醫學影像分析可以幫助醫生將放射影像使用於計算機輔助診斷，並且被廣泛的使用於影像分割、病變偵測及分類。對於醫生來說，假如以人工的分式去讀取並辨認每一張影像，是非常耗時的。在本論文研究中，我們提出一個監督式的分群方法用於有效的分類其腹部斷層掃描影像，架構的主要內容為：(ㄧ)、腹部斷層掃描影像採用種子式區域成長法(Seed Region Growing, SRG)進行分割；(二)、我們將腹部斷層掃描影像分成七個部位：膽囊、肝臟、腎臟、脾臟、胃部、骨頭和其他類，我們定義器官類為膽囊、肝臟、腎臟及脾臟，而非器官類為胃部、骨頭及其他類，接著利用多階層支援向量機(Support Vector Machines, SVM)將資料做分群；(三)、由支援向量機分群的結果劃定每個部位成不同的顏色，以利辨識。由實驗結果顯示，我們所提出的方法可以自動且有效地識別腹部斷層掃描影像中的臟器，且為了評估所提方法能有效的將腹部影像做正確分類，我們使用混淆矩陣(Confusion Matrix)的方法，實際執行20張測試影像，並隨機選擇當中的10張影像作為訓練樣本(Training data)，另外10張當作測試影像(Testing data)，顯示所提方法在測試影像評估所提方法之效能顯示其正確率達到86%以上；回響率值也有84.8%，證明所提方法確實能有效的檢測影像中的目標器官與非器官。

Medical image analysis helps physicians in computer assisted diagnosis from radiological images. Such image analysis has been widely used for the segmentation, detection, and classification of various lesions. It is time consuming for physicians to read and identify abnormalities from the medical image manually. In this paper, a supervised clustering method is proposed to provide visual representation of organs and tissues in the CT images. The main elements of the proposed framework include: (1) the input abdominal CT image is automatically segmented in to regions by seeded region growing (SRG) method; (2) using hierarchical support vector machines (SVM) to divide abdominal CT image into seven parts: gallbladder, liver, kidneys, spleen, stomach, bones and other parts; and (3) delineate the regions into different colors result by the support vector machine (SVM) classifier. Experimental results demonstrate that our proposed method can automatically segment and recognize the organs in the abdominal CT image effectively. Furthermore, we use confusion matrix to evaluate our method. We took 20 images, then randomly chose 10 images as training data and other 10 images as testing data. The accuracy of our proposed method is up to 86% and the recall is 84.8%. The prediction shows our proposed method can effectively delineate regions which we defined.

第一章 緒論 1
1.1 研究背景與動機 1
1.2 論文架構 4
第二章 文獻探討 5
2.1 非監督式分群方法 6
2.1.1 醫學影像基於邊界分割方法 6
2.1.2 醫學影像基於區域分割方法 6
2.1.3 醫學影像基於模型分割方法 8
2.2 監督式分群方法 11
第三章 研究方法 14
3.1 採用自動種子區域成長法的分割方法 14
3.1.1 自動挑選種子 15
3.1.2 種子區塊成長 19
3.1.3 相似區塊及骨頭合併處理 21
3.2 監督式電腦斷層影像分群方法 24
3.2.1 特徵值萃取 24
3.2.2 多階層支援向量機 25
第四章 實驗結果與討論 35
4.1 影像取得與檢測環境 35
4.2 單階層與多階層支援向量機比較 36
4.3 多階層支援向量機分類結果 38
4.4 所提方法效能評估 43
4.5錯誤案例探討 45
第五章 結論與未來發展 50
參考文獻 51


圖表目錄
圖 1 腹部斷層掃描(CT)影像各個部分標示圖 2
圖 2 連續腹部斷層掃描(CT)影像 2
圖 3 同樣的器官，在不同張斷層掃描中，外觀並不一樣 3
圖 4 腎臟其大概位置 7
圖 5 初始種子搜索方向之模型 7
圖 6 D. Lin等人基於區域成長法之自動斷層掃描影像之腎臟分割的結果[4] 7
圖 7 L. Rusko等人基於區域成長法之斷層掃描影像之自動肝臟分割的結果[5] 7
圖 8 W. Deng等人基於區域成長法之MRI腦腫瘤分割[6] 8
圖 9 ASM的地標圖 9
圖 10 H. Ling等人基於模型成長法之ASM的結果[9] 9
圖 11 器官初始化使用的模型圖 10
圖 12 X. Chen等人基於模型成長法之AAM的結果[10] 10
圖 13 D. I. Kosmopoulos等人提出的流程圖[15] 11
圖 14 壓力性潰傷影像 12
圖 15 F. Veredas等人提出方法之傷口組織影像分類結果[16] 12
圖 16 所提方法之流程圖 14
圖 17 採用自動種子區域成長法之流程圖 14
圖 18 腹部斷層掃描影像 15
圖 19 種子像素(中心點)與其八個方位(垂直、水平及對角線)的鄰居像素點 16
圖 20 紋理分割可有效幫助我們的實驗 18
圖 21 自動挑選種子結果圖 19
圖 22 檢測點連結兩區塊 20
圖 23 三個區域的示意圖 21
圖 24 相似區塊合併示意圖 22
圖 25 骨頭區塊合併示意圖 23
圖 26 經過相似區塊合併、骨頭合併後的結果圖 23
圖 27 特徵萃取示意圖 24
圖 28 七個部位特徵值分布圖 25
圖 29 特徵值分布圖，X軸為亮度，Y軸為熵 25
圖 30 多階層支援向量機示意圖 26
圖 31 多階層支援向量機 27
圖 32 第一個支援向量機特徵值 27
圖 33 SVM原理圖 28
圖 34 用核函數投影到高維度空間之示意圖 31
圖 35 RBF分佈結果圖 32
圖 36 經由第一個支援向量機結果 32
圖 37 器官與非器官特徵值分布圖 33
圖 38經由多階層支援向量機結果圖 34
圖 39 40張腹部斷層掃描的訓練樣本 35
圖 40 單階層與多階層支援向量機結果比較圖 38
圖 41 不同的腹部斷層掃描影像 42
圖 42 10張腹部斷層掃描的訓練樣本 43
圖 43 分割所造成錯誤案例之腹部圖 47
圖 44 分類所造成錯誤案例之腹部圖 48
圖 45 特徵值分佈圖 49
表 1 混淆矩陣(Confusion Matrix) 43
表 2 所提瑕疵檢測方法之檢測效能 44

[1]D. Ziou and S. Tabbone. “Edge detection techniques-an overview,” Department of Math Information, Univ. of Sherbrooke, 1998.
[2]A. Tremeau and N. Nolel, “A region growing and merging algorithm to color segmentation, Pattern Recognition,” vol. 30, no.7 pp. 1191 -1203, July. 1997.
[3]Y. L. Chang and X. Li, “Adaptive Image Region-Growing,” IEEE Trans. On Image processing, vol.3, no.6, pp. 868-872, Nov. 1994.
[4]D. Lin, C. Lei and S. Hung, “Computer-Aided Kidney Segmentation on Abdominal CT Images,” IEEE Information Technology in Biomedicine, vol. 10, no. 1, pp. 59-65, Jan. 2006.
[5]L. Rusko, G. Bekes, G. Nemeth, andM. Fidrich, “Fully automatic liver segmentation for contrast-enhanced CT images,” in Proc. MICCAI Workshop 3-D Segment. Clinic, Grand Challenge, pp. 143-150, 2007.
[6]W. Deng, W. Xiao, H. Deng and J. Liu, “MRI brain tumor segmentation with region growing method based on the gradients and variances along and inside of the boundary curve,” IEEE Trans. On 2010 3rd International Conference on Biomedical Engineering and Informatics , vol.1, pp. 393-396, 16-18 Oct. 2010.
[7]T. F. Cootes, C. J. Taylor, D. H. Cooper, and J. Graham, “Active shape models—Their training and application,” Comput. Vis. Image Underst., vol. 61, no. 1, pp. 38-59, Jan. 1995.
[8]T. F. Cootes, G. Edwards, and C. Taylor, “Active appearance models,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 23, no. 6, pp. 681-685, Jun. 2001.
[9]H. Ling, S. K. Zhou, Y.Zheng, B. Georgescu,M. Suehling, and D. Comaniciu, “Hierarchical, learning-based automatic liver segmentation,” in Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recogn., pp. 1-8, 2008.
[10]X. Chen, J. Udupa, U. Bagci, Y. Zhuge, and J. Yao, “Medical image segmentation by combining graph cuts and oriented active appearance models,” IEEE Trans. Image Process., vol. 21, no. 4, pp. 2035-2046, Apr. 2012.
[11]J.R. Quinlan, “C4.5: Programs for Empirical Learning,” Morgan Kaufmann Publishers Inc., San Francisco, CA. USA, 1993.
[12]I.J. Good, “The Estimation of Probabilities; an Essay on Modern Bayesian Methods,” M.I.T. Press, 1965.
[13]R.E. Fan, P.H. Chen, C.J. Lin, “Working Set Selection Using Second Order Information for Training Support Vector Machines,” Journal of Machine Learning Research, 6, pp. 1889-1918, 2005.
[14]D. Paterson, “Artificial Neural Networks,” Prentice Hall, Singapore, 1996.
[15]D. I. Kosmopoulos and F. L. Tzevelekou, “Automated Pressure Ulcer Lesion Diagnosis for Telemedicine Systems,” IEEE Trans. On Engineering in Medicine and Biology Magazine, vol. 26, no. 5, Sept.-Oct. 2007.
[16]F. Veredas, H. Mesa and L. Morente, “Binary Tissue Classification on Wound Images With Neural Networks and Bayesian Classifiers,” IEEE Trans. on Medical Imaging, vol. 29, no. 2, Feb. 2010.