模式识别在医学中的应用

模式识别是对一组过程或事件的信息表达形式进行判别或分类。被识别的可以是物理实体，也可以是抽象的过程或事件，例如对疾病的分类。模式识别属于计算机科学中人工智能的研究范畴。随着电子计算机技术的发展，从六十年代以来，模式识别已成为国际上颇受重视的研究学科，并被应用到医学领域中来，例如可作为疾病的自动诊断手段之一。
模式识别过程如图1所示。
图1 模式识别过程
模式输入是将医学信息，如数据、波形或图象，通过一
定的装置变成数字信号输入计算机。予处理是对输入模式作一些必要的处理，例如去除噪声，消除失真，或对图象作边缘增强、灰阶直方图均衡等，为识别作好准备。特征提取是从模式中提出反映其固有特性的特征量，藉以区分不同的事物。特征选择是从已提取的多个特征量中，按识别要求，选择较少的特异性强的特征量，这种选择有助于数据压缩和提高运算速度。识别分类是根据一定的准则，由计算机对特征进行计算、判别，最终对模式作出分类。识别分类有两种基本方法。
❶监督分类法： 是计算机根据已知分类的样本集进行学习，从中建立分类的判别函数，以此判别式对未知样本进行分类，确定其所属类别；
❷无监督分类法： 亦称聚类分析法，是对一组未标明类别的样本集，仅根据本身的统计特征，把相似的样本形成类别中心，从而得到分类。
模式识别的方法 可分为统计模式识别和句法模式识别两大类。
统计模式识别 用概率统计的方法进行模式识别。把一个模式看成多维空间的一个向量，它由许多反映该模式的特征量组成，即模式为X=(x₁,x2,x3，……，xn)^TT为矩阵运算中的转置符号。各类模式的分布方式已知，则统计判定理论可提供一种结构，在多维空间找出区分各类模式的分界面，在分界面上建立各种判别函数，每个模式按此判别函数来进行计算，然后作出分类。
最常用的分类方法有：
❶线性判别函数：认为一个模式是由各个特征量的线性组合所构成， 其判别函数是Di
(X)=N∑k=1Wi_kXk+W₀，式中Wik是各特征的权系数，
W0是阈值权。两类(i类与j类)之间的边界方程是Di(X)-D_j(X)=0，如果D_i(X)>D_j(x)，则把模式X归入Wi类。如果Di(X)❷贝叶斯公式为基础：通过计算出现一组症状时各种疾病发生的概率来诊断疾病(参见 “计算机辅助诊断”条);
❸最小距离分类器：即一个未知模式与哪类已知模式的距离最近，则判此未知模式属于这一类。其判别式为：若d(x,r_{i)=Min，则X属于Wi类。式中Ri为已知的第i类标准模式。d为X与Ri之间的距离。在多维的情况下可写为d(X,Ri)=|X-Ri|²＝(X-Ri)^T(X-Ri)句法模式识别 突出模式的结构信息，把每个模式表示为子模式的组合，子模式又分解为一些基元的集合，按照一定的文法（构图规则）去描述曲线或图象，进而根据句法分析来进行模式识别。句法方法，对一些结构信息重要的模式，具有很大的吸引力，应用于染色体、心电图波形、指纹和面貌的识别方面已取得了成功。例如，一个染色体可用基元a,b,c,d，表达为abcbabdbabcbabdb(见图2)。于是在句法模式识别中，特征提取变为基元提取。}

图2 染色体的模式识别

模式识别的应用 分为显微图象识别、波形识别、x线图象识别、同位素图象识别和其它几个方面。
显微图象识别 (1)白细胞自动分类：是模式识别在医学中的一项典型应用，其分类过程方框图如图3所示。经过染色的细胞血片放入显微电视机下，通过工作台自动步进系统和计算机判别，找出白细胞，并将其置于视场中心，白细胞通过数字化仪由电视扫描信号变为计算机能处理的数字图象。在予处理中，把存在于图象中的各种噪声去除。通过区域分割算法把白细胞图象分成细胞核、细胞浆和背景；若白细胞与红细胞等相碰，还需把相碰的细胞去掉，然后求出细胞浆和细胞核各部分的连通区，并求出各区域的边界。为了分类，首先要详尽地提取其特征量，如光密度特征(平均值、熵、扭斜度、峰态等)，几何形状特征(核与浆面积、核瓣数、傅里叶描述因子、矩特征和弯曲能量等)，细胞组织特征(纹理参数、彩色特征等)。一般要提取几十到几百个特征，再从中选择少量而必须的特征，按最小距离或贝叶斯判别式等，计算判别函数，从而进行判别分类。一般需要大量已知类别的细胞样本集对计算机进行训练，通过算法使之建立区分各类的判别方程或分类树，未知细胞就能按此而确定自己的所属类别。有资料表明白细胞五类自动识别率(干状细胞和分叶细胞；淋巴细胞；单核细胞；嗜酸细胞和嗜碱细胞)可达95%，处理速度可比人工快约五倍。
图3 白细胞自动分类

图4 染色体的自动分类

(2) 染色体自动分型： 其方框图如图4所示。其处理过程包括：原始染色体图象数字化；通过区域分割检出染色体，求出染色体骨架；定轴；旋转为垂直；计算着丝点和臂长；从骨架形状编码，进行匹配达到分型识别。染色体自动分型研究从六十年代开始，但到目前为止还处于实验室阶段，主要集中于缺损染色体以及染色环带特征的研究。其速度比人工快得多。
(3) 癌细胞识别：细胞识别自动化的方法可分为两种，即细胞悬浮流动方式和涂片方式，前者速度快，但精度不如后者高。细胞识别过程与白细胞自动分类相似，其特征参数有核的面积、核质面积比、边缘不规则性以及光密度特征等。该法检查灵敏度高，对于癌症早期诊断具有很高的临床价值。目前国际上正用于研究肺癌等的细胞诊断，以及识别腺癌的新方法。
波形识别 模式识别方法应用于心电图，心音图和脑电图等医学波形识别，均获得一定成功。应用统计识别方法于心电图识别，可作心律失常的分类。国际上已建立了若干个大型心电图自动识别的计算机系统，每年处理大量的心电图。应用于心音图的识别，可根据杂音的特征而进行心脏病的分类。在提取特征时可以在时域进行，也常在频域进行。后者是将波形作傅里叶变换(见“生物医学信号处理”条)后，在其频谱上提取特征量。句法识别方法应用于心电图，可以作滤波、数据压缩及R波识别等，起到多种功能。
x射线图象识别 胸部x射线图象的识别内容包括识别胸腔和心脏的分界、横隔膜界线、锁骨和肺顶部界线，识别肋骨和血管的阴影等，从而检出病灶。如矽肺暗斑、肿块及其分类。胃部x射线图象的识别内容包括提取胃的轮廓，确定胃的轴线，消除覆盖于胃上的阴影，提取胃的轮廓特征参数，检查出胃轮廓的不规则性和发硬变化，确定胃顶部和胃体的变形等。
由于人体内脏器官形态的复杂性，图象中有很多器官相重叠，造成阴影，因此处理和识别很困难，目前仍处在研究阶段。
同位素图像识别 用于同位素左心室运动图象识别的主要内容有：自适应滤波去除图象中的噪声，检出右心室轮廓和心脏收缩与扩张时的形状，计算心室壁的运动等，用以判别心脏为正常或异常。
其它模式识别还可用于内窥镜图象，眼底图象、超声波图象、热象图和脉象图等的识别。模式识别技术应用于临床诊断，在某些疾病方面已取得显著成绩(见“计算机辅助诊断”条)。❷贝叶斯公式为基础：通过计算出现一组症状时各种疾病发生的概率来诊断疾病(参见>