25、医学图像分析与增强现实可视化技术

医学图像分析与增强现实可视化技术

在医学领域，图像分析和可视化技术对于疾病的诊断和治疗起着至关重要的作用。本文将介绍无线胶囊内窥镜（WCE）图像中异常结构的自动识别以及用于可视化体积医学数据的增强现实（AR）接口这两项技术。

1. WCE 图像中异常结构的自动识别

在 WCE 图像分析中，纹理分析为图像提供了实用的数值描述。通过选择最相关的纹理参数，可以对不同类型的可视化组织进行分类。

1.1 特征选择方法及分类结果

• VSCH 方法 ：该方法通过构建凸包来选择特征空间。在出血与正常、瘀点与正常、溃疡与正常的分类中，对训练数据集计算的分类特异性、敏感性、假阳性率和假阴性率结果显示，其在预测假阴性率（FNR）时可能过于乐观，这是由于算法本质上是围绕所选病理类的所有向量构建凸包。
• SVM 和 RBFN 方法 ：这两种方法都涉及核函数的特定参数化，通常需要对幂指数进行多次实验才能做出最终选择。

以下是不同方法的分类结果表格：
| 分类情况 | 方法 | FPR [%] | 特异性 | FNR [%] | 敏感性 |
| — | — | — | — | — | — |
| 出血 vs. 正常 | VSCH | 9.3 | 0.907 | 0.0 | 1.000 |
| 瘀点 vs. 正常 | VSCH | 3.4 | 0.966 | 0.0 | 1.000 |
| 溃疡 vs. 正常 | VSCH | 2.5 | 0.975 | 0.0 | 1.000 |
|