协方差矩阵计算特征之间的相关性序列;然后,通过序列前向选择方法(SFS),结合初始特征集的辨识度序列和相关性序列对最优特征进行组合,并通过双样本测试,得到同时具备最佳辨识度和最小冗余度的特征子集;最后,利用最优特征子集在支持向量机中对图像进行分类。通过基于ADNI数据集的真实脑MRI影像分类实验证明,该方法能够有效提升分类算法的准确率和检出率,并且降低了运算复杂度。3.提出了一种SIFT特征与三维灰度特征结合的医学图像匹配方法针对医学图像特征匹配任务中,单独使用SIFT特征描述子时,点对匹配精度不高的问题,提出了一种结合脑CT断层序列图像中三维灰度特征的改进匹配方法。首先,通过尺度不变特征变换描述子(SIFT)提取待配准图像中的关键点特征,利用特征向量的欧氏距离作为相似性度量来获得初始匹配点对;然后,在脑CT断层序列图像的立体空间中,提取匹配点的三维邻域灰度特征;最后,利用三维灰度特征对初始匹配点对进行筛选和调整,得到精确的图像匹配结果。通过在不同时间自同一受试者提取的真实脑CT图像进行实验,结果证明该方法能够得到较为准确的特征匹配点对,从而提升了医学图像配准的精度。4.提出了一种基于深度神经网络的医学图像分割方法针对基于语义信息的医学图像分割中难以发现和提取到有效特征的问题,提出一种基于堆叠降噪自动编码器的深度神经网络,对图像像素区块进行特征学习并加以分类,继而实现感兴趣区域的自动分割。首先,利用无标签的图像块样本训练堆叠降噪自动编码器,学习和提取图像的深层特征,构建出初始深度神经网络模型;接着,利用有标签的样本对初始深度神经网络模型进行微调,将图像的深层特征与类别对应,得到具有分类功能的深度神经网络模型;然后,利用该模型对待分割图像中的像素区块样本进行分类,检测出脑肿瘤组织的初始分割区域;最后利用阈值分割和形态学方法对初始结果进行优化,得到准确的脑肿瘤组织分割结果。通过在真实脑肿瘤患者MRI影像数据上进行分割实验,结果证明该方法能够有效提升分割准确率和灵敏度,同时运行速度也较传统机器学习方法有较大提升。