CN108241865B - 基于超声图像的多尺度多子图肝纤维化多级量化分期方法 - Google Patents
基于超声图像的多尺度多子图肝纤维化多级量化分期方法 Download PDFInfo
- Publication number
- CN108241865B CN108241865B CN201611214165.4A CN201611214165A CN108241865B CN 108241865 B CN108241865 B CN 108241865B CN 201611214165 A CN201611214165 A CN 201611214165A CN 108241865 B CN108241865 B CN 108241865B
- Authority
- CN
- China
- Prior art keywords
- subgraph
- occurrence matrix
- scale
- gray level
- fibrosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
一种基于超声图像的多尺度多子图肝纤维化多级量化分期方法,它涉及基于多尺度灰度共生矩阵和小波多子图共生矩阵的多级分期方法,它解决了当前基于超声图像的肝纤维化分期方法分期粗糙且准确度低的问题。本发明的步骤为:一、ROI的自动选择和预处理;二、构造多尺度灰度共生矩阵并提取纹理特征;三、构造小波多子图共生矩阵并提取纹理特征;四、利用基于SVM的不完全穷举封装式特征选择方法选择特征;五、基于SVM进行多级分类。本发明利用多尺度灰度共生矩阵全面提取图像纹理信息,并结合小波多子图共生矩阵在滤波的同时兼顾图像纹理细节信息,使用不完全穷举特征选择方法和多级分类器提高肝纤维化的分类精度,适用于基于超声图像的肝纤维化辅助诊断。
Description
技术领域
本发明属于计算机辅助诊断领域,具体涉及超声图像的肝纤维化分期研究,是一种基于超声图像的多尺度多子图肝纤维化多级量化分期方法。
背景技术
肝纤维化病变是由慢性疾病等因素导致的肝结缔组织增生,并最终形成肝硬化的病理过程,是一种常见的肝脏弥漫性病变,严重影响公众健康。若患者在得病初期发现并及时治疗可恢复正常,一旦发展为肝硬化便很难治愈。肝脏活体组织检查是临床诊断肝纤维化严重程度的金标准,但该检查是有创性的,还可能会因取样误差造成误诊,因此在临床使用中受限。超声图像检查具有无创、方便、可重复性高、无辐射以及价格低廉等特点,是广泛使用的肝脏检查方法之一。基于超声图像纹理特征的肝纤维化分期研究,可以及时诊断患者是否有肝纤维化,降低其肝纤维化恶化的风险,并且有助于药物治疗效果的观察,在临床上有重要的意义。
目前的肝纤维化分期算法大多数算法仅能较粗略地对纤维化进行分期,不能根据中国医学协会病毒性肝炎的预防和治疗指导方针(2011年)的标准将纤维化程度划分为S0、S1、S2、S3、S4共五个时期。即使少数能细分为S0-S4时期,其分期精度也比较低,尤其是S2和S3的分类难度最大,分类准确度在50%~70%之间。这样的分类结果并不能满足临床的需求,实际上这些研究也大都仅限于研究,并未将具体的成果结合到临床医疗实践中。提取图像的纹理特征方法主要有统计法、模型法和时频域变换法等,其中基于灰度共生矩阵的纹理特征是肝纤维化量化分期研究中最常用、最有效的特征。灰度共生矩阵是一种能够表示图像纹理特征的矩阵,它有两个重要参数:尺度d和角度θ。以往研究中这两个参数都是研究者根据各自的实验数据统一选取,不同研究者选择的特征不同,相应分类结果的可复制性差。因此本发明提出一种应用多尺度灰度共生矩阵实现的特征提取方法,在灰度共生矩阵的建立过程中引入多尺度的概念,并在提取特征过程中兼顾各个角度,以实现对感兴趣区域子图的多尺度多角度纹理特征提取。
根据灰度共生矩阵得出的纹理特征可以在一定程度上体现肝脏弥漫性病变在各期之间的差别,但不能抑制超声图像固有的斑点噪声对分类结果的干扰。早期弥漫性病变的纹理尺度较小,和超声图像固有的斑点噪声尺度近似,使得纹理不清晰,因此在提取图像特征时需要兼顾图像纹理的低频灰度信息和高频细节信息。因此本发明在小波变换的基础上创建小波多子图共生矩阵,在给出单个像素点和周围邻域像素点的相互作用关系的基础上,不仅滤除了高频噪声,而且结合小波多分辨率分析的有点,能够很好的描绘图像的纹理。基于该矩阵提取的特征参数不仅可以表征图像中出现的复杂的灰度信息和细节信息,还可以尽可能滤除斑点噪声的干扰。
以往针对肝纤维化的大量研究表明,对于肝纤维化阶段进行粗略分期时分类准确度可以达到85%之上,但是所有五个阶段一起进行分期的分类准确度就很低了。本发明针对这一问题,引入了分级分类的概念,把多分类问题转化为多级二分类问题,每级二分类都有不同的特征组合和各异的训练模型,每次分类仅区分一类对象,已判定的类别不再参加后面的分类,利用这样的逐步筛选机制完成肝纤维化的分歧。这样不仅符合临床实践经验,而且能够达到提高纤维化分期精度的目的。本发明还对比了另外两种肝纤维化分期的方法[1],实验进一步显示出本发明方法的高效性和准确性。
参考文献:
[1].Gao S,Peng Y,Guo H,et al.Texture analysis and classificationofultrasound liver images.[J].Bio-medical materials and engineering,2014,24(1):1209-16。
发明内容
本发明的目的在于提出一种基于超声图像的多尺度多子图肝纤维化多级量化分期方法,提高肝纤维化量化分期的准确度。
本发明的目的是通过以下技术方案实现的:根据专业医生提供的原则自动选择肝脏超声图像中的感兴趣区域并进行预处理,针对预处理后的感兴趣区域构造多尺度灰度共生矩阵和小波多子图共生矩阵并进行纹理特征提取,借助支持向量机分类器实现不完全穷举封装式特征选择和肝纤维化的分级分类。
本发明的流程图如图1所示,共分为五个步骤,具体步骤如下:
步骤一:感兴趣区域的自动选择和预处理。
1)预先在肝脏超声图像中选择一个固定的大区域,该区域应去除肝脏包膜和一些其他器官,尽量避开血管和肋骨伪影,选择比较均匀的肝脏实质部分。
2)感兴趣区域的尺寸大小设置为64*64的方形区域,在上述固定区域中进行窗口式搜索,选择目标区域内均方差最小的部分区域作为感兴趣区域。
3)为避免人为因素导致选择的感兴趣区域图像明暗不一,将感兴趣区域图像的灰度值映射到0-255之间,灰度拉伸按照下述公式进行:
其中G(x,y)代表原始图像的灰度,Wmin和Wmax分别是G(x,y)′的最大值和最小值,G(x,y)′是拉伸后图像的灰度值。
步骤二:多尺度灰度共生矩阵的构造和相关纹理特征的提取。
不同于以往灰度共生矩阵构造方式,本发明在进行肝脏超声图像纹理特征提取过程中提出了多尺度灰度共生矩阵算法。
关于灰度共生矩阵的构造以往的研究都是选定单一尺度提取纹理特征,多尺度灰度共生矩阵算法的提出是本发明为了配合肝纤维化不同时期超声图像纹理特征的区别,选择多个尺度进行灰度共生矩阵的构造,多尺度灰度共生矩阵特征提取流程图如图2所示。
1)选择灰度共生矩阵的尺度(即两像素之间的距离)分别为d=1,2,3,4,5,6。
2)对于每一个尺度d,分别取角度θ=0°,45°,90°,135°。
3)对步骤一中得到的感兴趣区域,构造不同尺度d和角度θ下的24个灰度共生矩阵,即多尺度灰度共生矩阵,该矩阵中元素p(i,j,d,θ)代表了这样的两个像素出现的概率:其中一个像素的灰度值为i,另一个像素的灰度值为j,两个像素的距离为d,连线与水平方向的角度为θ。
4)对于每一个归一化的多尺度灰度共生矩阵,可以提取出14个纹理特征参数,其定义为:
对比度:f1=∑i∑j(i-j)2p(i,j);
角二阶距:f2=∑i∑j{p(i,j)}2;
方差:f7=σ1;
5)为了确保图像纹理特征的旋转不变性,再计算同一尺度d在4个角度下得到的14个特征参数的均值和范围作为特征参数。
经过以上特征提取运算后,得到同一尺度d下的纹理特征参数共14*4+14*2=84个,在6个尺度下可以得到的特征参数共有84*6=504个。
步骤三:小波多子图共生矩阵的构造和纹理特征提取。
由灰度共生矩阵提取的纹理特征仅仅能够表示空间域的纹理特征,不能抑制斑点噪声对分类结果的影响。为此本发明提出小波多子图共生矩阵算法,在利用小波变换抑制超声固有斑点噪声对图像影响的基础上,结合图像的低频灰度信息和高频细节信息来更加全面地表示图像的纹理信息,小波多子图共生矩阵特征提取流程图如图3所示。
1)对感兴趣区域进行一次小波分解,得到近似子图LL,和细节子图LH和HL,并将高频子图HH视为噪声舍去。
2)将细节子图LH和HL按照下述公式合并为整体细节子图LHL;
3)将LL和LHL量化到Ng个灰度级,进行小波多子图共生矩阵的构造。小波多子图共生矩阵的元素p(i,j)定义为在近似子图LL(m,n)和细节子图LHL(m,n)中同时具有整体灰度值为i,细节灰度值为j的像素的个数;
p(i,j)=#{(m,n)∈Hx×Hy|LL(m,n)=i,LHL(m,n)=j}。
其中Hx={1,2,…,Nx}代表水平空间域,Hy={1,2,…,Ny}代表垂直空间域。Nx和Ny分别为感兴趣区域的水平和垂直方向像素个数。
4)对构造的小波多子图共生矩阵按下式进行归一化;
其中,q(i,j)是归一化之后的p(i,j);
5)对归一化后的小波多子图共生矩阵进行11个纹理特征参数的提取,具体的参数定义如下。
经过以上特征提取运算后,得到11个纹理特征参数,与步骤二第5)步得到的504个特征参数合在一起得到了515个纹理特征参数。
步骤四:基于支持向量机的不完全穷举封装式特征选择方法。
本发明提出基于支持向量机的不完全穷举封装式特征选择方法以去除冗余的特征参数,提高肝纤维化分期的效率和准确率,基于支持向量机的不完全穷举特征选择算法流程图如图4所示。
1)将待分类的每个尺度的样本分为训练集、测试集和验证集三部分。
2)对训练集和测试集的样本数据构造特征个数为Ci n的特征子集,其中n为步骤二和步骤三得到的全部特征参数,即n=85+11=95,i为要选择的特征参数个数,经过测试i的值一般取i=1,2,3,4。
3)根据肝纤维化的严重程度(S0-S4)将每个样本的标签设置为0-4。
4)应用支持向量机分类器得出应用训练集训练和测试集测试时各种特征组合对应的分类结果,从这些结果中选出使分类准确率最高的特征组合。
步骤五:基于支持向量机的多级分类方法。
本发明提出了一种基于支持向量机的分级分类方法,利用肝纤维化5个类别之间逐级严重的特点,引入4级支持向量机分类器将肝纤维化分期的5分类问题划分为4个二分类过程。对于每级分类器分别进行特征选择操作以选取最适合该级分类的特征组合,应用这些不同的特征组合逐级对验证集中的样本进行分类。基于支持向量机的分级分类方法的流程图如图5所示。
1)对于待验证的样本,首先将其划分为有/无纤维化两种。
2)对于有纤维化的样本,继续将其划分为轻度纤维化和重度纤维化。
3)将轻度纤维化的样本划分为S1或S2阶段。
4)将重度纤维化的样本划分为S3或S4阶段。
附图说明
图1为本发明的流程图;
图2为多尺度灰度共生矩阵特征提取流程图;
图3为小波多子图共生矩阵特征提取流程图;
图4为基于支持向量机的不完全穷举特征选择方法流程图;
图5为基于支持向量机的分级分类方法流程图。
具体实施方式
下面结合实施例和附图说明本发明的具体实施方式。将基于多尺度多子图共生矩阵的肝纤维化分级分期方法运用到小鼠肝脏超声图像的肝纤维化分期中。
实验中所用到的大鼠超声图像均为哈尔滨医科大学附属第二医院超声科医生在医学实验中获取的,共有大鼠肝脏超声图像404幅,其中正常大鼠肝脏超声图像,即S0期图像92幅;S1期123幅;S2期85幅;S3期63幅;S4期41幅。
执行步骤一:在肝脏超声图像范围内选择一个300*300的大范围区域,该区域应去除肝脏包膜和一些其他器官、尽量避开血管和肋骨伪影。自动选择该区域内均方差最小的64*64区域为目标感兴趣区域,对每个肝纤维化阶段提取60个感兴趣区域,共提取300个感兴趣区域作为后续处理的数据基础。然后对所有的RIO进行预处理,按照灰度映射公式将各感兴趣区域图像的灰度值映射到0-255内。
执行步骤二:提取多尺度灰度共生矩阵的纹理特征。根据步骤一得到的处理后的感兴趣区域,分别取灰度共生矩阵的尺度为d=1,2,3,4,5,6,对每个尺度d分别取角度θ=0°,45°,90°,135°,进行多尺度灰度共生矩阵的构造。之后对构造的多尺度灰度共生矩阵提取纹理特征参数,采用多尺度灰度共生矩阵方法,每一个感兴趣区域在一个尺度d下可以提取4*14+14*2=84个特征参数,6个尺度共提取84*6=504个特征参数。
执行步骤三:提取小波多子图共生矩阵纹理特征,将预处理之后的感兴趣区域图像经过一级小波分解得到四个子图,滤除高频噪声后得到近似子图LL和两个细节子图LH和HL,之后得到整体细节子图LHL。由近似子图LL和整体细节子图LHL构造小波多子图共生矩阵并进行归一化,之后计算小灰度小细节优势、小灰度大细节优势等11个纹理特征参数。结合步骤二每个预处理之后的感兴趣区域可以得到504+11=515个纹理特征参数。
执行步骤四:利用基于支持向量机的不完全穷举封装式特征选择方法进行特征选择。将全部300个样本分为训练集、测试集和验证集三部分,且待分类样本中,每类有30个用于训练,15个用于测试,15个用于验证。因此,各类总计有150个样本用于训练,用于测试和验证的样本各有75个。
对于训练集合测试集的样本数据构造特征个数为Ci 95的所有特征子集,分别取i=1,2,3,4。使用支持向量机分类器进行分类,得出各种特征组合对应的分类结果,从这些结果中选出使得分类准确率最高的特征组合。
执行步骤五:利用基于支持向量机的分级分类方法,引入4级支持向量机分类器,将大鼠肝纤维化分期这个5分类的过程划分为4个二分类过程,每级分类器分别进行特征组合。所应用的支持向量机分类器其核函数为K(X1,X2)=-q||X1-X2||2,根据得到的特征选择结果进行对于参数q的进行相应的调整。
通过以上五个步骤的运行与调试,就完成了一种基于多尺度多子图共生矩阵的肝纤维化分级分期方法,根据上面的步骤得到的各类参数进行各级分类器的分类参数,对所有验证集进行分类,得到的分类结果如下表所示:
结合上表可以看出,使用基于多尺度多子图共生矩阵的肝纤维化分级分期方法,大鼠肝纤维化5个阶段分类的准确率都能达到86%以上,整体的分类准确率为93.33%(70/75),整体优于现有的分类结果。
Claims (1)
1.一种基于超声图像的多尺度多子图肝纤维化多级量化分期方法,其特征在于它包括如下步骤:
步骤一:感兴趣区域的自动选择和预处理,预先在肝脏超声图像中选择一个固定的大区域,感兴趣区域的尺寸大小设置为64*64的方形区域,选择目标区域内均方差最小的部分区域作为感兴趣区域,将感兴趣区域图像的灰度值映射到0-255之间;
步骤二:构造不同尺度d和角度θ下的24个灰度共生矩阵,即多尺度灰度共生矩阵,对构造的多尺度灰度共生矩阵进行纹理特征的提取;
1)选择灰度共生矩阵的尺度分别为d=1,2,3,4,5,6;
2)对于每一个尺度d,分别取角度θ=0°,45°,90°,135°;
3)构造不同尺度d和角度θ下的24个灰度共生矩阵,得到多尺度灰度共生矩阵;
4)对于每一个归一化的多尺度灰度共生矩阵进行纹理特征参数的提取,在一个尺度d和一个角度θ下可以得到的14个纹理特征参数;
5)计算同一尺度d在4个角度下得到的14个特征参数的均值和范围作为特征参数,得到同一尺度d下的纹理特征参数共84个,在6个尺度下可以得到的特征参数共有504个;
步骤三:小波多子图共生矩阵的构造和纹理特征提取;
1)对感兴趣区域进行一次小波分解,得到近似子图LL,和细节子图LH和HL,并将高频子图HH视为噪声舍去;
2)将细节子图LH和HL按照下述公式合并为整体细节子图LHL:
3)将LL和LHL量化到Ng个灰度级,进行小波多子图共生矩阵的构造;小波多子图共生矩阵的元素p(i,j)定义为在近似子图LL(m,n)和细节子图LHL(m,n)中同时具有整体灰度值为i,细节灰度值为j的像素的个数:
p(i,j)=#{(m,n)∈Hx×Hy|LL(m,n)=i,LHL(m,n)=j}
其中Hx={1,2,...,Nx}代表水平空间域,Hy={1,2,...,Ny}代表垂直空间域;Nx和Ny分别为感兴趣区域的水平和垂直方向像素个数;
4)对构造的小波多子图共生矩阵按下式进行归一化:
其中,q(i,j)是归一化之后的p(i,j);
5)对归一化后的小波多子图共生矩阵进行11个纹理特征参数的提取,具体的参数定义如下:
经过以上特征提取运算后,得到11个纹理特征参数,与步骤二第5)步得到的504个特征参数合在一起得到了515个纹理特征参数;
步骤四:基于支持向量机的不完全穷举封装式特征选择;
1)将待分类的每个尺度的样本分为训练集、测试集和验证集三部分;
2)对于训练集和测试集的样本数据构造特征个数为Ci n的特征子集,其中n=95,i的值取i=1,2,3,4;
3)根据肝纤维化的严重程度(S0-S4)将每个样本的标签设置为0-4;
4)利用步骤五进行基于支持向量机的分级分类,得出应用训练集训练和测试集测试时各种特征组合对应的分类结果,从这些结果中选出使分类准确率最高的特征组合;
步骤五:基于支持向量机的多级分类方法;
1)对于待验证的样本,首先将其划分为无纤维化/有纤维化两种;
2)对于有纤维化的样本,继续将其划分为轻度纤维化和重度纤维化;
3)将轻度纤维化的样本划分为S1/S2阶段;
4)重度纤维化的样本划分为S3/S4阶段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611214165.4A CN108241865B (zh) | 2016-12-26 | 2016-12-26 | 基于超声图像的多尺度多子图肝纤维化多级量化分期方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611214165.4A CN108241865B (zh) | 2016-12-26 | 2016-12-26 | 基于超声图像的多尺度多子图肝纤维化多级量化分期方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108241865A CN108241865A (zh) | 2018-07-03 |
CN108241865B true CN108241865B (zh) | 2021-11-02 |
Family
ID=62703684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611214165.4A Active CN108241865B (zh) | 2016-12-26 | 2016-12-26 | 基于超声图像的多尺度多子图肝纤维化多级量化分期方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108241865B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583364A (zh) * | 2018-11-27 | 2019-04-05 | 上海鹰瞳医疗科技有限公司 | 图像识别方法及设备 |
CN109817332A (zh) * | 2019-02-28 | 2019-05-28 | 南京信息工程大学 | 基于ct放射组学的胰腺神经内分泌肿瘤的分级方法 |
CN111582197A (zh) * | 2020-05-07 | 2020-08-25 | 贵州省邮电规划设计院有限公司 | 一种基于近红外和3d摄像技术的活体以及人脸识别系统 |
CN111783792B (zh) * | 2020-05-31 | 2023-11-28 | 浙江大学 | 一种提取b超图像显著纹理特征的方法及其应用 |
CN112070089B (zh) * | 2020-09-23 | 2022-06-14 | 西安交通大学医学院第二附属医院 | 一种基于超声图像的甲状腺弥漫性疾病智能诊断方法及系统 |
CN112634338A (zh) * | 2020-12-30 | 2021-04-09 | 东北大学 | 基于灰度共生矩阵的脑脊液细胞特征提取方法 |
CN112862797B (zh) * | 2021-02-23 | 2024-03-19 | 复旦大学附属华山医院 | 一种肝纤维化无损预测方法及系统 |
CN113111874A (zh) * | 2021-04-01 | 2021-07-13 | 上海市第一人民医院 | 一种腰椎侧位图像快速分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1931087A (zh) * | 2006-10-11 | 2007-03-21 | 哈尔滨工业大学 | 舌象纹理自动分析方法 |
CN104798105A (zh) * | 2012-11-20 | 2015-07-22 | 皇家飞利浦有限公司 | 采用图像纹理特征的集成表型 |
WO2015106374A1 (zh) * | 2014-01-17 | 2015-07-23 | 首都医科大学 | 一种基于脑部核磁共振图像的多维度纹理提取方法 |
CN105869137A (zh) * | 2015-01-22 | 2016-08-17 | 山东师范大学 | 一种基于多尺度技术的肿瘤纹理特征的提取方法 |
CN108695000A (zh) * | 2018-05-11 | 2018-10-23 | 哈尔滨工业大学 | 基于超声图像的甲状腺弥漫性疾病智能诊断方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8457414B2 (en) * | 2009-08-03 | 2013-06-04 | National Instruments Corporation | Detection of textural defects using a one class support vector machine |
CN104751477A (zh) * | 2015-04-17 | 2015-07-01 | 薛笑荣 | 基于空间域和频域特征的并行sar图像分类方法 |
CN105956620A (zh) * | 2016-04-29 | 2016-09-21 | 华南理工大学 | 一种基于稀疏表示的肝脏超声图像识别方法 |
-
2016
- 2016-12-26 CN CN201611214165.4A patent/CN108241865B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1931087A (zh) * | 2006-10-11 | 2007-03-21 | 哈尔滨工业大学 | 舌象纹理自动分析方法 |
CN104798105A (zh) * | 2012-11-20 | 2015-07-22 | 皇家飞利浦有限公司 | 采用图像纹理特征的集成表型 |
WO2015106374A1 (zh) * | 2014-01-17 | 2015-07-23 | 首都医科大学 | 一种基于脑部核磁共振图像的多维度纹理提取方法 |
CN105869137A (zh) * | 2015-01-22 | 2016-08-17 | 山东师范大学 | 一种基于多尺度技术的肿瘤纹理特征的提取方法 |
CN108695000A (zh) * | 2018-05-11 | 2018-10-23 | 哈尔滨工业大学 | 基于超声图像的甲状腺弥漫性疾病智能诊断方法及系统 |
Non-Patent Citations (9)
Title |
---|
Classification of diffuse liver diseases based on ultrasound images with multimodal features;Li Dandan等;《2019 IEEE International Instrumentation and Measurement Technology Conference (I2MTC)》;20190909;第1-5页 * |
Multi-scale GLCM based quantitative assessment method for ultrasound liver fibrosis images;Li Dandan等;《2016 IEEE 13th International Conference on Signal Processing (ICSP)》;20170316;第677-680页 * |
利用小波尺度共生矩阵和灰度共生矩阵的SAR图像分类;薛笑荣等;《中国体视学与图像分析》;20040818;第7卷(第4期);第193-197页 * |
图像纹理的灰度共生矩阵计算问题的分析;薄华等;《电子学报》;20060420;第34卷(第1期);第155-158,134页 * |
基于多分辨共生矩阵的纹理图像分类;钟桦等;《计算机研究与发展》;20120316;第48卷(第11期);第1991-1999页 * |
基于多特征提取和SVM分类器的纹理图像分类;唐银凤等;《计算机应用与软件》;20110615;第28卷(第6期);第22-25+46页 * |
基于支持向量机的超声乳腺肿瘤图像计算机辅助诊断系统;沈毅等;《光电子.激光》;20080115;第19卷(第1期);第115-119页 * |
基于灰度共生矩阵的肝脏CT图纹理特征分析;郭依正等;《计算机技术应用》;20130104;第31卷(第8期);第62-64,80页 * |
基于超声图像的肝纤维化分期研究;马蕊香;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20170215(第2期);第C028-226页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108241865A (zh) | 2018-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108241865B (zh) | 基于超声图像的多尺度多子图肝纤维化多级量化分期方法 | |
Miranda et al. | A survey of medical image classification techniques | |
Tai et al. | An automatic mass detection system in mammograms based on complex texture features | |
WO2018120942A1 (zh) | 一种多模型融合自动检测医学图像中病变的系统及方法 | |
CN107358267B (zh) | 一种基于互相关特征的乳腺超声图像多元分类系统及方法 | |
Liu et al. | Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window | |
CN108695000B (zh) | 基于超声图像的甲状腺弥漫性疾病智能诊断系统 | |
CN111583320B (zh) | 融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法、系统及存储介质 | |
Hu et al. | Segmentation of brain from computed tomography head images | |
CN113269225A (zh) | 基于影像组学的非侵入式肝脏上皮样血管平滑肌脂肪瘤图像分类装置 | |
Lu et al. | Lung cancer detection using a dilated CNN with VGG16 | |
Feng et al. | Multi-scale information with attention integration for classification of liver fibrosis in B-mode US image | |
Li et al. | Computer aided diagnosis of fatty liver ultrasonic images based on support vector machine | |
Iqbal et al. | Robust retinal blood vessel segmentation using a patch-based statistical adaptive multi-scale line detector | |
Bui et al. | An automatic random walk based method for 3D segmentation of the heart in cardiac computed tomography images | |
CN108230341B (zh) | 一种基于分层抠图算法的眼底图像血管分割方法 | |
CN116485819B (zh) | 一种耳鼻喉检查图像分割方法及系统 | |
Lo et al. | Voxel classification based airway tree segmentation | |
JP5106047B2 (ja) | 画像処理方法及び装置 | |
Mansoor et al. | Near-optimal keypoint sampling for fast pathological lung segmentation | |
Muthu et al. | Morphological operations in medical image pre-processing | |
Krishna et al. | Unsupervised automated retinal vessel extraction framework using enhanced filtering and hessian based method with hysteresis thresholding | |
Jayanthi et al. | Multi-model detection of lung cancer using unsupervised diffusion classification algorithm | |
Siva Raja et al. | Lesion localization and extreme gradient boosting characterization with brain tumor MRI images | |
Wang et al. | Staging of hepatocellular carcinoma using deep feature in contrast-enhanced MR images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |