张敏辉，杨 剑

(1.成都师范学院 计算机科学学院，四川 成都 611130；2.电子科技大学成都学院 计算机学院，四川 成都 611130)

0 引 言

基于CT图像的自动诊断是指通过模式识别技术对CT图像中的病灶组织进行识别，从而辅助诊断的技术。针对CT图像的自动诊断主要包括两大步骤：感兴趣区域(regions of interest，ROI)分割和病灶分类[1,2]。即首先利用基于阈值或聚类的技术将感兴趣区域分离，再利用分类技术对每个ROI进行形态和灰度特征提取，标记病灶状态。利用标记的ROI训练分类器，并对新样本中的ROI进行疾病状态预测。

由于早期诊断在疾病预防中的出色效果，使得基于医学图像的自动诊断成为医学及计算机科学中的热点问题之一[3-6]。常用的CT图像诊断方法包括前文所述的分类方法和聚类方法[3,4]。当前的研究重点在对两类方法中的不同环节进行改进。例如陈侃等[5]助聚类方法将图像分离出病灶部位和非病灶部位，再对未知样本根据其到聚类中心的欧式距离进行归类。这种方法由于大量依赖历史标记，在临床中难以获得应用，与分类方法不同的是，聚类方法不依赖历史样本标记，可以直接针对图像数据区分出不同类别。Alfonso等[6]直接采用聚类方法从ROI区域分离出病灶部位，但准确性不高。孙娟等[1]考虑病灶组织与非病灶组织数量的不均衡性，提出基于全权模糊聚类的病灶识别方法，在精度上获得了一定提升。

然而，现有的模式分类方法将不同ROI视为各自独立的区域，仅针对每个ROI的形态特征训练分类器或进行聚类。……