張麗麗 劉昌余

（1.廣東白云學(xué)院機械工程系，廣東廣州510450；2.華南理工大學(xué)廣東省計算機網(wǎng)絡(luò)重點實驗室，廣東廣州510640；3.School of Computer Science, Carnegie Mellon University, Pittsburgh, PA 15213, USA）

摘要：為了找到本研究領(lǐng)域關(guān)鍵問題的切入點，該文對基于盲取證的醫(yī)學(xué)圖像檢索及語義表達(dá)進(jìn)行了一次廣泛的文獻(xiàn)調(diào)研，并就盲取證、圖像檢索、醫(yī)學(xué)圖像檢索以及醫(yī)學(xué)圖像語義表達(dá)這幾個方面進(jìn)行了詳細(xì)的文獻(xiàn)綜述。最后，列舉了已有研究尚存在的可以值得切入的幾個問題點。

關(guān)鍵詞：盲取證；醫(yī)學(xué)圖像檢索；語義表達(dá)

中圖分類號: TP309文獻(xiàn)標(biāo)識碼: A文章編號：1009-3044(2012)22-5450-04

Research on Medical Image Retrieval and Semantic Expression Based on Blind Forensics: A Review

ZHANG Li-li1, LIU Chang-yu2, 3

(1.Department of Mechanical Engineering, Guangdong Baiyun University, Guangzhou 510450, China; 2.Communication & Computer Network Lab of GD, South China University of Technology, Guangzhou 510642, China; 3.School of Computer Science, Carnegie Mellon University, Pittsburgh, PA 15213, USA)

Abstract: In order to find the key problems in such research area, this paper gives a comprehensive literature survey on the medical image retrieval and semantic expression that based on the blind forensics, and reviews detailed from the aspects of blind forensics, image retrieval, medical image retrieval and semantic expression for medical image. At last, this paper lists some valuable research problems.

Key words: blind forensics; medical image retrieval; semantic expression

我國人口眾多，醫(yī)療手段和診斷水平的高低直接關(guān)系到十幾億人口的切身利益，提高我國的醫(yī)療水平勢在必行。近些年，我國各大醫(yī)院紛紛引進(jìn)了大批先進(jìn)的醫(yī)學(xué)影像設(shè)備，如X片、CT、MRI、US、PETCT和SPECT等。這些設(shè)備一方面極大的提高了臨床和鑒別診斷以及手術(shù)和相關(guān)研究的水平，另一方面也產(chǎn)生了大量的難于管理的醫(yī)學(xué)圖像數(shù)據(jù)。因此，研究如何高效的管理（例如：圖像檢索方式）這些海量的醫(yī)學(xué)圖像數(shù)據(jù)是當(dāng)前的熱點之一。

傳統(tǒng)的做法是將一般的基于文本的圖像檢索技術(shù)（Text-Based Image Retrieval，TBIR）引入到醫(yī)學(xué)領(lǐng)域中，即采用基于文本（例如：病人姓名、病單號和癥狀名等）的醫(yī)學(xué)圖像檢索（Text-Based Medical Image Retrieval，TBMIR）技術(shù)來管理這些海量的醫(yī)學(xué)圖像數(shù)據(jù)，以提高檢索水平。然而，TBMIR技術(shù)存在著許多問題，不僅需要預(yù)先對這些海量圖像進(jìn)行人工標(biāo)注，而且被描述的文本會受到主觀因素的影響。為此，研究者在醫(yī)學(xué)應(yīng)用中引入了基于內(nèi)容的圖像檢索（Content-Based Image Retrieval，CBIR）技術(shù)。這種基于內(nèi)容的醫(yī)學(xué)圖像檢索（Content-Based Medical Image Retrieval，CBMIR）技術(shù)由于采用了圖像的內(nèi)在特征來匹配，不需要文本形式的標(biāo)注，所以極大地提高了在海量數(shù)據(jù)中快速檢索具有類似癥狀圖像的效率。然而，CBMIR本質(zhì)上是一種基于內(nèi)容的圖像檢索，也存在著著名的“語義鴻溝”問題。為此，近些年一些學(xué)者研究了基于內(nèi)容的醫(yī)學(xué)圖像語義檢索（Content-Based Medical Image Semantic Retrieval，CBMISR）技術(shù)。

醫(yī)學(xué)領(lǐng)域需要CBMIR有更加嚴(yán)格的安全機制。雖然目前的計算機網(wǎng)絡(luò)為遠(yuǎn)程醫(yī)療、遠(yuǎn)程診斷和遠(yuǎn)程手術(shù)提供了可能，但在利用這些公用網(wǎng)絡(luò)檢索圖像時也會存在不少的可以帶來災(zāi)難性的安全問題，例如：被偽造或篡改過的已確診的頭部MRI等。近些年發(fā)展起來的圖像取證技術(shù)，為解決該問題給出了一種新的途徑。圖像取證是指對圖像的篡改、偽造和隱密進(jìn)行分析、鑒別和認(rèn)證，可分為主動與被動兩種。主動技術(shù)包括防偽技術(shù)、防篡改技術(shù)和認(rèn)證技術(shù)。被動取證（即盲取證）僅根據(jù)待認(rèn)證的圖像本身判斷其是否經(jīng)過偽造處理，不需要事先對數(shù)字圖像做任何預(yù)處理。在醫(yī)學(xué)領(lǐng)域引入盲取證技術(shù)，不僅可以鑒別圖像的篡改或偽造操作，而且可以提升圖像檢索效率以及方便圖像存儲和管理。

1盲取證的研究現(xiàn)狀

圖像盲取證的主要任務(wù)包括：①篡改檢測，即判斷由成像設(shè)備獲取的圖像是否被惡意修改過，并盡可能的對這些修改區(qū)域進(jìn)行恢復(fù)；②來源鑒別，即判斷圖像的出處（如：成像設(shè)備的品牌和型號等），并在可能的情況下識別這些成像設(shè)備。因此相應(yīng)的盲取證研究現(xiàn)狀就分為篡改檢測的研究現(xiàn)狀和來源鑒別的研究現(xiàn)狀。

1.1篡改檢測

1.1.1拷貝-移動檢測

最簡單的篡改是拷貝-移動操作，即為了掩蓋或偽造新目標(biāo)，將同一幅圖像中的一塊區(qū)域拷貝到其他區(qū)域。被篡改的圖像中會出現(xiàn)兩塊或多塊在自然物體圖像中有很小概率出現(xiàn)的相似區(qū)域，這可以作為篡改證據(jù)。Fridrich等首次對拷貝-移動檢測進(jìn)行了研究，將沿圖像逐像素拖動的矩形窗口的DCT變換系數(shù)作為小塊特征來進(jìn)行字典排序。隨后，Popescu、吳瓊以及魏為民等分別采用主成份變換、奇異值分解小波低通子帶以及Pearson系數(shù)的方法來研究拷貝-移動檢測。

1.1.2重采樣檢測

圖像重采樣是一類常用的篡改操作，如旋轉(zhuǎn)和縮放等。這些操作往往伴隨著插值操作，并導(dǎo)致像素之間的相關(guān)性發(fā)生變化，是判別圖像是否被修改的一種依據(jù)。Popescu采用期望最大化EM算法來檢測重采樣操作，并把重采樣后像素間的相關(guān)性變換歸結(jié)為原始信號和周期信號的疊加，然后對應(yīng)于EM算法輸出的傅立葉頻譜圖中的規(guī)律性亮點。同濟(jì)大學(xué)的朱秀明提出通過增加小補償量的辦法來避免EM算法可能遇到的奇異點，對Popescu的算法進(jìn)行了改進(jìn)。某些情況下，圖像的旋轉(zhuǎn)和縮放操作是合理的，所以單一的重采樣檢測就會有很大的局限性。

1.1.3圖像拼接檢測

圖像拼接是篡改中的基礎(chǔ)操作。Farid和Ng都采用了雙相干特征系數(shù)來檢測圖像拼接。Chen等采用相位疊合和小波系數(shù)的特征函數(shù)矩來捕捉拼接帶來的圖像邊緣和噪聲分布的變化，并將這兩者輸入SVM對圖像分類。張震等將原始圖像劃分成若干區(qū)域以提取區(qū)域質(zhì)量評價值和基于隱馬爾可夫模型的區(qū)域矩特征，然后輸入SVM對拼接圖像進(jìn)行鑒別。Shi等認(rèn)為圖像拼接是可以產(chǎn)生復(fù)雜異常的局部操作，并采用多尺寸離散余弦塊變換（MBDCT）和Markov模型來捕捉這些局部異常，將Markov模型的轉(zhuǎn)移概率矩和MBDCT低階矩輸入SVM對圖像分類。

1.1.4模糊操作檢測

模糊操作是另一類常用的篡改操作，常用的是高斯模糊。王波等認(rèn)為模糊會破壞由成像系統(tǒng)帶來的局部圖像色彩的相關(guān)性，并提出基于異常色調(diào)率檢測和定位的方法。Hsiao等提出利用DCT變換的高頻相對缺失來衡量模糊程度，過高的區(qū)域被認(rèn)為是篡改區(qū)域。Sutcu提出利用圖像小波系數(shù)的規(guī)律性來估計圖像邊緣的清晰度和模糊度，以檢測篡改。周琳娜等分析了離焦模糊和人工模糊邊界的不同特性，用同態(tài)濾波和形態(tài)學(xué)濾波增強模糊圖像邊緣并分離這兩類邊緣，以實現(xiàn)定位。王鑫等利用Elder-Zucker方法衡量局部塊的模糊程度以判斷是否存在景深相似但模糊程度有較大差異的圖像塊。

對篡改檢測的研究，除了上述常用的四種方法外，還包括JPEG圖像雙重壓縮檢測和圖像修復(fù)檢測。JPEG圖像雙重壓縮部分，相關(guān)的研究包括Fridrich的對第一次壓縮估計的量化矩陣方法，戴蒙采用的抖動模式分析方法，以及張靜的JPEG2000格式的雙重壓縮檢測方法。圖像修復(fù)檢測部分，由于經(jīng)常采用Criminisi等提出的用樣本紋理來填充大塊區(qū)域的修復(fù)方法會導(dǎo)致圖像中有異常相似的紋理區(qū)域，吳瓊等通過用模糊隸屬度表示圖像塊的連通性的方式來描述了這種相似性，并作為圖像篡改判別依據(jù)。

1.2來源鑒別

1.2.1 CFA插值檢測

CFA插值系數(shù)和插值模式是數(shù)碼相機成像系統(tǒng)中可以用來鑒別圖像來源的重要參數(shù)。Bayram等指出不同數(shù)碼相機采用的CFA插值系數(shù)和插值模式不一樣，分別采用Popescu方法和Gallagher方法獲得兩組Fourier譜圖極值點特征，然后被SFFS算法篩選輸入SVM進(jìn)行分類。吳旻等提出和Bayram結(jié)論相反的利用CFA插值對數(shù)碼相機進(jìn)行分類的方法，并只選擇邊緣的非平滑區(qū)域（不同品牌數(shù)碼相機圖像的平滑區(qū)被認(rèn)為采用類似的插值方法）用以估計插值系數(shù)，然后輸入SVM來鑒別相機的品牌和型號。

1.2.2模式噪聲檢測

模式噪聲產(chǎn)生于特有相機的拍攝過程中，分為固定模式噪聲FPN和圖像響應(yīng)非一致噪聲PRNU。FPN是指當(dāng)傳感器陣列沒有曝光時點對點的差別，取決于曝光時間和溫度。PRNU是自然圖像模式噪聲中的主體部分，其核心是像素非一致性PNU，即像素對光的靈敏性。PNU在拍攝中保持穩(wěn)定并且不依賴于環(huán)境溫度，因此能夠表征傳感器的本質(zhì)特性。

1.2.3色差檢測

色差是最常見的一類由于光學(xué)系統(tǒng)不能很好聚焦不同波長的光線而導(dǎo)致的失真模式。圖像的篡改或偽造操作，通常會破壞這種固有的區(qū)域色差模式，這種區(qū)域色差不一致可以作為圖像被篡改的一種證據(jù)。Johnson方法利用了橫向色差模型，進(jìn)一步的研究可加入縱向色差模型或其他的光學(xué)失真模型，從而提高圖像篡改檢測的靈敏性和準(zhǔn)確性。

2圖像檢索的研究現(xiàn)狀

2.1 TBIR檢索技術(shù)

早期的圖像檢索使用的是TBIR技術(shù)，即用文本對被檢索的圖像進(jìn)行描述，用精確或概率匹配執(zhí)行查詢操作。然而，完全的TBIR要求通過用自動標(biāo)注取代改變手工標(biāo)注的方式來減少標(biāo)注的不準(zhǔn)確、不完整以及主觀性。此外，圖像中所包含的豐富視覺特征往往無法用文本來客觀地描述。通過相關(guān)的調(diào)研得知，當(dāng)前已有的自動標(biāo)注算法有如下分類：①相關(guān)模型方面，包括：跨媒體相關(guān)模型CMRM，連續(xù)相關(guān)模型CRM，多伯努利相關(guān)模型MBRM和一致性語言模型CLM；②生成式模型方面，包括：概率隱語義分析模型PLSA，高斯混合模型GMM，高斯-隱荻利克雷分配模型模型Guass-LDA，相關(guān)隱荻利克雷分配模型Corr-LDA；③傳播式模型方面，包括：基于流形的自動圖像標(biāo)注和基于流形的多種相似性綜合；④利用詞匯間關(guān)系的標(biāo)注方法方面，包括：互相關(guān)標(biāo)記傳播模型CLP，WordNet多測度混合模型和利用隨機游走進(jìn)行標(biāo)注改善。

2.2 CBIR檢索技術(shù)

CBIR涉及的關(guān)鍵技術(shù)包括：圖像特征的提取和表達(dá)方法、圖像相似性比較方法、相關(guān)反饋機制、性能評價、壓縮域檢索、以及圖像高維特征壓縮和索引。CBIR從提出到現(xiàn)在，在國內(nèi)外已經(jīng)取得了不少的成就：①技術(shù)上，各種新的方法層出不窮，如一些用于降維的特征提取方法和分割方法；②學(xué)術(shù)上，已有一些較為知名的學(xué)術(shù)?？蛯＜?，如ACM Multimedia和SPIE每年專門的CBIR國際會議等；③應(yīng)用上，已經(jīng)有許多CBIR系統(tǒng)，如IBM的QBIC系統(tǒng)，哥倫比亞大學(xué)開發(fā)的VisualSEEK以及UIUC的MARS，MTI的PhotoBook，UC Berkeley的Chabot系統(tǒng)等等。

3醫(yī)學(xué)圖像檢索的研究現(xiàn)狀

3.1 TBMIR檢索技術(shù)

TBMIR是傳統(tǒng)的TBIR在醫(yī)學(xué)方面的應(yīng)用。首先，對待檢索的醫(yī)學(xué)圖像按照病人姓名、病單號和癥狀名等文本進(jìn)行手工標(biāo)注。然后，采用TF-IDF文字向量內(nèi)積的方式執(zhí)行查詢操作。TBMIR的優(yōu)點包括：檢索速度快，引擎等技術(shù)比較成熟，實現(xiàn)較簡單；其缺點有：醫(yī)學(xué)圖像被標(biāo)注的文本需要手工完成，且依賴于醫(yī)師的個人見解。另外與其他類型的圖像相比，醫(yī)學(xué)圖像由于所含信息量大、灰度和空間分辨率高、圖像相似性大以及顏色類型少等，具有極強的復(fù)雜性，比較容易產(chǎn)生“語義鴻溝”問題，使得TBMIR中精確、客觀和完整的文本不易得到。因此，CBMIR檢索技術(shù)就是在這種情況下產(chǎn)生的。

3.2 CBMIR檢索技術(shù)

目前，研究者們開發(fā)了一些既包括針對病理學(xué)、檢驗學(xué)和影像學(xué)等單一來源的圖像檢索系統(tǒng)，也包括多來源、多分類的特定應(yīng)用的CBMIR系統(tǒng)。在放射學(xué)中，乳腺照片是最經(jīng)常被用來進(jìn)行分類和CBMIR研究的。美國的普渡大學(xué)和芝加哥大學(xué)、英國的曼徹斯特大學(xué)、加拿大的卡爾加里大學(xué)在研究乳腺癌方面做了廣泛和深入的研究。ASSERT是專用于高分辨CT肺部圖像的項目，它針對影像中某些局部病灶特征來建立相似性準(zhǔn)則。綜上，目前對CBMIR的研究已經(jīng)取得了不少進(jìn)展，但在體現(xiàn)醫(yī)學(xué)圖像固有性質(zhì)方面還需要加強，因此人們對CBMISR檢索技術(shù)進(jìn)行了研究。

3.3 CBMISR檢索技術(shù)

目前，CBMISR檢索技術(shù)已經(jīng)被應(yīng)用到X片、CT和MRI等醫(yī)學(xué)圖像中。德國亞琛工業(yè)大學(xué)的Thomas M. Lehmann等研制的IRMA是目前較為成熟的IRMA與PACS結(jié)合的醫(yī)學(xué)圖像語義檢索系統(tǒng)，美國密蘇里大學(xué)的Adrian S. Barb等通過醫(yī)學(xué)視覺特征建立了HRCT圖像中肺部語義變量層次化模型。目前，醫(yī)學(xué)圖像語義理解的研究已得到普遍的關(guān)注，然而要縮小“語義鴻溝”，理論上仍有許多復(fù)雜且艱巨的問題需要解決。

4醫(yī)學(xué)圖像語義表達(dá)的研究現(xiàn)狀

醫(yī)學(xué)圖像語義是指關(guān)于圖像的全部或部分的結(jié)構(gòu)性和診斷意義的文字描述，內(nèi)容包括：器官組織的名稱、屬性、相互之間的約束關(guān)系以及圖像表述的病癥信息等。醫(yī)學(xué)圖像語義的表達(dá)涉及到用視覺特征來表達(dá)的圖像內(nèi)容，這些視覺特征不能直接反映符合人類的理解習(xí)慣的圖像語義。為此，有不少學(xué)者專門研究了醫(yī)學(xué)圖像內(nèi)容的語義表達(dá)方式，可分為以下幾種。

4.1利用語義網(wǎng)

2000年T. Lehmann提出一種層次化醫(yī)學(xué)圖像語義網(wǎng)絡(luò)，首先根據(jù)全局特征對圖像進(jìn)行分類，其次提取感興趣區(qū)的局部特征，并在多分辨率下建立一個層次化的語義網(wǎng)，然后賦予每個節(jié)點相關(guān)的圖像語義，最后實現(xiàn)基于語義的醫(yī)學(xué)圖像檢索系統(tǒng)。2004年Hongshun Su用多層語義網(wǎng)絡(luò)表達(dá)肺部結(jié)構(gòu)和特征模型，用幾個特征描述的節(jié)點來表示肺部的器官和組織。節(jié)點檢測的過程就是從低層表達(dá)到高層表達(dá)的轉(zhuǎn)換過程，即首先經(jīng)過圖像處理、特征提取后，由推理引擎完成與肺部模型的匹配，進(jìn)而根據(jù)綜合隸屬度選擇最佳匹配，以完成檢測。

4.2利用分類碼

醫(yī)學(xué)圖像的分類碼指：醫(yī)學(xué)設(shè)備類型、人體定位信息、解剖結(jié)構(gòu)和生物信息等。2002年Zrimec T.提出了利用分類碼表達(dá)初步醫(yī)學(xué)圖像內(nèi)容信息的CBMIR系統(tǒng)。

4.3利用圖像模型

2002年Zrimec T.建立了基于元數(shù)據(jù)和圖像視覺特征的醫(yī)學(xué)圖像模型，該模型可接受任意數(shù)量的圖像屬性和圖像特征。2003年Richard Chbeir提出了包含圖像元數(shù)據(jù)、視覺特征和語義特征的醫(yī)學(xué)圖像模型和圖像區(qū)域模型，其中圖像元數(shù)據(jù)包括基于上下文的和基于特定領(lǐng)域的與圖像有關(guān)的元信息，視覺特征包括用數(shù)值表示的低層物理特征，語義特征包括用關(guān)鍵詞表達(dá)的空間關(guān)系特征和與醫(yī)學(xué)知識有關(guān)的語義。不同類型設(shè)備和不同部位的醫(yī)學(xué)圖像，其使用的語義是不同的，即不存在一個抽象化的一般性關(guān)鍵詞匯集合。

5尚存的可切入研究點

以上是對相關(guān)研究現(xiàn)狀的簡要綜述，可以發(fā)現(xiàn)這些研究還存在如下幾個值得研究的地方。

5.1語義表達(dá)方面的關(guān)鍵問題

醫(yī)學(xué)圖像語義檢索的關(guān)鍵在于語義表達(dá)和相似度度量，而圖像語義表達(dá)的核心任務(wù)是從低層視覺特征提取出需要的高層語義，來彌補“語義鴻溝”問題。現(xiàn)有的醫(yī)學(xué)圖像檢索系統(tǒng)大都只利用了圖像的底層視覺特征進(jìn)行圖像語義描述，這些并不能表達(dá)醫(yī)學(xué)圖像的真正含義。

5.2圖像檢索方面的關(guān)鍵問題

圖像檢索方面的關(guān)鍵問題主要包括：①融合多種有權(quán)重特征的醫(yī)學(xué)圖像。醫(yī)學(xué)圖像檢索中，如何將底層的物理特征、高層語義特征和相關(guān)文本結(jié)合起來，以及如何設(shè)置他們的權(quán)重，使檢索結(jié)果盡可能完善是CBMIR需要研究的重點問題之一。②CBMIR與PACS結(jié)合。目前兩者的結(jié)合運用效果并不是特別好。為了能有效存儲海量的醫(yī)學(xué)圖像數(shù)據(jù)以及實現(xiàn)遠(yuǎn)程醫(yī)療資源共享，這些大中型醫(yī)院就需要考慮如何有效地管理和訪問的問題。③快速準(zhǔn)確的配準(zhǔn)與分割技術(shù)。圖像的變形和三維復(fù)雜性以及病灶的存在對特征提取的結(jié)果影響較大，需要配準(zhǔn)技術(shù)來提高檢索的準(zhǔn)確性。另外，醫(yī)學(xué)影像的臨床診斷決策一般是根據(jù)圖像局部特征（ROI）來進(jìn)行的，這些感興趣的區(qū)域由于特定的設(shè)備和運用環(huán)境等在分割中存在不確定性。

5.3圖像取證方面的關(guān)鍵問題

圖像取證方面的關(guān)鍵問題主要包括：①數(shù)字圖像來源鑒別方面。現(xiàn)有的算法盡管在鑒別不同設(shè)備類型獲取的數(shù)字圖像方面已經(jīng)能夠達(dá)到比較好的效果，但是對于不同型號設(shè)備，這些方法的鑒別效果不是很好。②數(shù)字圖像篡改偽造檢測方面?，F(xiàn)有算法存在較低的查全率和查準(zhǔn)率，難以達(dá)到準(zhǔn)確取證分析的目的，而且對于檢測出的篡改偽造圖像，難以分辨究竟是正常的圖像處理操作，還是惡意的篡改偽造操作。③數(shù)字圖像篡改偽造定位方面。這方面的難題主要在于計算量過大的對整幅圖像相似塊的遍歷搜索。

參考文獻(xiàn)：

[1] Bin Xu,Jiajun Bu,Chun Chen,et.al.Efficient Manifold Ranking for Image Retrieval[C].In Proceeding of the 34th international ACM SIGIR conference on Research and development in information retrieval,ACM, 2011: 525-534.

[2] Haifeng Z,Wenhua J.An adaptive fuzzy clustering method for Query-By- Multiple-Example image retrieval[C].Inst.of Elec.and Elec. Eng. Computer Society: Jiangong Jinjiang, Shanghai, China,2007:997-1004.

[3] Guangda Li,Meng Wang,Yan-Tao Zheng,et.al.Shot Tagger: Tag Location for Internet Video[C].In Proceedings of the 1st ACM International Conference on Multimedia Retrieval. ACM,2011.

[4] Tomoko Kajiyama.Botanical Data Retrieval System Supporting Discovery Learning[C].In Proceedings of the 1st ACM International Conference on Multimedia Retrieval. ACM,2011.

[5] Rong Yan, Alexander G.Hauptmann.A review of text and image retrieval approaches for broadcast news video[Z]. Information Retrieval, Springer, 2007:445-484.

[6] Micah Kimo Johnson.Lighting and optical tools for image forensics[D].New Hampshire:DARTMOUTH COLLEGE,2007.

[7] Anindya Sarkar.Novel image data-hiding methodologies for robust and secure steganography with extensions to image forensics[D].Santa Barbara:UNIVERSITY OF CALIFORNIA,2010.

[8] Tian Tsong Ng.Statistical and geometric methods for passive-blind image forensics[D].Ann Arbor:Columbia University,2007.

[9] Gennadiy Makovoz.Latent Semantic Analysis as a Method of Content-Based Image Retrieval in Medical Applications [D].Ann Arbor:Nova Southeastern University,2010.

[10]吳瓊.面向真實性檢測的數(shù)字圖像盲取證方法研究[D].長沙:國防科學(xué)技術(shù)大學(xué),2008.

[11]王鑫.數(shù)字圖像盲取證技術(shù)研究[D].鄭州:解放軍信息工程大學(xué),2009.

[12]蔣歷軍.應(yīng)用網(wǎng)格和水印技術(shù)對基于內(nèi)容的肝臟CT圖像檢索的研究[D].上海:上海交通大學(xué),2008.

[13]梁洪.基于內(nèi)容的醫(yī)學(xué)圖像檢索及語義建模關(guān)鍵技術(shù)研究[D].哈爾濱:哈爾濱工程大學(xué),2010.