CN108921205A - 一种基于多特征融合的皮肤病临床图像分类方法 - Google Patents
一种基于多特征融合的皮肤病临床图像分类方法 Download PDFInfo
- Publication number
- CN108921205A CN108921205A CN201810614502.1A CN201810614502A CN108921205A CN 108921205 A CN108921205 A CN 108921205A CN 201810614502 A CN201810614502 A CN 201810614502A CN 108921205 A CN108921205 A CN 108921205A
- Authority
- CN
- China
- Prior art keywords
- feature
- image
- skin disease
- matrix
- fusion
- 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.)
- Pending
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于多特征融合的皮肤病临床图像分类方法。对皮肤病临床图像数据集进行预处理;提取图像的特征;将图像特征进行并行融合,获得融合特征;建立SVM分类器并利用SVM分类器进行分类。本发明分类中能获得更多特征信息,提高了分类精度,减少了冗余信息,通过对特征的融合突破了单一特征的表述局限性,取得了优异分类效果。
Description
技术领域
本发明属于图像处理领域,具体涉及一种基于多特征融合的皮肤病临床图像分类方法。
背景技术
近年来皮肤病的种类和发病率不断增长,皮肤病发展成皮肤癌的病例越来越多,后果非常严重,其中很大比例的病例是由于没有早期发现治疗而导致病情发生癌变。目前,计算机辅助诊断的研究课题大多是在乳腺和胸部肺结节性病变等方面,少部分研究CT虚拟结肠内镜、脑肿瘤MR、肝脏疾病CT等病例,很少有研究皮肤病领域图像的分类,现存的研究方法也较不成熟,皮肤病辅助分类领域的研究有待进一步加强,皮肤病的早期诊断是预防皮肤病癌变的有效手段。
皮肤癌是人类常见的癌症之一,而黑色素瘤是当下最常见的三大恶性肿瘤之一。由于黑色素瘤和黑痣、脂溢性角化病在外观上及其相似,所以依靠人眼直接判断较为困难。皮肤癌的诊断一般需要经过临床检查和皮肤镜(皮表透光显微镜)观察方能确诊,检查过程较为复杂和繁琐,所以通过临床图像对皮肤病进行预测和分类的计算机辅助诊断系统就显得尤为重要。如果仅需用手机拍摄一个清晰的皮肤表层图像(皮肤病临床图像)就可以对其进行预测,提醒患者及时就医,通过专业的医疗手段进一步确诊病情,则提高皮肤癌的防治效率。
发明内容
本发明所要解决的技术问题是现有技术下对皮肤病临床图像分类精度不高的问题,提供一种基于多特征融合的皮肤病临床图像分类方法,用以提高皮肤病临床图像的分类精度。
为解决上述问题,本发明是通过以下技术方案实现的:
步骤一,对皮肤病临床图像数据集进行预处理;
步骤二,提取图像的特征;
步骤三,将图像特征进行并行融合,获得融合特征;
步骤四,建立SVM分类器并利用SVM分类器进行分类。
所述的皮肤病临床图像数据集是预先通过采集图像搜集构建组成。
所述步骤一中,对皮肤病临床图像数据集进行预处理的步骤具体包括依次进行的图像去噪、图像增强和毛发消除的处理步骤:
图像去噪:利用高斯滤波的方式对皮肤病临床图像数据集中进行图像去噪,用一个大小为N*N的模板依次扫描图像的每一个像素点,N为模板的宽度/高度,用模板内所有像素的加权平均灰度值替代模板中心像素点的灰度值;
图像增强:将图像去噪后的图像转换为YUV色彩空间并利用灰度直方图均衡算法对图像的像素值进行重新分配,再将图像转换为RGB图像,用以增强图像的对比度;
毛发消除:利用双线性插值法对图像增强后的图像进行毛发消除处理。
所述步骤二中,图像的特征具体包括颜色特征、形状特征和纹理特征。
所述的颜色特征是通过颜色直方图的颜色特征:统计图像像素点的颜色分布,记录固定颜色范围内像素的数量,分析像素点在不同固定颜色范围内占有的比例作为颜色特征,用以描述图像的颜色信息。
所述的形状特征是基于边界的形状特征,使用链码方法获得。
所述的纹理特征是结构型纹理特征,使用LBP局部二值模式纹理特征获得。
所述步骤三中,图像特征并行融合具体步骤包括:
采用以下方式先融合三个特征中任两个特征,再将融合后的特征与第三个特征采用以下方式再融合,得到最后的特征作为融合特征:
1)针对特征X和特征Y,先计算获得特征X和特征Y之间的相关矩阵:
其中,Cxx为特征X的协方差矩阵,Cyy为特征Y的协方差矩阵,Cxy为X相对于Y的协方差矩阵,Cyx为Y相对于X的协方差矩阵;
2)采用以下公式计算第一矩阵A和第二矩阵B:
其中,是Cxx的逆矩阵;
3)计算第一矩阵A和第二矩阵B各自的特征值进而计算第一矩阵A的标准正交特征μi和第二矩阵B的标准正交特征νi,i=1,2,3,...,r且r=min(P1,P2),i表示特征值的序号,P1、P2分别表示特征X和特征Y的的维度;
4)计算特征X的典型投影向量δxi和特征Y的典型投影向量δyi:
然后从各个对应的典型投影向量δxi和典型投影向量δyi组成的所有典型投影向量对中,取任意连续的k对典型投影向量对组成特征X的典型投影矩阵Wx和特征Y的典型投影矩阵Wy;
5)采用以下公式计算得到融合特征:
其中,X*是特征X的伴随矩阵,Y*是特征Y的伴随矩阵。
所述步骤四中,具体利用有向无环图法构造一对一的多分类器,将融合特征和皮肤病临床图像数据集中图像的已知标签分类输入到分类器中进行训练,用训练后的分类器对待测的皮肤病临床图像的融合特征进行分类识别获得分类结果。
所述的SVM分类器核函数使用径向基核函数。
与现有技术相比,本发明具有以下特点:
本发明特殊选取了颜色特征、形状特征和纹理特征的特定三种特征,并特殊进行了特征融合使得获得了更多特征信息,提高了分类精度,同时对比串行融合方法减少了冗余信息。
本发明通过对特征的融合突破了单一特征的表述局限性,取得了优异效果。
附图说明
图1为本发明方法的流程框图;
图2为具体实施例中图像去噪的效果图;
图3为具体实施例中图像增强的效果图;
图4为单一特种与融合特征的分类效果对比图。
具体实施方式
下面结合附图1对本发明进行详细说明。
本发明皮肤病临床图像的分类方法,先对临床图像进行预处理,再提取图像的特征,再将多个特征进行融合,提高分类的准确性。
本发明的实施例如附图1所示,具体步骤如下:
步骤1:临床图像数据集预处理。
依次进行的图像去噪、图像增强和毛发消除。
1.1图像去噪:利用高斯滤波的方式对皮肤病临床图像数据集中进行图像去噪,用一个大小为N*N的模板依次扫描图像的每一个像素点,N为模板的宽度/高度,用模板内所有像素的加权平均灰度值替代模板中心像素点的灰度值;高斯函数的选择为采用二维高斯函数。图像去噪效果图如附图2所示。
1.2图像增强:将图像转换为YUV色彩空间并利用灰度直方图均衡算法对图像的像素值进行重新分配,再将图像转换为RGB图像,增强图像的对比度。
提高图像亮度算法为灰度直方图均衡算法。图像增强效果图如附图3所示。
1.3毛发消除:利用双线性插值法对图像进行毛发消除处理。
步骤2:提取图像特征。
2.1提取颜色特征:颜色直方图的颜色特征,统计图像像素点的颜色分布,记录特定颜色范围内像素的数量,分析像素点在不同范围的颜色内占有的比例,描述图像的颜色信息。
2.2提取形状特征:基于边界的形状特征,具体使用链码方法。
2.3提取纹理特征:结构型纹理特征,具体使用LBP局部二值模式纹理特征。
步骤3:图像特征并行融合。
采用以下方式先融合颜色特征和纹理特征,再将融合后的特征与形状特征同样采用以下方式再融合,得到最后的特征作为融合特征:
3.1)针对颜色特征X和纹理特征Y,先计算获得颜色特征X和纹理特征Y之间的相关矩阵:
其中,Cxx为特征X的协方差矩阵,Cyy为特征Y的协方差矩阵,Cxy为X相对于Y的协方差矩阵,Cyx为Y相对于X的协方差矩阵;
3.2)采用以下公式计算第一矩阵A和第二矩阵B:
其中,是Cxx的逆矩阵;
3.3)计算第一矩阵A和第二矩阵B各自的特征值进而计算第一矩阵A的标准正交特征μi和第二矩阵B的标准正交特征νi,i=1,2,3,...,r且r=min(P1,P2),i表示特征值的序号,P1、P2分别表示特征X和特征Y的的维度;
3.4)计算特征X的典型投影向量δxi和特征Y的典型投影向量δyi:
然后从各个对应的典型投影向量δxi和典型投影向量δyi组成的所有典型投影向量对中,取任意连续的k对典型投影向量对组成颜色特征X的典型投影矩阵Wx和纹理特征Y的典型投影矩阵Wy;
3.5)根据线性变换关系采用以下公式计算得到融合特征:
其中,X*是X的伴随矩阵,Y*是Y的伴随矩阵。
步骤4:建立SVM分类器并利用其进行分类。
利用有向无环图法构造一对一的多分类器,将融合特征和皮肤病临床图像数据集中图像的已知标签分类输入到分类器中进行训练,SVM分类器核函数使用径向基核函数,设定γ=0.165。
最后用训练后的分类器对待测的皮肤病临床图像的融合特征进行分类识别获得分类结果。附图2待测的皮肤病临床图像为面部座疮,经过SVM的分类结果为座疮,附图3待测的皮肤病临床图像为基底细胞瘤,分类结果为基底细胞瘤。
同时,按照本发明方式重复实施进行了200次,准确率达到了56.6%,与现有的利用单一特征对皮肤病临床图像进行分类方法的效果对比如附图4所示,可以看出本发明分类方法的分类效果提高明显。
由此实施可见,本发明能够准确进行分类识别提高了分类精度,减少了冗余信息,突破了单一特征的表述局限性,取得了突出显著的技术效果。
Claims (9)
1.一种基于多特征融合的皮肤病临床图像分类方法,其特征在于:所述方法具体包括以下步骤:
步骤一,对皮肤病临床图像数据集进行预处理;
步骤二,提取图像的特征;
步骤三,将图像特征进行并行融合,获得融合特征;
步骤四,建立SVM分类器并利用SVM分类器进行分类。
2.根据权利要求1所述的一种基于多特征融合的皮肤病临床图像分类方法,其特征在于:所述步骤一中,对皮肤病临床图像数据集进行预处理的步骤具体包括依次进行的图像去噪、图像增强和毛发消除的处理步骤:
图像去噪:利用高斯滤波的方式对皮肤病临床图像数据集中进行图像去噪,用一个大小为N*N的模板依次扫描图像的每一个像素点,N为模板的宽度/高度,用模板内所有像素的加权平均灰度值替代模板中心像素点的灰度值;
图像增强:将图像去噪后的图像转换为YUV色彩空间并利用灰度直方图均衡算法对图像的像素值进行重新分配,再将图像转换为RGB图像;
毛发消除:利用双线性插值法对图像增强后的图像进行毛发消除处理。
3.根据权利要求1所述的一种基于多特征融合的皮肤病临床图像分类方法,其特征在于:所述步骤二中,图像的特征具体包括颜色特征、形状特征和纹理特征。
4.根据权利要求3所述的一种基于多特征融合的皮肤病临床图像分类方法,其特征在于:所述的颜色特征是通过颜色直方图的颜色特征:统计图像像素点的颜色分布,记录固定颜色范围内像素的数量,分析像素点在不同固定颜色范围内占有的比例作为颜色特征。
5.根据权利要求3所述的一种基于多特征融合的皮肤病临床图像分类方法,其特征在于:所述的形状特征是基于边界的形状特征,使用链码方法获得。
6.根据权利要求3所述的一种基于多特征融合的皮肤病临床图像分类方法,其特征在于:所述的纹理特征是结构型纹理特征,使用LBP局部二值模式纹理特征获得。
7.根据权利要求1所述的一种基于多特征融合的皮肤病临床图像分类方法,其特征在于:所述步骤三中,图像特征并行融合具体步骤包括:
采用以下方式先融合三个特征中任两个特征,再将融合后的特征与第三个特征采用以下方式再融合,得到最后的特征作为融合特征:
1)针对特征X和特征Y,先计算获得特征X和特征Y之间的相关矩阵:
其中,Cxx为特征X的协方差矩阵,Cyy为特征Y的协方差矩阵,Cxy为X相对于Y的协方差矩阵,Cyx为Y相对于X的协方差矩阵;
2)采用以下公式计算第一矩阵A和第二矩阵B:
其中,是Cxx的逆矩阵;
3)计算第一矩阵A和第二矩阵B各自的特征值λi 2,进而计算第一矩阵A的标准正交特征μi和第二矩阵B的标准正交特征νi,i=1,2,3,...,r且r=min(P1,P2),i表示特征值的序号,P1、P2分别表示特征X和特征Y的的维度;
4)计算特征X的典型投影向量δxi和特征Y的典型投影向量δyi:
然后从各个对应的典型投影向量δxi和典型投影向量δyi组成的所有典型投影向量对中,取任意连续的k对典型投影向量对组成特征X的典型投影矩阵Wx和特征Y的典型投影矩阵Wy;
5)采用以下公式计算得到融合特征:
其中,X*是特征X的伴随矩阵,Y*是特征Y的伴随矩阵。
8.根据权利要求1所述的一种基于多特征融合的皮肤病临床图像分类方法,其特征在于:所述步骤四中,具体利用有向无环图法构造一对一的多分类器,将融合特征和皮肤病临床图像数据集中图像的已知标签分类输入到分类器中进行训练,用训练后的分类器对待测的皮肤病临床图像的融合特征进行分类识别获得分类结果。
9.根据权利要求1所述的一种基于多特征融合的皮肤病临床图像分类方法,其特征在于:所述的SVM分类器核函数使用径向基核函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810614502.1A CN108921205A (zh) | 2018-06-14 | 2018-06-14 | 一种基于多特征融合的皮肤病临床图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810614502.1A CN108921205A (zh) | 2018-06-14 | 2018-06-14 | 一种基于多特征融合的皮肤病临床图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108921205A true CN108921205A (zh) | 2018-11-30 |
Family
ID=64421501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810614502.1A Pending CN108921205A (zh) | 2018-06-14 | 2018-06-14 | 一种基于多特征融合的皮肤病临床图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921205A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399902A (zh) * | 2019-06-27 | 2019-11-01 | 华南师范大学 | 一种黑色素瘤纹理特征提取的方法 |
CN110516688A (zh) * | 2019-08-30 | 2019-11-29 | 北京推想科技有限公司 | 肺结节属性特征信息的提取方法及系统 |
CN112365669A (zh) * | 2020-10-10 | 2021-02-12 | 北京索斯克科技开发有限公司 | 双波段远红外融叠成像及火灾预警方法及系统 |
CN116258697A (zh) * | 2023-02-22 | 2023-06-13 | 浙江大学 | 基于粗标注的儿童皮肤病图像自动分类装置和方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622607A (zh) * | 2012-02-24 | 2012-08-01 | 河海大学 | 一种基于多特征融合的遥感图像分类方法 |
US20140376804A1 (en) * | 2013-06-21 | 2014-12-25 | Xerox Corporation | Label-embedding view of attribute-based recognition |
CN104463199A (zh) * | 2014-11-28 | 2015-03-25 | 福州大学 | 基于多特征及分割再校正的矿岩块度分类方法 |
CN106570514A (zh) * | 2016-05-08 | 2017-04-19 | 扬州西岐自动化科技有限公司 | 一种基于词袋模型和支持向量机的汽车轮毂分类方法 |
US20170147905A1 (en) * | 2015-11-25 | 2017-05-25 | Baidu Usa Llc | Systems and methods for end-to-end object detection |
CN106845525A (zh) * | 2016-12-28 | 2017-06-13 | 上海电机学院 | 一种基于底层融合特征的深度置信网络图像分类协议 |
CN107273928A (zh) * | 2017-06-14 | 2017-10-20 | 上海海洋大学 | 一种基于权重特征融合的遥感图像自动标注方法 |
CN107346434A (zh) * | 2017-05-03 | 2017-11-14 | 上海大学 | 一种基于多特征及支持向量机的植物病虫害检测方法 |
CN107578007A (zh) * | 2017-09-01 | 2018-01-12 | 杭州电子科技大学 | 一种基于多特征融合的深度学习人脸识别方法 |
CN108053398A (zh) * | 2017-12-19 | 2018-05-18 | 南京信息工程大学 | 一种半监督特征学习的黑色素瘤自动检测方法 |
-
2018
- 2018-06-14 CN CN201810614502.1A patent/CN108921205A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622607A (zh) * | 2012-02-24 | 2012-08-01 | 河海大学 | 一种基于多特征融合的遥感图像分类方法 |
US20140376804A1 (en) * | 2013-06-21 | 2014-12-25 | Xerox Corporation | Label-embedding view of attribute-based recognition |
CN104463199A (zh) * | 2014-11-28 | 2015-03-25 | 福州大学 | 基于多特征及分割再校正的矿岩块度分类方法 |
US20170147905A1 (en) * | 2015-11-25 | 2017-05-25 | Baidu Usa Llc | Systems and methods for end-to-end object detection |
CN106570514A (zh) * | 2016-05-08 | 2017-04-19 | 扬州西岐自动化科技有限公司 | 一种基于词袋模型和支持向量机的汽车轮毂分类方法 |
CN106845525A (zh) * | 2016-12-28 | 2017-06-13 | 上海电机学院 | 一种基于底层融合特征的深度置信网络图像分类协议 |
CN107346434A (zh) * | 2017-05-03 | 2017-11-14 | 上海大学 | 一种基于多特征及支持向量机的植物病虫害检测方法 |
CN107273928A (zh) * | 2017-06-14 | 2017-10-20 | 上海海洋大学 | 一种基于权重特征融合的遥感图像自动标注方法 |
CN107578007A (zh) * | 2017-09-01 | 2018-01-12 | 杭州电子科技大学 | 一种基于多特征融合的深度学习人脸识别方法 |
CN108053398A (zh) * | 2017-12-19 | 2018-05-18 | 南京信息工程大学 | 一种半监督特征学习的黑色素瘤自动检测方法 |
Non-Patent Citations (1)
Title |
---|
宋帅领: "色素性皮肤病图像特征提取与识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399902A (zh) * | 2019-06-27 | 2019-11-01 | 华南师范大学 | 一种黑色素瘤纹理特征提取的方法 |
CN110399902B (zh) * | 2019-06-27 | 2021-08-06 | 华南师范大学 | 一种黑色素瘤纹理特征提取的方法 |
CN110516688A (zh) * | 2019-08-30 | 2019-11-29 | 北京推想科技有限公司 | 肺结节属性特征信息的提取方法及系统 |
CN112365669A (zh) * | 2020-10-10 | 2021-02-12 | 北京索斯克科技开发有限公司 | 双波段远红外融叠成像及火灾预警方法及系统 |
CN116258697A (zh) * | 2023-02-22 | 2023-06-13 | 浙江大学 | 基于粗标注的儿童皮肤病图像自动分类装置和方法 |
CN116258697B (zh) * | 2023-02-22 | 2023-11-24 | 浙江大学 | 基于粗标注的儿童皮肤病图像自动分类装置和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Senan et al. | Analysis of dermoscopy images by using ABCD rule for early detection of skin cancer | |
CN108921205A (zh) | 一种基于多特征融合的皮肤病临床图像分类方法 | |
Ramezani et al. | Automatic detection of malignant melanoma using macroscopic images | |
Hsu et al. | Medical image enhancement using modified color histogram equalization | |
Kamboj | A color-based approach for melanoma skin cancer detection | |
Zhou et al. | Spatially constrained segmentation of dermoscopy images | |
Hassanat et al. | Colour-based lips segmentation method using artificial neural networks | |
Liu et al. | Multimodal MRI brain tumor image segmentation using sparse subspace clustering algorithm | |
Jafari et al. | Set of descriptors for skin cancer diagnosis using non-dermoscopic color images | |
Bangare et al. | Implementation for brain tumor detection and three dimensional visualization model development for reconstruction | |
Sundar et al. | Performance analysis of melanoma early detection using skin lession classification system | |
Abbes et al. | High-level features for automatic skin lesions neural network based classification | |
Patil et al. | Transfer Learning Based System for Melanoma Type Detection. | |
Satheesha et al. | Detection of melanoma using distinct features | |
Fu et al. | MDRANet: A multiscale dense residual attention network for magnetic resonance and nuclear medicine image fusion | |
Kumar et al. | Spatial mutual information based detail preserving magnetic resonance image enhancement | |
KR20140094975A (ko) | 투영 변환 블록 계수를 이용한 피부 색소 침착 검출 장치 및 방법 | |
US20160100789A1 (en) | Computer-aided diagnosis system and computer-aided diagnosis method | |
Karthik et al. | SVM and CNN based skin tumour classification using WLS smoothing filter | |
Zeng et al. | Color perception algorithm of medical images using density peak based hierarchical clustering | |
Zou et al. | Supervised vessels classification based on feature selection | |
Zhao et al. | Automatic windowing for mri with convolutional neural network | |
Ahmad et al. | Brain tumor detection using image segmentation and classification | |
Shanthamalar et al. | A novel approach for glaucoma disease identification through optic nerve head feature extraction and random tree classification | |
Waghulde et al. | Detection of skin cancer lesions from digital images with image processing techniques |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181130 |