CN108695000B - 基于超声图像的甲状腺弥漫性疾病智能诊断系统 - Google Patents
基于超声图像的甲状腺弥漫性疾病智能诊断系统 Download PDFInfo
- Publication number
- CN108695000B CN108695000B CN201810447761.XA CN201810447761A CN108695000B CN 108695000 B CN108695000 B CN 108695000B CN 201810447761 A CN201810447761 A CN 201810447761A CN 108695000 B CN108695000 B CN 108695000B
- Authority
- CN
- China
- Prior art keywords
- roi
- thyroid
- image
- diseases
- diffuse
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于超声图像的甲状腺弥漫性疾病智能诊断系统,所述系统包括如下模块:ROI的选择和预处理模块,ROI的尺寸大小设置为64*64,在选择ROI时应尽量避开甲状腺实质的边缘和血管,选择比较均匀的甲状腺实质部分,将ROI图像的灰度值映射到0‑255之间;小波多子图共生矩阵的构造和纹理特征提取模块。针对超声图像的斑点噪声特点以及甲状腺弥漫性疾病的诊断要点,提出了多个可用于辅助诊断的纹理特征,这些纹理特征对于Graves病和桥本病都有着明显的区分度,既可在提取纹理特征的过程中滤除斑点噪声的影响,又能够显著提高诊断结果的准确度。
Description
(一)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甲状腺弥漫性疾病分类研究,是一种基于超声图像的甲状腺弥漫性疾病智能诊断系统。
(二)背景技术
甲状腺弥漫性疾病是一种常见的甲状腺疾病,会对人体的正常代谢产生影响,常见的甲状腺弥漫性疾病主要有桥本病和Graves病。医学上确诊甲状腺弥漫性疾病的金标准是活体组织检查,但是活检的有创性会给患者带来很大痛苦,因而在临床使用受到一定限制。目前医生进行临床诊断一般采用血检,通过血清血指标诊断患者可能患有的疾病。但是在实际的临床诊断中,不同的弥漫性疾病在血清血指标上可能十分近似,容易造成混淆。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,是广泛使用的甲状腺疾病检查方法之一。基于超声图像纹理特征进行甲状腺弥漫性疾病的研究,及时对患者患甲状腺弥漫性疾病的情况进行诊断,在临床上具有重要意义。
目前在计算机辅助诊断领域常见利用深度学习和影像组学等方法基于超声图像对甲状腺结节性疾病进行研究,但是对甲状腺弥漫性疾病的影像组学研究资料很少,仅有部分研究人员利用影像组学方法,通过提取图像的纹理特征实现了桥本病与正常甲状腺的区分,或者对甲状腺甲亢和甲减进行区分。但对多种常见的弥漫性甲状腺疾病,如Graves病、桥本病和正常甲状腺组织的超声图像的分类还处于空白状态,更没有研究专门针对甲状腺疾病的特点提出相应的纹理特征,以提高弥漫性疾病的诊断精度。因此临床上对成熟的甲状腺弥漫性疾病诊断系统有很强需求。
现有利用影像组学进行计算机辅助诊断研究的流程基本相似,主要差异在于特征提取、特征选择与分类器的选择上,其中常见的特征提取方法有灰度直方图、共生矩阵、局部二值模式(LBP)、统计特征等,一般特征选择方法主要有遗传算法、序列前向搜索、序列后向搜索等。常见的分类器包括SVM、Naive Bayes、KNN等,也有采用多个分类器整合进行判断。但少有研究会针对数据特点设计特征,对不同特征的差异进行数学描述,以期得到更好的分类结果。本发明针对Graves病和桥本病进行纹理分析,提出基于超声图像的甲状腺弥漫性疾病纹理特征,并结合甲状腺弥漫性疾病的特点改进传统纹理特征选择方法,得到高性能的计算机辅助诊断系统。
(三)发明内容
本发明的目的在于弥补甲状腺弥漫性疾病智能诊断领域的研究不足,提供一种基于超声图像的甲状腺弥漫性疾病智能诊断系统。该系统提出了多个可用于区分甲状腺疾病的纹理特征,基于该方法实现的计算机辅助诊断系统可为医生诊断甲状腺弥漫性疾病提供诊断建议,降低误诊率。
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选择甲状腺超声图像中的感兴趣区域(Region ofInterest,ROI)并进行预处理,针对预处理后的ROI构造基于条索的特征、基于灰度游程长矩阵的最长高亮游程特征、小波多子图共生矩阵等,借助mRMR方法进行特征选择,并用SVM分类器实现甲状腺弥漫性疾病的分类。
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:ROI的选择和预处理。
1)在甲状腺区域突出、纹理清晰的超声图像中选择ROI,在选择ROI时应尽量避开甲状腺实质的边缘和血管,选择比较均匀的甲状腺实质部分。
2)ROI的尺寸大小设置为64*64的方形区域,对于正常和Graves病应尽量选择灰度变化特征均一,能代表甲状腺实质整体特征的子图,而对于桥本病应尽量选择“条索”特征明显的区域。
3)为避免人为因素导致选择的ROI图像明暗不一,将ROI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:小波多子图共生矩阵的构造和纹理特征提取。
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,影响后续的分类效果,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。本发明提出小波多子图共生矩阵(Wavelet Multi-sub-bands Co-occurrence Matrix,WMCM)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,WMCM特征提取流程图如图2所示。
1)对ROI进行一次小波分解(2D-DWT),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WMCM的构造。小波多子图共生矩阵的元素q(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ROI的水平和垂直方向像素个数。
矩形图像水平方向有Nx个像素,垂直方向有Ny个像素,经过一次小波分解后的得到近似子图LL(m,n)和整体细节子图LHL(m,n)都量化到Ng个灰度级,其中m,n是子图中某个像素的行号/列号;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;
4)对构造的WMCM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WMCM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。
步骤三:基于条索特征的纹理特征提取。
条索特征是桥本病的甲状腺超声图像一个重要纹理细节,在超声图像中表现为一个局部明亮的条状区域。观察图像可以发现,相对其他图像,条索的存在会使图像明亮区域集中在条索上,而图像其他的会明显变暗,因此可以针对该特点通过调节阈值将图像二值化,实现桥本病条索特征的提取,由此定量表达桥本病与其他类型的区别,条索特征提取流程图如图3所示。
1)对ROI进行高斯滤波,以抑制超声图像的固有噪声,平滑图像,避免对后续特征提取造成影响。
2)调节阈值大小,对高斯滤波后的ROI图像进行二值化处理,相对其他图像,条索的存在会使图像明亮区域集中在条索上,而图像的其他部分会明显变暗,因此二值后正常、Graves病的明亮区域数量多且分布散乱,而桥本病的明亮区域分布集中。
3)按照下述公式提取条索特征;
其中n是条索的数目,Sn是二值图中明亮区域的面积。
步骤四:其他特征提取。
除了WMCM和条索特征,本发明还提取了灰度共生矩阵(Gray-level Co-occurrence Matrix,GLCM)、灰度游程长矩阵(Gray Level Run Length Matrix,GLRLM)和统计特征等来扩充特征空间。
对ROI构造GLCM,选择d=1,2,3,4四个尺度,并且对每一个尺度取角度θ=0°,45°,90°,135°四个角度进行特征提取,从而差异化表征弥漫性甲状腺疾病的超声图像纹理特征,为了确保纹理特征的旋转不变性,计算GLCM的各个纹理特征在4个角度上的均值和范围。
对ROI构造GLRLM,除GLRLM的原始特征,本发明提出按照下述公式提取基于GLRLM的最长高亮游程特征表征条索特征;
其中Ng是ROI量化的灰度级数目,l是GLRLM矩阵的第l列,m是GLRLM中的元素。
步骤五:基于mRMR的特征选择。
本发明提出利用最小冗余最大相关(Minimum Redundancy-Maximum Relevance,mRMR)特征选择方法去除冗余的特征参数,mRMR算法可以在保证特征子集最大相关性的同时,去除冗余特征,从而得到特征同分类目标变量的相关性强,特征与特征之间的差异性大的特征子集。
1)将待分类的每个尺度的样本分为训练集和测试集两部分。
2)对样本集中的每个样本,利用步骤二和步骤三中的特征进行特征提取。
3)根据甲状腺弥漫性疾病的类型(正常、Graves病、桥本病)将每个样本的标签设置为0-2。
4)应用mRMR方法对样本的特征集合进行特征选择,经过测试发现在特征的数目为4~6时能得到较好的分类效果。
步骤六:基于SVM的二重级联分类方法。
本发明提出了一种基于SVM的二重级联分类方法,对于甲状腺弥漫性疾病分类,不同疾病的超声图像有相应的纹理特点,正常甲状腺组织的超声图像回声均匀,而弥漫性甲状腺疾病会使甲状腺实质发生变化,令组织内部回声减低,而桥本病还会使腺体内出现广泛分布的条状高回声分隔,也就是“条索”状纹理,因此可以设计二重级联分类器将甲状腺弥漫性疾病的三分类问题转化成两个二分类过程,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对样本进行分类,基于SVM的二重级联分类方法流程图如图4所示。
1)对于待验证甲状腺超声图像样本,首先将其划分为有/无弥漫性疾病两种。
2)对于有患有弥漫性疾病的样本,继续利用SVM分类器将其划分为Graves病和桥本病。
本发明与现有技术相比具有如下优点。
针对超声图像的斑点噪声特点以及甲状腺弥漫性疾病的诊断要点,提出了多个可用于辅助诊断的纹理特征,这些纹理特征对于Graves病和桥本病都有着明显的区分度,既可在提取纹理特征的过程中滤除斑点噪声的影响,又能够显著提高诊断结果的准确度。
对于不同的超声成像设备,采集的图像在纹理特征上可能会有差异。本方法并不是简单地给出了特征组合,而是提供了特征提取、特征选择、二级分类的整体流程,因此具有很强的普适性。
(四)附图说明
图1为本发明的流程图;
图2为WMCM特征提取流程图;
图3为基于条索特征提取流程图;
图4为基于SVM的二重级联分类方法流程图。
(五)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。将基于超声图像的甲状腺弥漫性疾病智能诊断方法运用到人体的甲状腺弥漫性疾病的诊断上。
实验中所用到的甲状腺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,对于正常、Graves病和桥本病三种类别,每一类都选取90个ROI,再从中随机选取60个作为样本集,其中45个样本用于训练、15个用于测试。
执行步骤一:在甲状腺超声图像中选择甲状腺区域突出、纹理清晰的部分,在选择ROI时应尽量避开甲状腺实质的边缘和血管,选择比较均匀、能突出甲状腺实质特点的部分。选择该区域内大小为64*64的区域为目标ROI。然后对所有的ROI进行预处理,按照灰度映射公式将各ROI图像的灰度值映射到0-255内。
执行步骤二:提取小波多子图共生矩阵纹理特征,将预处理之后的ROI图像经过一级2D-WPT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WMCM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。
执行步骤三:提取条索纹理特征,对ROI进行高斯滤波,以抑制超声图像的固有噪声,平滑图像。调节阈值大小,对高斯滤波后的ROI图像进行二值化处理,之后按照条索特征公式提取条索特征。
执行步骤四:分别提取灰度共生矩阵、灰度游程长矩阵和统计特征,对灰度共生矩阵,选择d=1,2,3,4四个尺度,并对每一个尺度取角度θ=0°,45°,90°,135°四个角度进行特征提取,并计算GLCM的各个纹理特征在4个角度上的均值和范围,此外提取基于灰度游程长矩阵的最长高亮游程特征。
执行步骤五:基于mRMR方法进行特征选择,将每一类的60个样本分为训练集和测试集两部分,且待分类样本中,每类有45个用于训练,15个用于测试。对训练集和测试集的样本按照步骤二、步骤三和步骤四进行特征提取,并根据甲状腺弥漫性疾病的类型将每个训练样本的标签设置为0-2,使用mRMR方法进行特征选择,选出的特征集所含特征数目应为4-6个。
执行步骤六:利用基于SVM的二重级联分类方法进行分类,引入两个级联的SVM分类器,将甲状腺弥漫性疾病的分类过程划分为两个二分类过程,每级分类器分别利用mRMR方法进行特征选择。应用SVM分类器的核函数为径向基函数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。各级分类器的特征选择结果及参数如下表所示。
分类阶段 | 特征组合 |
正常/弥漫性疾病 | 灰度均值、WMCM逆差分矩、WMCM灰度熵、GLRLM游程百分数 |
Graves病/桥本 | 统计熵、统计均值、GLRLM最长高亮游程、亮斑 |
通过以上六个步骤的运行与调试,就完成了基于超声图像的甲状腺弥漫性疾病智能诊断方法,基于特征选择的结果对所有测试集进行分类,并进行一次四折交叉验证得到的分类结果如下表所示:
实际类别 | 分 | 类 | 类别 | 总计 | 准确率 |
- | 正常 | Graves病 | 桥本病 | - | - |
正常 | 53 | 7 | 0 | 60 | 88.33% |
Graves病 | 3 | 52 | 5 | 60 | 86.67% |
桥本病 | 0 | 4 | 56 | 60 | 93.33% |
总计 | - | - | - | 180 | 89.44% |
重复试验,进行十次四折交叉验证,得到的分类结果如下表所示:
类别 | 正常(%) | Graves病(%) | 桥本病(%) | 总计(%) |
准确率 | 87.83±5.82 | 83.67±3.68 | 92.17±4.49 | 87.89±4.27 |
结合上表可以看出,使用基于超声图像的甲状腺弥漫性疾病智能诊断方法进行甲状腺弥漫性疾病的分类,每一类的分类准确率都高于83%,而整体的准确率在87%以上。
Claims (1)
1.一种基于超声图像的甲状腺弥漫性疾病智能诊断系统,其特征在于,所述系统包括如下模块:
ROI的选择和预处理模块,ROI的尺寸大小设置为64*64,在选择ROI时应尽量避开甲状腺实质的边缘和血管,选择比较均匀的甲状腺实质部分,将ROI图像的灰度值映射到0-255之间;
小波多子图共生矩阵的构造和纹理特征提取模块,该模块执行以下步骤:
1)对ROI进行一次小波分解2D-DWT,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WMCM的构造,即:
p(i,j)=#{(m,n)∈Hx×Hy|LL(m,n)=i,LHL(m,n)=j};
矩形图像水平方向有Nx个像素,垂直方向有Ny个像素,经过一次小波分解后的得到近似子图LL(m,n)和整体细节子图LHL(m,n)都量化到Ng个灰度级,其中m,n是子图中某个像素的行号/列号;令Hx={1,2,...Nx}代表水平空间域,Hy={1,2,...Ny}代表垂直空间域,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;
4)对构造的WMCM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WMCM进行11个纹理特征参数的提取;
6)经过以上特征提取运算后,得到11个纹理特征参数;
基于条索特征的纹理特征提取模块,该模块执行以下步骤:
1)对ROI进行高斯滤波,以抑制超声图像的固有噪声,平滑图像,避免对后续特征提取·造成影响;
2)调节阈值大小,对高斯滤波后的ROI图像进行二值化处理,相对其他图像,条索的存在会使图像明亮区域集中在条索上,而图像的其他部分会明显变暗,因此二值后正常、Graves病的明亮区域数量多且分布散乱,而桥本病的明亮区域分布集中;
3)按照下述公式提取条索特征;
其中n是条索的数目,Sn是二值图中明亮区域的面积;
其他特征提取模块,该模块执行以下步骤:
对ROI构造GLCM,选择d=1,2,3,4四个尺度,并且对每一个尺度取角度θ=0°,45°,90°,135°四个角度进行特征提取,从而差异化表征弥漫性甲状腺疾病的超声图像纹理特征,为了确保纹理特征的旋转不变性,计算灰度共生矩阵GLCM的各个纹理特征在4个角度上的均值和范围,
对ROI构造灰度游程矩阵GLRLM,除 灰度游程矩阵GLRLM的原始特征,按照下述公式提取基于灰度游程矩阵GLRLM的最长高亮游程特征表征条索特征;
其中Ng是ROI量化的灰度级数目,l是GLRLM矩阵的第l列,m是GLRLM中的元素;
基于mRMR的特征选择模块;
基于SVM的二重级联分类模块,该模块执行以下步骤:
1)对于待验证甲状腺超声图像样本,首先将其划分为有/无弥漫性疾病两种;
2)对于有患有弥漫性疾病的样本,继续利用SVM分类器将其划分为Graves病和桥本病。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810447761.XA CN108695000B (zh) | 2018-05-11 | 2018-05-11 | 基于超声图像的甲状腺弥漫性疾病智能诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810447761.XA CN108695000B (zh) | 2018-05-11 | 2018-05-11 | 基于超声图像的甲状腺弥漫性疾病智能诊断系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108695000A CN108695000A (zh) | 2018-10-23 |
CN108695000B true CN108695000B (zh) | 2022-07-01 |
Family
ID=63846218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810447761.XA Active CN108695000B (zh) | 2018-05-11 | 2018-05-11 | 基于超声图像的甲状腺弥漫性疾病智能诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108695000B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108241865B (zh) * | 2016-12-26 | 2021-11-02 | 哈尔滨工业大学 | 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 |
CN110211116A (zh) * | 2019-06-03 | 2019-09-06 | 东北大学 | 一种基于深度学习网络和浅层纹理特征融合的甲状腺超声图像结节分析方法 |
CN110334774A (zh) * | 2019-07-12 | 2019-10-15 | 长春工业大学 | 一种基于权值改进mrmr和pso优化svm的医学图像分类算法 |
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 |
CN113223716A (zh) * | 2021-05-20 | 2021-08-06 | 复旦大学附属中山医院 | 一种甲状腺微小癌消融术前颈部淋巴结良恶性预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104000619A (zh) * | 2014-06-16 | 2014-08-27 | 彭文献 | 一种甲状腺ct图像计算机辅助诊断系统及方法 |
CN105005765A (zh) * | 2015-06-29 | 2015-10-28 | 北京工业大学 | 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法 |
-
2018
- 2018-05-11 CN CN201810447761.XA patent/CN108695000B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104000619A (zh) * | 2014-06-16 | 2014-08-27 | 彭文献 | 一种甲状腺ct图像计算机辅助诊断系统及方法 |
CN105005765A (zh) * | 2015-06-29 | 2015-10-28 | 北京工业大学 | 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法 |
Non-Patent Citations (1)
Title |
---|
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);C028-226 * |
Also Published As
Publication number | Publication date |
---|---|
CN108695000A (zh) | 2018-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108695000B (zh) | 基于超声图像的甲状腺弥漫性疾病智能诊断系统 | |
Zebari et al. | Improved threshold based and trainable fully automated segmentation for breast cancer boundary and pectoral muscle in mammogram images | |
EP3432784B1 (en) | Deep-learning-based cancer classification using a hierarchical classification framework | |
Wang et al. | Hard exudate detection based on deep model learned information and multi-feature joint representation for diabetic retinopathy screening | |
US10115194B2 (en) | Systems and methods for feature detection in retinal images | |
CN109190690B (zh) | 基于机器学习的swi图像的脑微出血点检测识别方法 | |
Tai et al. | An automatic mass detection system in mammograms based on complex texture features | |
Tajeddin et al. | Melanoma recognition in dermoscopy images using lesion's peripheral region information | |
Vécsei et al. | Automated Marsh-like classification of celiac disease in children using local texture operators | |
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 | |
Rakotomamonjy et al. | Scattering features for lung cancer detection in fibered confocal fluorescence microscopy images | |
US20180082104A1 (en) | Classification of cellular images and videos | |
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 | |
Dandan et al. | Classification of diffuse liver diseases based on ultrasound images with multimodal features | |
CN108230341B (zh) | 一种基于分层抠图算法的眼底图像血管分割方法 | |
Ji et al. | Classifying cervix tissue patterns with texture analysis | |
Nosato et al. | An extended method of higher-order local autocorrelation feature extraction for classification of histopathological images | |
Vidya et al. | Automated detection of intracranial hemorrhage in noncontrast head computed tomography | |
Ashafuddula et al. | Melanoma skin cancer and nevus mole classification using intensity value estimation with convolutional neural network | |
Sokouti et al. | Artificial intelligent systems application in cervical cancer pathological cell image classification systems—a review | |
Sindhuja et al. | Wavelet based segmentation using optimal statistical features on breast images | |
Meng et al. | Fuhrman grade classification of clear-cell renal cell carcinoma using computed tomography image analysis | |
Singh et al. | Segmentation and characterization of breast tumor in mammograms | |
Kinani et al. | Computer-Aided Diagnosis of Mammography Cancer | |
Alahmer et al. | Hierarchical classification of liver tumor from CT images based on difference-of-features (DOF) |
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 |