随着现代医学成像设备的普及以及人们对医疗保健和自身健康越来越多的关注,医学影像处理和分析技术受到人们更多的重视。面对不同成像设备针对不同身体组织和部位生成的庞大的医学图像数据,如何进行有效的管理和分析,是医学影像学领域亟待解决的问题之一。基于内容的图像检索技术为医学图像数据的管理和计算机辅助诊断的研究提供了信息分析的基础和决策支持。然而,面对医学图像数据数量巨大、成像复杂、模态多样、针对性较强等特点,基于内容的医学图像检索不断面临新的机遇和挑战。本文在系统地分析了基于内容的图像检索的关键技术和发展趋势的基础上,针对医学图像检索中对象分割、特征提取、高维索引和相关反馈等方面问题进行了较系统和深入的研究,提出了一系列有效的理论和方法。具体包括以下几方面的内容。(1)针对医学图像的对象分割问题,提出了一种分水岭变换和空间保持FCM聚类相结合的图像分割方法。分水岭变换可以通过数学形态学的方法将图像空间划分为具有匀质特征的子区域,然后通过距离保持FCM聚类将子区域进行融合,以得到有意义的分割区域。为了对无监督聚类进行优化,算法首先采用概率密度函数估计的方法选择初始聚类中心,然后对子空间进行区域连通性分析,得到模糊划分矩阵作为聚类的初始输入,最后通过在目标函数中引入空间分布属性保持对象分割的一致性。对肺部CT图像分割的实验结果说明了该算法在医学图像分割应用中的有效性,为基于对象的特征提取奠定了基础。(2)针对医学图像的可视特征提取问题,首先提出了采用基于灰度共生矩阵和小波特征相结合的图像纹理特征提取方法；其次,利用医学图像的对象分割结果,提出一种采用形状和密度直方图提取对象边界特征的方法,并通过紧凑度和傅立叶描述子的方式提取图像的轮廓特征。对于以上两类特征,通过对比实验分别验证了它们在医学图像检索中的有效性。(3)针对基于综合特征的医学图像检索问题,提出一种基于聚类分析的高维索引方法。通过不同方法提取图像的综合特征,难免会造成维度危机,为了保留区别度较大的图像特征,剔除特征维上的冗余信息,在不损失语义的前提下尽可能地缩小图像的特征空间,本文首先采用无监督聚类的方法对特征空间进行维度约减,然后利用逐维聚类的方法对特征维度进行相似索引,在此基础上,通过对特征维进行区间筛选缩小图像数据的检索范围,大大减少相似性计算的时间,提高了图像检索的效率。(4)针对医学图像检索的相关反馈问题,提出了改进的SVM相关反馈学习方法。通过分析支持向量分类的目标函数,针对相关反馈的不确定数据,对目标函数的松弛变量进行隶属度加权,使得样本随着对类别隶属程度的不同在分类中产生对决策平面不同的影响。同时在改进的算法中采用了不同的用户度量模式和改进的样本选择方法,在增加反馈多样性的同时加快学习器的收敛速度。与传统的SVM相比,改进的SVM相关反馈方法在医学图像检索中有更高的准确率和更快的学习效率。(5)设计并实现了基于内容的医学图像检索的原型系统。原型系统通过统一的模式设计集成了许多经典的医学图像处理和分析算法,并为新的算法提供了实现和测试的平台。通过将本文所提出的图像分割、特征抽取、高维索引、相关反馈等关键技术在原型系统中的实现,验证了这些理论和方法的正确性,为进一步的深入研究打下了基础。总之,本文对基于内容的医学图像检索中的相关问题进行了研究,提出了有效的对象分割、特征抽取和高维索引算法,设计了针对不确定数据的相关反馈模型,整合现有图像检索中的相关资源,实现了基于内容的医学图像检索原型系统,在该原型系统上通过大量的实验和分析验证了以上算法的有效性。希望这些具体算法的研究将对推动医学图像自动检索领域的技术发展具有重要的学术价值和一定的临床指导意义。