中文摘要：

随着医学图像数量的迅猛增长，有效的基于内容的医学图像检索技术将在医学进步过程中发挥重要的辅助作用。疾病影像表现是医学图像中的关键内容，而目前按照影像表现来组织、索引和检索医学图像的方法尚不多见。本项目结合临床应用，研究面向影像表现的医学图像检索方法，将影像表现分为常见表现和少见表现两大类，分别按照概念检索和图例检索的方式处理。在此基础上，根据用户在图像上圈定的影像表现区域，快速准确地搜索数据库中含有类似影像表现的图像及其诊断资料，为医生进行疾病的诊断、治疗、研究和教育提供便利。围绕上述目标，主要研究内容包括病变区域提取方法、常见影像表现分类方法、少见影像表现匹配方法以及多影像表现联合检索方法。将通过医院临床实验来验证所提出的方法。

结论摘要：

本项目研究面向影像表现的医学图像检索方法，为医生进行疾病的诊断、治疗、研究和教育提供便利。围绕该目标，在征象数据库建设、征象分类、征象检测、征象检索、基于征象的肺部CT检索原型系统等几个方面进行了研究，重要研究成果如下: 1. 征象数据库建设方面构建了含有511个2D征象和166个3D征象的数据库，并对外公开发布，简称LISS数据库。2D征象包括9类，分别是GGO、分叶、钙化、空洞空泡、毛刺、胸膜牵拉、支气管通气症、支气管粘液栓和阻塞性肺炎，每类各有18~147个样本不等。3D征象为GGO征象。 2. 征象分类方面（1）提出了基于Fisher准则和遗传优化的特征选择方法，简称FIG，在常见征象类别上进行了细致的实验，结果表明所提出的FIG方法是有效的。（2）提出了基于历史和在线分类可信度的分类器融合方法，简称HISON，在常见征象分类问题上取得良好的实验效果，优于常用的Bagging和Boosting方法。 3. 征象检测方面分别研究了GGO、分叶症、毛刺的检测方法，重点是GGO检测。（1）对已有GGO检测方法进行了细致的梳理，总结了共性的检测框架，分析比较了该框架下各主要步骤中的主要方法，对于相关研究有较好的参考价值；（2）提出了基于高斯混合建模与最大最小后验伪概率判别学习的2D GGO检测方法，取得了较好的敏感度与特异度，优于比较的其它方法；（3）提出了局部到全局的多层阈值分割方法与最小贝叶斯风险判别学习方法，并应用于2D GGO检测，在保证较理想的敏感度的前提下，尽量提高了检测的特异度，具有良好的综合性能和实用性。 4. 征象检索方面（1）提出了一种基于图像二分类器在线学习的网络图像搜索结果改进方法，针对Google搜索引擎的实验结果表明该方法是有效的。（2）提出了基于高斯混合模型树的递增聚类方法，简称ICGT。该方法通过对数据进行分层的高斯混合建模，能高效准确地在大数据流上进行聚类，具有良好的应用前景；（3）提出了一种基于语义-视觉相似度与数据流形的医学图像检索方法，通过融合语义与视觉相似性，并考虑数据库图像之间的相似关系，取得了良好的检索效果与计算性能。 5. 原型系统构建方面实现了一套基于征象的肺部CT检索原型系统，具有图像放大、缩小、标注、调窗、征象自动检测、征象分类、相似检索等功能，初步具备可应用性。