CN109815897B - 一种白内障病理图像分数域属性显著图提取方法 - Google Patents

一种白内障病理图像分数域属性显著图提取方法 Download PDF

Info

Publication number
CN109815897B
CN109815897B CN201910064560.6A CN201910064560A CN109815897B CN 109815897 B CN109815897 B CN 109815897B CN 201910064560 A CN201910064560 A CN 201910064560A CN 109815897 B CN109815897 B CN 109815897B
Authority
CN
China
Prior art keywords
order
attribute
fractional
domain
teager
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
Application number
CN201910064560.6A
Other languages
English (en)
Other versions
CN109815897A (zh
Inventor
袁国慧
孙翎马
王卓然
彭真明
曲超
范文澜
贺晨
张鹏年
赵浩浩
赵学功
王慧
周宇
何艳敏
蒲恬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201910064560.6A priority Critical patent/CN109815897B/zh
Publication of CN109815897A publication Critical patent/CN109815897A/zh
Application granted granted Critical
Publication of CN109815897B publication Critical patent/CN109815897B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种白内障病理图像分数域属性显著图提取方法，属于医学图像处理领域，其包括步骤：1.对输入的白内障病理图像进行最优阶分数域S变换，得到分数域图像；2.对分数域图像分别提取Teager主能量属性和频率衰减梯度属性；3.对Teager主能量属性和频率衰减梯度属性进行归一化，得到最终的属性显著图；本发明通过最优阶分数域S变换和属性的提取，为白内障病理图像的处理提供一种新处理方法和新类型的特征，构成分数域时频分析方法和分数域属性显著图，利用病症区域和正常组织之间属性的差异，可以得到变换域属性显著图，可以增强病变区域的同时压制部分非病变区域的响应，有助于提高后续检测的准确率。

Description

一种白内障病理图像分数域属性显著图提取方法
技术领域
本发明属于医学图像处理领域，具体涉及一种白内障病理图像分数域属性显著图提取方法。
背景技术
白内障是一种易引起失明的眼科疾病。中国已确诊白内障患者多达3500万人，并且以8％-10％的速度每年递增。根据LOCSIII标准，白内障病症可以分为三个类型：核型(Nuclear)、皮质型(Cortical)和后囊膜下型(Posterior subcapsular)，其中N型有分成N1-N6级别，C型分成C1-C5级别，P型分成P1-P5级别。白内障的病变部位在外，具有视觉可变性，所以可以利用图像处理技术对患者的体检照片进行处理，辅助医生进行检测，提高工作效率。
目前，针对于皮质白内障的计算机辅助检测方法很多，其方法包括：1、基于原始图像空间，提取灰度、纹理、能量等特征，然后通过分类器进行分类，从而对病症进行检测和为病症的分类提供部分数据支持；2、使用特征包(BagofFeatures，BOF)等方法通过线性组合的方式融合提取的特征，再利用群体稀疏回归(Group Sparsity Regression，GSR)等方法进行处理；3、利用深度学习网络模型完成特征提取和概率分析的一体化，或者基于深度学习网络模型提取特征后采用支持向量机(Support Vector Machine，SVM)、等分类器进行分类，为病症的诊断提供部分数据支持；上述方法都是基于原始的图像空间，针对病变区域与正常区域的区别来提取特征描述子来表示病症，简便病症的检测。但是上述方法利用的信息仅局限于原始图像空间，并没有利用病变区域的变换域的信息，例如病变区域的频率域信息，检测准确率低。
分数域傅里叶变换(Fractional Fourier Transform，FRFT)是一种分数域分析方法，可以较为精确的分析和定位信号的频率成分。FRFT相较于傅里叶变换，其灵活性更强，分辨率更高。S变换作为一种时频分析方法，比短时傅里叶变换有更好的时频分辨率，相较于Wigner-Ville变换，没有交叉项的干扰。分数域S变换(Fractional S Transform，FRST)结合了FRFT和ST的优点，相较于其他分数域时频变换，其具有更高的时频分辨率和时频鲁棒性。
Teager主能量属性是基于Teager-Kaiser(TK)能量的改进，可以对信号的局部能量变换进行追踪和提取。相较于TK能量只能进行单频计算的缺点，Teager主能量可以多频段的计算。Terger主能量比其他的能量算子有更好的能量聚焦性。频率衰减梯度(Frequency Attenuation Gradient，FAG)是一种基于能量吸收分析的衰减属性，可以对能量异常引起的频率衰减进行检测和计算。
发明内容
本发明的目的在于：针对现有的白内障病理图像处理提取特征的方法中只利用了原始图像空间信息，并没有利用变换域信息的问题，提供一种白内障病理图像分数域属性显著图提取方法，利用最优阶分数域S变换将空间图转变为时频图，并对时频域进行Teager主能量属性和频率衰减属性的提取，为白内障病理图像处理提供一种新的变换域特征，归一化后得到属性显著图。
本发明采用的技术方案如下：
一种白内障病理图像分数域属性显著图提取方法，包括以下步骤：
步骤1：对输入的白内障病理图像进行水平方向和竖直方向上的最优阶分数域S变换，得到水平方向最优阶分数域S变换结果和竖直方向最优阶分数域S变换结果；
步骤2：对水平方向分数域和竖直方向分数域进行Teager主能量属性和频率衰减属性的提取，得到水平方向Teager主能量属性图和频率衰减属性图、竖直方向Teager主能量属性图和频率衰减属性图；
步骤3：将水平方向Teager主能量属性图和频率衰减属性图、竖直方向Teager主能量属性图和频率衰减属性图进行归一化处理，得到属性显著图。
步骤1具体包括如下步骤：
步骤1.1：初始化水平方向行变量x和竖直方向列变量y，具体地：
初始化水平方向行变量x＝ir，取值范围为[ir，ar]，
初始化竖直方向行变量y＝ic，取值范围为[ic，ac]，
其中，ir表示最小行，ar表示最大行，ic表示最小列，ac表示最大列；
步骤1.2：提取白内障病理图像第x行信号h(x)和第y列信号v(y)；
步骤1.3：计算第x行信号h(x)和第y列信号v(y)在0.5阶次和1阶次下的分数域傅里叶变换(FRFT)，得到分数阶信号S0.5(u)和S1(u)，FRFT的变换公式如下：
Figure GDA0003514184290000021
Figure GDA0003514184290000022
其中，s(t)为第x行信号h(x)和第y列信号v(y)，a为FRFT的分数阶阶次，u为分数域变量，Ha(u，t)为FRFT的变换核，θ为旋转角，θ＝aπ/2；
步骤1.4：根据步骤1.3得到的Sa(u)，计算归一化一阶原点矩μ0和μ1、归一化二阶原点矩v0、v1、v0.5、混合二阶矩m0和归一化二阶中心矩c0和c1，
步骤1.5：根据步骤1.4的混合二阶矩m0、归一化二阶中心矩c0和c1求得a阶次的解a1和a2，并计算输入信号a1阶次和a2阶次的FRFT，得到分数阶信号
Figure GDA0003514184290000031
和
Figure GDA0003514184290000032
a的求解公式为：
Figure GDA0003514184290000033
其中，m0为Sa(u)0阶次的混合二阶矩，N为变量，取值为{0，1，2，3，4}，c0和c1为Sa(u)0阶次和1阶次的归一化二阶中心距，a的取值范围为[0，2]，并且要满足
Figure GDA0003514184290000034
步骤1.6：根据步骤1.5求得的
Figure GDA0003514184290000035
和
Figure GDA0003514184290000036
计算其最大模值
Figure GDA0003514184290000037
和
Figure GDA0003514184290000038
步骤1.7：比较
Figure GDA0003514184290000039
和
Figure GDA00035141842900000310
的大小，如果
Figure GDA00035141842900000311
最优阶
Figure GDA00035141842900000312
否则，
Figure GDA00035141842900000313
步骤1.8：根据步骤1.7求得的OptOrder，计算最优阶次下的频率域高斯窗函数Ga(u，f)，并计算行信号和列信号的傅里叶频谱
Figure GDA00035141842900000314
其中最优阶次下的频率域高斯窗函数的计算公式为：
Figure GDA00035141842900000315
其中，u为分数域变量，f为频率变量，op+1为FRFT的阶次，op为步骤1.7求得最优阶，θ为旋转角，θ＝(op+1)π/2；
步骤1.9：对步骤1.8求得的Ga(u，f)和
Figure GDA00035141842900000316
的乘积进行反傅里叶变换，得到最优阶分数域S变换的结果OFrSTa(t，f)。
优选地，步骤1.4包括如下步骤：
步骤1.4.1：归一化一阶原点矩，计算公式为：
Figure GDA00035141842900000317
其中，u为分数域变量，a为FRFT的分数阶阶次，Sa(u)为步骤1.3得到的FRFT结果；
步骤1.4.2：归一化二阶原点矩，计算公式为：
Figure GDA0003514184290000041
其中，u为分数域变量，a为FRFT的分数阶阶次，Sa(u)为步骤1.3得到的FRFT结果；
步骤1.4.3：根据步骤1.4.1和1.4.2计算混合二阶矩，计算公式为：
Figure GDA0003514184290000042
其中，μ0和μ1分别为Sa(u)的0阶次和1阶次归一化原点矩，v0，v1和v0.5分别为Sa(u)的0阶次，1阶次和0.5阶次归一化二阶原点矩；
步骤1.4.4：归一化二阶中心距，计算公式为：
Figure GDA0003514184290000043
其中，u为分数域变量，a为FRFT的分数阶阶次，Sa(u)为步骤1.3得到的FRFT结果，μa为Sa(u)a阶次的归一化一阶原点矩。
步骤2具体包括如下步骤：
步骤2.1：根据步骤1.9求得在频率为f时的最优阶分数域S变换的结果OFrSTa(t，f)，计算出TK能量，其计算公式如下：
rel(t，f)＝r(OFrSTa(t，f))2-r(OFrSTa(t-1，f))*r(OFrSTa(t+1，f))
ima(t，f)＝im(OFrSTa(t，f))2-im(OFrSTa(t-1，f))*im(OFrSTa(t+1，f))
TK(t，f)＝rel(t，f)+ima(t，f)
其中，r(·)表示取实部，im(·)表示取虚部，rel(t，f)表示实部TK能量，ima(t，f)表示虚部TK能量，TK(t，f)表示TK能量；
步骤2.2：根据步骤2.1求得的TK能量，计算Teager主能量，其计算公式为：
Figure GDA0003514184290000044
其中，TN(t)表示Teager主能量，TK(t，f)为步骤2.1求得的TK能量，f表示频率变量；
步骤2.3：根据步骤1.9求得在频率为f时的最优阶分数域S变换的结果OFrSTa(t，f)，计算出频率衰减梯度，其计算公式如下：
fa(ti)＝d(M，N)
Figure GDA0003514184290000045
Figure GDA0003514184290000051
Figure GDA0003514184290000052
其中，fa(ti)表示ti位置的频率衰减数值，E(ti)表示位置的总能量，M表示能量为E(ti)0.65倍的点，N表示能量为E(ti)0.85倍的点，d(·)表示梯度运算；
步骤2.4：执行步骤2.3后，判断水平方向行变量和竖直方向列变量的值是否循环遍历了所有值，若没有，则将水平方向行变量和竖直方向列变量自增后，继续执行步骤1.2到步骤2.3，否则跳出循环后跳至步骤2.5；
步骤2.5：循环遍历所有水平方向行变量和竖直方向列变量的值后，得到水平方向Teager属性图和频率衰减属性图、竖直方向Teager属性图和频率衰减属性图，计算公式如下：
TKNh(x，y)＝{TNi，i∈[ir，ar]}
TKNv(x，y)＝{TNj，j∈[ic，ac]}
FAGh(x，y)＝{fai，i∈[ir，ar]}
FAGv(x，y)＝{faj，j∈[ic，ac]}
其中，TKNh(x，y)和FAGh(x，y)表示水平方向Teager主能量属性图和频率衰减属性图，TKNv(x，y)和FAGv(x，y)表示竖直方向Teager主能量属性图和频率衰减属性图，TNi表示步骤2.2所求的第x行一维信号h的Teager主能量，TNj表示步骤2.2所求的第y列一维信号v的Teager主能量，fai表示步骤2.3所求的第x行一维信号h的频率衰减属性，faj表示步骤2.3所求的第y列一维信号v的频率衰减属性，ir表示最小行，ar表示最大行，ic表示最小列，ac表示最大列。
优选地，步骤3具体为：
对步骤2求得的水平方向Teager主能量属性图和频率衰减属性图以及竖直方向Teager主能量属性图和频率衰减属性图，进行归一化处理，得到属性显著图，具体如下：
Figure GDA0003514184290000053
mp＝min(att)，ap＝max(att)
其中，att表示Teager主能量或者频率衰减属性，mp表示最小值，ap表示最大值。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1.本发明基于最优阶分数域S变换，对得到的分数域进行Teager主能量属性和频率衰减属性的提取，归一化后得到属性显著图；通过分数域S变换和属性的提取，获取包含病变区域的频率信息属性图，有利于提高后续检测的准确率；
2.本发明最优阶分数域S变换结合了分数域傅里叶变换的灵活性和S变换的高时频聚焦性，利用分数域傅里叶变换结合最优阶次求解来实现最优阶分数域S变换，相较于其他时频分析方法，有更高的时频分辨率和更好的时频鲁棒性，利于提高检测准确率；
3.本发明通过计算Teager主能量属性和频率衰减属性，从分数时频域提取出白内障病症的描述子，为白内障病理图像的分析/检测提供了一种全新的变换域描述子-分数域能量属性和分数域频率衰减属性，利用病症区域和正常组织之间属性的差异，可以得到变换域属性显著图，可以增强病变区域的同时压制部分非病变区域的响应，有助于提高后续检测的准确率；
4.本发明对Teager主能量属性图和频率衰减属性图进行归一化处理，取值范围相同，可进行比较，避免不同图像带来的数值差异，利于提高显著图提取的精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明的流程图；
图2为本发明输入的C3型白内障病理图像；
图3为本发明得到的C3型白内障水平方向Teager主能量属性图；
图4为本发明得到的C3型白内障竖直方向Teager主能量属性图；
图5为本发明得到的C3型白内障水平方向频率衰减属性图；
图6为本发明得到的C3型白内障竖直方向频率衰减属性图；
图7为本发明得到的C3型白内障归一化水平方向Teager主能量属性显著图；
图8为本发明得到的C3型白内障归一化竖直方向Teager主能量属性显著图；
图9为本发明得到的C3型白内障归一化水平方向频率衰减属性显著图；
图10为本发明得到的C3型白内障归一化竖直方向频率衰减属性显著图；
图11为本发明输入的N6型白内障病理图像；
图12为本发明得到的N6型白内障归一化水平方向Teager主能量属性显著图；
图13为本发明得到的N6型白内障归一化竖直方向Teager主能量属性显著图；
图14为本发明得到的N6型白内障归一化水平方向频率衰减属性显著图；
图15为本发明得到的N6型白内障归一化竖直方向频率衰减属性显著图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
技术问题：现有技术中局限于原始图像空间，无法充分分析病变区域和正常区域的差异，导致处理维度单一，检测准确率低的问题；
技术手段：一种白内障病理图像分数域属性显著图提取方法，包括以下步骤：
步骤1：对输入的白内障病理图像进行水平方向和竖直方向上的最优阶分数域S变换，得到水平方向最优阶分数域S变换结果和竖直方向最优阶分数域S变换结果；
步骤2：对水平方向分数域和竖直方向分数域进行Teager主能量属性和频率衰减属性的提取，得到水平方向Teager主能量属性图和频率衰减属性图、竖直方向Teager主能量属性图和频率衰减属性图；
步骤3：将水平方向Teager主能量属性图和频率衰减属性图、竖直方向Teager主能量属性图和频率衰减属性图进行归一化处理，得到属性显著图。
步骤1具体包括如下步骤：
步骤1.1：初始化水平方向行变量x和竖直方向列变量y，具体地：
初始化水平方向行变量x＝ir，取值范围为[ir，ar]，
初始化竖直方向行变量y＝ic，取值范围为[ic，ac]，
其中，ir表示最小行，ar表示最大行，ic表示最小列，ac表示最大列；
步骤1.2：提取白内障病理图像第x行信号h(x)和第y列信号v(y)；
步骤1.3：计算第x行信号h(x)和第y列信号v(y)在0.5阶次和1阶次下的分数域傅里叶变换(FRFT)，得到分数阶信号S0.5(u)和S1(u)，FRFT的变换公式如下：
Figure GDA0003514184290000081
Figure GDA00035141842900000815
其中，s(t)为第x行信号h(x)和第y列信号v(y)，a为FRFT的分数阶阶次，u为分数域变量，Ha(u，t)为FRFT的变换核，θ为旋转角，θ＝aπ/2；
步骤1.4：根据步骤1.3得到的Sa(u)，计算归一化一阶原点矩μ0和μ1、归一化二阶原点矩v0、v1、v0.5、混合二阶矩m0和归一化二阶中心矩c0和c1，
步骤1.5：根据步骤1.4的混合二阶矩m0、归一化二阶中心矩c0和c1求得a阶次的解a1和a2，并计算输入信号a1阶次和a2阶次的FRFT，得到分数阶信号
Figure GDA0003514184290000082
和
Figure GDA0003514184290000083
a的求解公式为：
Figure GDA0003514184290000084
其中，m0为Sa(u)0阶次的混合二阶矩，N为变量，取值为{0，1，2，3，4}，c0和c1为Sa(u)0阶次和1阶次的归一化二阶中心距，a的取值范围为[0，2]，并且要满足
Figure GDA0003514184290000085
步骤1.6：根据步骤1.5求得的
Figure GDA0003514184290000086
和
Figure GDA0003514184290000087
计算其最大模值
Figure GDA0003514184290000088
和
Figure GDA0003514184290000089
步骤1.7：比较
Figure GDA00035141842900000810
和
Figure GDA00035141842900000811
的大小，如果
Figure GDA00035141842900000812
最优阶
Figure GDA00035141842900000813
否则，
Figure GDA00035141842900000814
步骤1.8：根据步骤1.7求得的OptOrder，计算最优阶次下的频率域高斯窗函数Ga(u，f)，并计算行信号和列信号的傅里叶频谱
Figure GDA0003514184290000091
其中最优阶次下的频率域高斯窗函数的计算公式为：
Figure GDA0003514184290000092
其中，u为分数域变量，f为频率变量，op+1为FRFT的阶次，op为步骤1.7求得最优阶，θ为旋转角，θ＝(op+1)π/2；
步骤1.9：对步骤1.8求得的Ga(u，f)和
Figure GDA0003514184290000093
的乘积进行反傅里叶变换，得到最优阶分数域S变换的结果OFrSTa(t，f)。
步骤1.4包括如下步骤：
步骤1.4.1：归一化一阶原点矩，计算公式为：
Figure GDA0003514184290000094
其中，u为分数域变量，a为FRFT的分数阶阶次，Sa(u)为步骤1.3得到的FRFT结果；
步骤1.4.2：归一化二阶原点矩，计算公式为：
Figure GDA0003514184290000095
其中，u为分数域变量，a为FRFT的分数阶阶次，Sa(u)为步骤1.3得到的FRFT结果；
步骤1.4.3：根据步骤1.4.1和1.4.2计算混合二阶矩，计算公式为：
Figure GDA0003514184290000096
其中，μ0和μ1分别为Sa(u)的0阶次和1阶次归一化原点矩，v0，v1和v0.5分别为Sa(u)的0阶次，1阶次和0.5阶次归一化二阶原点矩；
步骤1.4.4：归一化二阶中心距，计算公式为：
Figure GDA0003514184290000097
其中，u为分数域变量，a为FRFT的分数阶阶次，Sa(u)为步骤1.3得到的FRFT结果，μa为Sa(u)a阶次的归一化一阶原点矩。
步骤2具体包括如下步骤：
步骤2.1：根据步骤1.9求得在频率为f时的最优阶分数域S变换的结果OFrSTa(t，f)，计算出TK能量，其计算公式如下：
rel(t，f)＝r(OFrSTa(t，f))2-r(OFrSTa(t-1，f))*r(OFrSTa(t+1，f))
ima(t，f)＝im(OFrSTa(t，f))2-im(OFrSTa(t-1，f))*im(OFrSTa(t+1，f))
TK(t，f)＝rel(t，f)+ima(t，f)
其中，r(·)表示取实部，im(·)表示取虚部，rel(t，f)表示实部TK能量，ima(t，f)表示虚部TK能量，TK(t，f)表示TK能量；
步骤2.2：根据步骤2.1求得的TK能量，计算Teager主能量，其计算公式为：
Figure GDA0003514184290000101
其中，TN(t)表示Teager主能量，TK(t，f)为步骤2.1求得的TK能量，f表示频率变量；
步骤2.3：根据步骤1.9求得在频率为f时的最优阶分数域S变换的结果OFrSTa(t，f)，计算出频率衰减梯度，其计算公式如下：
fa(ti)＝d(M，N)
Figure GDA0003514184290000102
Figure GDA0003514184290000103
Figure GDA0003514184290000104
其中，fa(ti)表示ti位置的频率衰减数值，E(ti)表示位置的总能量，M表示能量为E(ti)0.65倍的点，N表示能量为E(ti)0.85倍的点，d(·)表示梯度运算；
步骤2.4：执行步骤2.3后，判断水平方向行变量和竖直方向列变量的值是否循环遍历了所有值，若没有，则将水平方向行变量和竖直方向列变量自增后，继续执行步骤1.2到步骤2.3，否则跳出循环后跳至步骤2.5；
步骤2.5：循环遍历所有水平方向行变量和竖直方向列变量的值后，得到水平方向Teager属性图和频率衰减属性图、竖直方向Teager属性图和频率衰减属性图，计算公式如下：
TKNh(x，y)＝{TNi，i∈[ir，ar]}
TKNv(x，y)＝{TNj，j∈[ic，ac]}
FAGh(x，y)＝{fai，i∈[ir，ar]}
FAGv(x，y)＝{faj，j∈[ic，ac]}
其中，TKNh(x，y)和FAGh(x，y)表示水平方向Teager主能量属性图和频率衰减属性图，TKNv(x，y)和FAGv(x，y)表示竖直方向Teager主能量属性图和频率衰减属性图，TNi表示步骤2.2所求的第x行一维信号h的Teager主能量，TNj表示步骤2.2所求的第y列一维信号v的Teager主能量，fai表示步骤2.3所求的第x行一维信号h的频率衰减属性，faj表示步骤2.3所求的第y列一维信号v的频率衰减属性，ir表示最小行，ar表示最大行，ic表示最小列，ac表示最大列。
步骤3具体为：
对步骤2求得的水平方向Teager主能量属性图和频率衰减属性图以及竖直方向Teager主能量属性图和频率衰减属性图，进行归一化处理，得到属性显著图，具体如下：
Figure GDA0003514184290000111
mp＝min(att)，ap＝max(att)
其中，att表示Teager主能量或者频率衰减属性，mp表示最小值，ap表示最大值。
技术效果：本发明基于最优阶分数域S变换，对得到的分数域进行Teager主能量属性和频率衰减属性的提取，归一化后得到属性显著图；通过分数域S变换和属性的提取，获取包含病变区域的频率信息属性图，有利于提高后续检测的准确率；最优阶分数域S变换结合了分数域傅里叶变换的灵活性和S变换的高时频聚焦性，利用分数域傅里叶变换结合最优阶次求解来实现最优阶分数域S变换，相较于其他时频分析方法，有更高的时频分辨率和更好的时频鲁棒性，利于提高检测准确率；通过计算Teager主能量属性和频率衰减属性，从分数时频域提取出白内障病症的描述子，为白内障病理图像的分析/检测提供了一种全新的变换域描述子-分数域能量属性和分数域频率衰减属性，利用病症区域和正常组织之间属性的差异，可以得到变换域属性显著图，可以增强病变区域的同时压制部分非病变区域的响应，有助于提高后续检测的准确率；对Teager主能量属性图和频率衰减属性图进行归一化处理，取值范围相同，可进行比较，避免不同图像带来的数值差异，利于提高显著图提取的精度。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
实施例1
一种白内障病理图像分数域属性显著图提取方法，包括以下步骤：
步骤1：对输入的白内障病理图像进行水平方向和竖直方向上的最优阶分数域S变换，得到水平方向最优阶分数域S变换结果和竖直方向最优阶分数域S变换结果；
步骤2：对水平方向分数域和竖直方向分数域进行Teager主能量属性和频率衰减属性的提取，得到水平方向Teager主能量属性图和频率衰减属性图、竖直方向Teager主能量属性图和频率衰减属性图；
步骤3：将水平方向Teager主能量属性图和频率衰减属性图、竖直方向Teager主能量属性图和频率衰减属性图进行归一化处理，得到属性显著图。
步骤3具体为：
对步骤2求得的水平方向Teager主能量属性图和频率衰减属性图以及竖直方向Teager主能量属性图和频率衰减属性图，进行归一化处理，得到属性显著图，具体如下：
Figure GDA0003514184290000121
mp＝min(att)，ap＝max(att)
其中，att表示Teager主能量或者频率衰减属性，mp表示最小值，ap表示最大值。
本发明基于最优阶分数域S变换，对得到的分数域进行Teager主能量属性和频率衰减属性的提取，归一化后得到属性显著图；通过分数域S变换和属性的提取，获取包含病变区域的频率信息属性图，有利于提高后续检测的准确率；附图2/11为输入图像，通过对其进行最优阶分数域S变换、Teager主能量属性和频率衰减属性的提取、归一化获取最终的属性显著图，过程如图3-10/图11-15所示，从原图2可看出，左下部分的两条斜杠为病变区域，通过本申请的方法进行提取，利用病症区域和正常组织之间属性的差异，可以得到变换域属性显著图，可以增强病变区域的同时压制部分非病变区域的响应，处理或者提取的维度不在仅限于二维图像，提供分数时频域的描述子，有助于提高后续检测的准确率；对Teager主能量属性图和频率衰减属性图进行归一化处理，取值范围相同，可进行比较，避免不同图像带来的数值差异，利于提高显著图提取的精度。
实施例2
基于实施例1，基于实施例1，步骤1具体包括如下步骤：
步骤1.1：初始化水平方向行变量x和竖直方向列变量y，具体地：
初始化水平方向行变量x＝ir，取值范围为[ir，ar]，
初始化竖直方向行变量y＝ic，取值范围为[ic，ac]，
其中，ir表示最小行，ar表示最大行，ic表示最小列，ac表示最大列；
步骤1.2：提取白内障病理图像第x行信号h(x)和第y列信号v(y)；
步骤1.3：计算第x行信号h(x)和第y列信号v(y)在0.5阶次和1阶次下的分数域傅里叶变换(FRFT)，得到分数阶信号S0.5(u)和S1(u)，FRFT的变换公式如下：
Figure GDA0003514184290000131
Figure GDA0003514184290000132
其中，s(t)为第x行信号h(x)和第y列信号v(y)，a为FRFT的分数阶阶次，u为分数域变量，Ha(u，t)为FRFT的变换核，θ为旋转角，θ＝aπ/2；
步骤1.4：根据步骤1.3得到的Sa(u)，计算归一化一阶原点矩μ0和μ1、归一化二阶原点矩v0、v1、v0.5、混合二阶矩m0和归一化二阶中心矩c0和c1，
步骤1.5：根据步骤1.4的混合二阶矩m0、归一化二阶中心矩c0和c1求得a阶次的解a1和a2，并计算输入信号a1阶次和a2阶次的FRFT，得到分数阶信号
Figure GDA0003514184290000133
和
Figure GDA0003514184290000134
a的求解公式为：
Figure GDA0003514184290000135
其中，m0为Sa(u)0阶次的混合二阶矩，N为变量，取值为{0，1，2，3，4}，c0和c1为Sa(u)0阶次和1阶次的归一化二阶中心距，a的取值范围为[0，2]，并且要满足
Figure GDA0003514184290000136
步骤1.6：根据步骤1.5求得的
Figure GDA0003514184290000137
和
Figure GDA0003514184290000138
计算其最大模值
Figure GDA0003514184290000139
和
Figure GDA00035141842900001310
步骤1.7：比较
Figure GDA00035141842900001311
和
Figure GDA00035141842900001312
的大小，如果
Figure GDA00035141842900001313
最优阶
Figure GDA00035141842900001314
否则，
Figure GDA00035141842900001315
步骤1.8：根据步骤1.7求得的OptOrder，计算最优阶次下的频率域高斯窗函数Ga(u，f)，并计算行信号和列信号的傅里叶频谱
Figure GDA00035141842900001316
其中最优阶次下的频率域高斯窗函数的计算公式为：
Figure GDA00035141842900001317
其中，u为分数域变量，f为频率变量，op+1为FRFT的阶次，op为步骤1.7求得最优阶，θ为旋转角，θ＝(op+1)π/2；
傅里叶的变换公式为：
Figure GDA0003514184290000141
其中，h(x)为一位行信号或者列信号，f为频率数值，
Figure GDA0003514184290000142
为频率变量；
步骤1.9：对步骤1.8求得的Ga(u，f)和
Figure GDA0003514184290000143
的乘积进行反傅里叶变换，得到最优阶分数域S变换的结果OFrSTa(t，f)。
步骤1.4包括如下步骤：
步骤1.4.1：归一化一阶原点矩，计算公式为：
Figure GDA0003514184290000144
其中，u为分数域变量，a为FRFT的分数阶阶次，Sa(u)为步骤1.3得到的FRFT结果；
步骤1.4.2：归一化二阶原点矩，计算公式为：
Figure GDA0003514184290000145
其中，u为分数域变量，a为FRFT的分数阶阶次，Sa(u)为步骤1.3得到的FRFT结果；
步骤1.4.3：根据步骤1.4.1和1.4.2计算混合二阶矩，计算公式为：
Figure GDA0003514184290000146
其中，μ0和μ1分别为Sa(u)的0阶次和1阶次归一化原点矩，v0，v1和v0.5分别为Sa(u)的0阶次，1阶次和0.5阶次归一化二阶原点矩；
步骤1.4.4：归一化二阶中心距，计算公式为：
Figure GDA0003514184290000147
其中，u为分数域变量，a为FRFT的分数阶阶次，Sa(u)为步骤1.3得到的FRFT结果，μa为Sa(u)a阶次的归一化一阶原点矩。
最优阶分数域S变换结合了分数域傅里叶变换的灵活性和S变换的高时频聚焦性，利用分数域傅里叶变换结合最优阶次求解来实现最优阶分数域S变换，相较于其他时频分析方法，有更高的时频分辨率和更好的时频鲁棒性，利于提高检测准确率；
实施例3
基于实施例1，步骤2具体包括如下步骤：
步骤2.1：根据步骤1.9求得在频率为f时的最优阶分数域S变换的结果OFrSTa(t，f)，计算出TK能量，其计算公式如下：
rel(t，f)＝r(OFrSTa(t，f))2-r(OFrSTa(t-1，f))*r(OFrSTa(t+1，f))
ima(t，f)＝im(OFrSTa(t，f))2-im(OFrSTa(t-1，f))*im(OFrSTa(t+1，f))
TK(t，f)＝rel(t，f)+ima(t，f)
其中，r(·)表示取实部，im(·)表示取虚部，rel(t，f)表示实部TK能量，ima(t，f)表示虚部TK能量，TK(t，f)表示TK能量；
步骤2.2：根据步骤2.1求得的TK能量，计算Teager主能量，其计算公式为：
Figure GDA0003514184290000151
其中，TN(t)表示Teager主能量，TK(t，f)为步骤2.1求得的TK能量，f表示频率变量；
步骤2.3：根据步骤1.9求得在频率为f时的最优阶分数域S变换的结果OFrSTa(t，f)，计算出频率衰减梯度，其计算公式如下：
fa(ti)＝d(M，N)
Figure GDA0003514184290000152
Figure GDA0003514184290000153
Figure GDA0003514184290000154
其中，fa(ti)表示ti位置的频率衰减数值，E(ti)表示位置的总能量，M表示能量为E(ti)0.65倍的点，N表示能量为E(ti)0.85倍的点，d(·)表示梯度运算；
步骤2.4：执行步骤2.3后，判断水平方向行变量和竖直方向列变量的值是否循环遍历了所有值，若没有，则将水平方向行变量和竖直方向列变量自增后，继续执行步骤1.2到步骤2.3，否则跳出循环后跳至步骤2.5；
步骤2.5：循环遍历所有水平方向行变量和竖直方向列变量的值后，得到水平方向Teager属性图和频率衰减属性图、竖直方向Teager属性图和频率衰减属性图，计算公式如下：
TKNh(x，y)＝{TNi，i∈[ir，ar]}
TKNv(x，y)＝{TNj，j∈[ic，ac]}
FAGh(x，y)＝{fai，i∈[ir，ar]}
FAGv(x，y)＝{faj，j∈[ic，ac]}
其中，TKNh(x，y)和FAGh(x，y)表示水平方向Teager主能量属性图和频率衰减属性图，TKNv(x，y)和FAGv(x，y)表示竖直方向Teager主能量属性图和频率衰减属性图，TNi表示步骤2.2所求的第x行一维信号h的Teager主能量，TNj表示步骤2.2所求的第y列一维信号v的Teager主能量，fai表示步骤2.3所求的第x行一维信号h的频率衰减属性，faj表示步骤2.3所求的第y列一维信号v的频率衰减属性，ir表示最小行，ar表示最大行，ic表示最小列，ac表示最大列。
通过计算Teager主能量属性和频率衰减属性，从分数时频域提取出白内障病症的描述子，为白内障病理图像的分析/检测提供了一种全新的变换域描述子-分数域能量属性和分数域频率衰减属性，从附图中可看出，显著区域为病症区域，其他非病症区域被抑制，利用病症区域和正常组织之间属性的差异，可以得到变换域属性显著图，可以增强病变区域的同时压制部分非病变区域的响应，有助于提高后续检测的准确率。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种白内障病理图像分数域属性显著图提取方法，其特征在于，包括以下步骤：
步骤1：对输入的白内障病理图像进行水平方向和竖直方向上的最优阶分数域S变换，得到水平方向最优阶分数域S变换结果和竖直方向最优阶分数域S变换结果；
步骤2：对水平方向分数域和竖直方向分数域进行Teager主能量属性和频率衰减属性的提取，得到水平方向Teager主能量属性图和频率衰减属性图、竖直方向Teager主能量属性图和频率衰减属性图；
步骤3：将水平方向Teager主能量属性图和频率衰减属性图、竖直方向Teager主能量属性图和频率衰减属性图进行归一化处理，得到属性显著图。
步骤1具体包括如下步骤：
步骤1.1：初始化水平方向行变量x和竖直方向列变量y，具体地：
初始化水平方向行变量x＝ir，取值范围为[ir，ar]，
初始化竖直方向行变量y＝ic，取值范围为[ic，ac]，
其中，ir表示最小行，ar表示最大行，ic表示最小列，ac表示最大列；
步骤1.2：提取白内障病理图像第x行信号h(x)和第y列信号v(y)；
步骤1.3：计算第x行信号h(x)和第y列信号v(y)在0.5阶次和1阶次下的分数域傅里叶变换(FRFT)，得到分数阶信号S0.5(u)和S1(u)，FRFT的变换公式如下：
Figure FDA0003514184280000011
Figure FDA0003514184280000012
其中，s(t)为第x行信号h(x)和第y列信号v(y)，a为FRFT的分数阶阶次，u为分数域变量，Ha(u，t)为FRFT的变换核，θ为旋转角，θ＝aπ/2；
步骤1.4：根据步骤1.3得到的Sa(u)，计算归一化一阶原点矩μ0和μ1、归一化二阶原点矩v0、v1、v0.5、混合二阶矩m0和归一化二阶中心矩c0和c1，
步骤1.5：根据步骤1.4的混合二阶矩m0、归一化二阶中心矩c0和c1求得a阶次的解a1和a2，并计算输入信号a1阶次和a2阶次的FRFT，得到分数阶信号
Figure FDA0003514184280000013
和
Figure FDA0003514184280000014
a的求解公式为：
Figure FDA0003514184280000021
其中，m0为Sa(u)0阶次的混合二阶矩，N为变量，取值为{0，1，2，3，4}，c0和c1为Sa(u)0阶次和1阶次的归一化二阶中心距，a的取值范围为[0，2]，并且要满足
Figure FDA0003514184280000022
步骤1.6：根据步骤1.5求得的
Figure FDA0003514184280000023
和
Figure FDA0003514184280000024
计算其最大模值
Figure FDA0003514184280000025
和
Figure FDA0003514184280000026
步骤1.7：比较
Figure FDA0003514184280000027
和
Figure FDA0003514184280000028
的大小，如果
Figure FDA0003514184280000029
最优阶
Figure FDA00035141842800000210
否则，
Figure FDA00035141842800000211
步骤1.8：根据步骤1.7求得的OptOrder，计算最优阶次下的频率域高斯窗函数Ga(u，f)，并计算行信号和列信号的傅里叶频谱
Figure FDA00035141842800000212
其中最优阶次下的频率域高斯窗函数的计算公式为：
Figure FDA00035141842800000213
其中，u为分数域变量，f为频率变量，op+1为FRFT的阶次，op为步骤1.7求得最优阶，θ为旋转角，θ＝(0p+1)π/2；
步骤1.9：对步骤1.8求得的Ga(u，f)和
Figure FDA00035141842800000214
的乘积进行反傅里叶变换，得到最优阶分数域S变换的结果OFrSTa(t，f)；
步骤2具体包括如下步骤：
步骤2.1：根据步骤1.9求得在频率为f时的最优阶分数域S变换的结果OFrSTa(t，f)，计算出TK能量，其计算公式如下：
rel(t，f)＝r(OFrSTa(t，f))2-r(OFrSTa(t-1，f))*r(OFrSTa(t+1，f))
ima(t，f)＝im(OFrSTa(t，f))2-im(OFrSTa(t-1，f))*im(OFrSTa(t+1，f))
TK(t，f)＝rel(t，f)+ima(t，f)
其中，r(·)表示取实部，im(·)表示取虚部，rel(t，f)表示实部TK能量，ima(t，f)表示虚部TK能量，TK(t，f)表示TK能量；
步骤2.2：根据步骤2.1求得的TK能量，计算Teager主能量，其计算公式为：
Figure FDA00035141842800000215
其中，TN(t)表示Teager主能量，TK(t，f)为步骤2.1求得的TK能量，f表示频率变量；
步骤2.3：根据步骤1.9求得在频率为f时的最优阶分数域S变换的结果OFrSTa(t，f)，计算出频率衰减梯度，其计算公式如下：
fa(ti)＝d(M，N)
Figure FDA0003514184280000031
Figure FDA0003514184280000032
Figure FDA0003514184280000033
其中，fa(ti)表示ti位置的频率衰减数值，E(ti)表示位置的总能量，M表示能量为E(ti)0.65倍的点，N表示能量为E(ti)0.85倍的点，d(·)表示梯度运算；
步骤2.4：执行步骤2.3后，判断水平方向行变量和竖直方向列变量的值是否循环遍历了所有值，若没有，则将水平方向行变量和竖直方向列变量自增后，继续执行步骤1.2到步骤2.3，否则跳出循环后跳至步骤2.5；
步骤2.5：循环遍历所有水平方向行变量和竖直方向列变量的值后，得到水平方向Teager属性图和频率衰减属性图、竖直方向Teager属性图和频率衰减属性图，计算公式如下：
TKNh(x，y)＝{TNi，i∈[ir，ar]}
TKNv(x，y)＝{TNj，j∈[ic，ac]}
FAGh(x，y)＝{fai，i∈[ir，ar]}
FAGv(x，y)＝{faj，j∈[ic，ac]}
其中，TKNh(x，y)和FAGh(x，y)表示水平方向Teager主能量属性图和频率衰减属性图，TKNv(x，y)和FAGv(x，y)表示竖直方向Teager主能量属性图和频率衰减属性图，TNi表示步骤2.2所求的第x行一维信号h的Teager主能量，TNj表示步骤2.2所求的第y列一维信号v的Teager主能量，fai表示步骤2.3所求的第x行一维信号h的频率衰减属性，faj表示步骤2.3所求的第y列一维信号v的频率衰减属性，ir表示最小行，ar表示最大行，ic表示最小列，ac表示最大列。
2.如权利要求1所述的一种白内障病理图像分数域属性显著图提取方法，其特征在于，步骤1.4包括如下步骤：
步骤1.4.1：归一化一阶原点矩，计算公式为：
Figure FDA0003514184280000041
其中，u为分数域变量，a为FRFT的分数阶阶次，Sa(u)为步骤1.3得到的FRFT结果；
步骤1.4.2：归一化二阶原点矩，计算公式为：
Figure FDA0003514184280000042
其中，u为分数域变量，a为FRFT的分数阶阶次，Sa(u)为步骤1.3得到的FRFT结果；
步骤1.4.3：根据步骤1.4.1和1.4.2计算混合二阶矩，计算公式为：
Figure FDA0003514184280000043
其中，μ0和μ1分别为Sa(u)的0阶次和1阶次归一化原点矩，v0，v1和v0.5分别为Sa(u)的0阶次，1阶次和0.5阶次归一化二阶原点矩；
步骤1.4.4：归一化二阶中心距，计算公式为：
Figure FDA0003514184280000044
其中，u为分数域变量，a为FRFT的分数阶阶次，Sa(u)为步骤1.3得到的FRFT结果，μa为Sa(u)a阶次的归一化一阶原点矩。
3.如权利要求1所述的一种白内障病理图像分数域属性显著图提取方法，其特征在于，步骤3具体为：
对步骤2求得的水平方向Teager主能量属性图和频率衰减属性图以及竖直方向Teager主能量属性图和频率衰减属性图，进行归一化处理，得到属性显著图，具体如下：
Figure FDA0003514184280000045
mp＝min(att)，ap＝max(att)
其中，att表示Teager主能量或者频率衰减属性，mp表示最小值，ap表示最大值。
CN201910064560.6A 2019-01-23 2019-01-23 一种白内障病理图像分数域属性显著图提取方法 Active CN109815897B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910064560.6A CN109815897B (zh) 2019-01-23 2019-01-23 一种白内障病理图像分数域属性显著图提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910064560.6A CN109815897B (zh) 2019-01-23 2019-01-23 一种白内障病理图像分数域属性显著图提取方法

Publications (2)

Publication Number Publication Date
CN109815897A CN109815897A (zh) 2019-05-28
CN109815897B true CN109815897B (zh) 2022-04-22

Family

ID=66604921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910064560.6A Active CN109815897B (zh) 2019-01-23 2019-01-23 一种白内障病理图像分数域属性显著图提取方法

Country Status (1)

Country Link
CN (1) CN109815897B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105182413A (zh) * 2015-09-25 2015-12-23 电子科技大学 一种地震信号分数域s变换最优阶的快速确定方法
CN109164489A (zh) * 2018-10-15 2019-01-08 西南石油大学 一种基于vmd与tk能量算子的地震流体预测方法
CN109829902A (zh) * 2019-01-23 2019-05-31 电子科技大学 一种基于广义S变换和Teager属性的肺部CT图像结节筛选方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8457900B2 (en) * 2006-03-23 2013-06-04 The Regents Of The University Of California Method for identification and sequencing of proteins

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105182413A (zh) * 2015-09-25 2015-12-23 电子科技大学 一种地震信号分数域s变换最优阶的快速确定方法
CN109164489A (zh) * 2018-10-15 2019-01-08 西南石油大学 一种基于vmd与tk能量算子的地震流体预测方法
CN109829902A (zh) * 2019-01-23 2019-05-31 电子科技大学 一种基于广义S变换和Teager属性的肺部CT图像结节筛选方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Automatic cataract classification system;V Harini 等;《2016 international conference on communication and signal processing》;20161124;第815-819页 *
内燃机变分模态Rihaczek谱纹理特征识别诊断;岳应娟等;《仪器仪表学报》;20171015;第38卷(第10期);第2437-2444页 *
基于Teager能量的低频衰减参数提取及流体识别;郑静静 等;《中国石油学会2017年物探技术研讨会论文集》;20170425;第941-943页 *
基于Teager能量的地层Q值提取及储层流体识别;段伟刚等;《地球物理学进展》;20160215;第31卷(第01期);第411-416页 *
基于时频域Teager主能量的储层检测;陈学华等;《石油地球物理勘探》;20110615;第46卷(第03期);第434-437页 *
肺部CT影像智能分析及辅助诊断关键技术研究;孙翎马;《中国优秀博硕士学位论文全文数据库(博士) 医药卫生科技辑》;20220115(第01期);E060-65 *

Also Published As

Publication number Publication date
CN109815897A (zh) 2019-05-28

Similar Documents

Publication Publication Date Title
Wang et al. Localizing microaneurysms in fundus images through singular spectrum analysis
Belsare et al. Classification of breast cancer histopathology images using texture feature analysis
US8958625B1 (en) Spiculated malignant mass detection and classification in a radiographic image
Hao et al. Fusing multiple deep models for in vivo human brain hyperspectral image classification to identify glioblastoma tumor
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
US20120099771A1 (en) Computer aided detection of architectural distortion in mammography
Kumarganesh et al. An enhanced medical diagnosis sustainable system for brain tumor detection and segmentation using ANFIS classifier
Acharya et al. An automated technique for carotid far wall classification using grayscale features and wall thickness variability
Raghesh Krishnan et al. Automatic classification of liver diseases from ultrasound images using GLRLM texture features
Luo et al. The edge detectors suitable for retinal OCT image segmentation
Narváez et al. Characterizing architectural distortion in mammograms by linear saliency
CN114492519B (zh) 一种基于超声回波射频信号的肺超声特殊征象b线识别分类方法
Šerifović-Trbalić et al. Classification of benign and malignant masses in breast mammograms
Zhao et al. A survey of dictionary learning in medical image analysis and its application for glaucoma diagnosis
Jiménez del Toro et al. Epileptogenic lesion quantification in MRI using contralateral 3D texture comparisons
JP5106047B2 (ja) 画像処理方法及び装置
CN109815897B (zh) 一种白内障病理图像分数域属性显著图提取方法
Kim et al. Learning to compare longitudinal images
Dash et al. Wavelet based features of circular scan lines for mammographic mass classification
Wang et al. Automated segmentation of breast arterial calcifications from digital mammography
Dadsena et al. Rotational moment shape feature extraction and decision tree based discrimination of mild cognitive impairment conditions using MR image processing
Benrabha et al. Automatic ROI detection and classification of the achilles tendon ultrasound images
Masood et al. SA-SVM based automated diagnostic system for skin cancer
Rani Krithiga et al. A novel automated classification technique for diagnosing liver disorders using wavelet and texture features on liver ultrasound images
Wang et al. Post-processing for retinal vessel detection

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