CN110276414B - 基于字典学习和稀疏表示的影像特征提取方法及表达方法 - Google Patents

基于字典学习和稀疏表示的影像特征提取方法及表达方法 Download PDF

Info

Publication number
CN110276414B
CN110276414B CN201910583956.1A CN201910583956A CN110276414B CN 110276414 B CN110276414 B CN 110276414B CN 201910583956 A CN201910583956 A CN 201910583956A CN 110276414 B CN110276414 B CN 110276414B
Authority
CN
China
Prior art keywords
image
histology
region
feature
interest
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
CN201910583956.1A
Other languages
English (en)
Other versions
CN110276414A (zh
Inventor
李振江
尹勇
李宝生
朱健
吴仕章
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.)
Shandong Cancer Hospital & Institute (shandong Cancer Hospital)
Original Assignee
Shandong Cancer Hospital & Institute (shandong Cancer Hospital)
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 Shandong Cancer Hospital & Institute (shandong Cancer Hospital) filed Critical Shandong Cancer Hospital & Institute (shandong Cancer Hospital)
Priority to CN201910583956.1A priority Critical patent/CN110276414B/zh
Publication of CN110276414A publication Critical patent/CN110276414A/zh
Application granted granted Critical
Publication of CN110276414B publication Critical patent/CN110276414B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/30096—Tumor; Lesion
    • 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
    • G06V10/513—Sparse representations
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于字典学习和稀疏表示的影像特征提取方法及表达方法，属于图像特征提取领域，要解决的技术问题为如何降低参数描述维度；提取方法为：将训练集影像组学特征分为两种类型；对于每种训练集影像组学特征，提取多个图像样本并计算每个图像样本的纹理特征图，构建初始字典；按照字段更新初始字典，得到超完备冗余字典；基于待匹配特征系数与每种类别对应的参考特征系数之间的欧式距离，逐一对每个测试集影像组学特征进行特征分类。表达方法包括：回顾性精确标记传统影像的感兴趣区域；提取每个感兴趣区域的影像组学特征；逐像素点的对每个感兴趣区域图像进行特征提取；对影像组学特征进行特征提取和分类。

Description

基于字典学习和稀疏表示的影像特征提取方法及表达方法
技术领域
本发明涉及图像特征提取领域，具体地说是一种基于字典学习和稀疏表示的影像特征提取方法及表达方法。
背景技术
通过常规医学影像[例如计算机断层(CT)影像、核磁共振图像(MRI)、正电子发射断层影像(PET)、锥形束影像(CBCT)等]进行肿瘤感兴趣的精准勾画提取已经成为临床肿瘤治疗过程中的重要一部分，如何精准的提取和描述肿瘤感兴趣区域已经越来越受到临床上的关注。如果能根据肿瘤的影像学特征，详细的分析肿瘤异质性区域的变化，精准的进行感兴趣区域的勾画、疗效和预后的评估分析，有针对性的根据肿瘤的异质性影像学特征制定治疗方案，对于制定个体化的治疗方案至关重要。
影像学在肿瘤的特征评价和靶区精确勾画方面存在局限性。传统的解剖影像在评价肿瘤特征方面仅能够提供肿瘤靶区的宏观异质性信息，包括靶区影像学的对比度等信息，无法提供肿瘤区域微观异质性信息，缺乏功能信息的参考，在描述肿瘤疗效反映方面也存在缺陷。影像组学可以很好的解决上述问题。多项研究证实从传统影像中提取出的影像组学特征指标与肿瘤本身的生物学特性和临床治疗疗效存在显著的相关性。比如：①从肿瘤区域提取的某些影像组学特征指标与肿瘤内部异质性有关，指向肿瘤内不同区域是乏氧还是富氧，是否有血管生成；②从肿瘤区域提取的某些影像组学特征指标与肿瘤接受放疗或化疗后的反应敏感度有关，这些指标可用于预测放化疗疗效；③从肺组织区域提取的某些影像组学特征指标，与患者接受放疗后出现放射性肺炎的可能性有关，可用于在治疗前预测患者接受放疗后出现并发症的风险。
上述研究从另一个侧面较好的证实了影像组学的方法在肿瘤区域精准描述、疗效预测等方面的优势。但是，上述研究也暴露了影像组学的诸多缺陷：首先就是多数的研究缺乏临床应用普适性，无法进行临床推广；其次，选择的参数众多，缺乏较好的临床应用价值；最后，参数选择缺乏标准化。
基于上述分析，如何降低参数描述维度、减少参数复杂度、增强特征的表达能力，以提高影像组学特征提取过程的标准化和可靠性，是需要解决的技术问题。
发明内容
本发明的技术任务是针对以上不足，提供一种基于字典学习和稀疏表示的影像特征提取方法及表达，来解决如何降低参数描述维度、减少参数复杂度、增强特征的表达能力的问题。
第一方面，本发明提供一种基于字典学习和稀疏表示的影像特征提取方法，用于对影像组学特征进行特征提取和分类，包括：
S100、基于肿瘤包括治疗抵抗类型和治疗敏感类型，将训练集影像组学特征分为两种类型，分别为治疗抵抗类型和治疗敏感类型；
S200、对于每种训练集影像组学特征，提取多个图像样本并计算每个图像样本的纹理特征图，通过列向量的形式表达纹理特征图，以构建初始字典；
S300、按照字段更新初始字典，得到超完备冗余字典；
S400、通过超完备冗余字典对训练集影像组学特征进行稀疏表示，得到具有相应类别的特征系数，所述特征系数作为相应类别的参考特征系数；
S500、通过超完备冗余字典对未知类别的测试集影像组学特征进行稀疏表示，得到特征系数，所述特征系数作为待匹配特征系数，基于待匹配特征系数与每种类别对应的参考特征系数之间的欧式距离，逐一对每个测试集影像组学特征进行特征分类。
字典学习核心是将目标特征纳入字典，减少特征的描述维度，上述实施方式通过字典学习与稀疏表示结合，对影像组学特征进行特征提取和分类，实现了对特征的描述，可提高影像中感兴趣区域的特征描述能力，从而为肿瘤诊断、疗效评估、预后分析提供依据。
作为优选，步骤S200中，通过列向量的形式表达纹理特征图之前，对每个纹理特征图进行修剪。
作为优选，步骤S300中，基于K-SVD算法对初始字典进行学习和训练，得到肿瘤乏氧区域图像的纹理特征超完备冗余字典。
作为优选，步骤S500中以最小的欧式距离为判断依据，将所述未知类别的测试集影像组学特征划分为最小的欧式距离对应的类别。
上述优选的实施方式中，可选用松弛算法或贪婪算法计算稀疏系数；通过计算待匹配特征系数与每种类别对应的参考特征系数之间的欧式距离，可得知参考特征系数与待匹配特征系数之间的近似度，即可计算参考特征系数与待匹配特征系数之间的相似性。
第二方面，本发明提供一种基于字典学习和稀疏表示的影像特征表达方法，包括：
回顾性精确标记影像的感兴趣区域，得到至少一个感兴趣区域；
基于影像组学特征提取方法，提取每个感兴趣区域的影像组学特征；
通过影像组学方法逐像素点的对每个感兴趣区域进行特征提取，对于每个像素点，得到对应的多维的特征向量；
基于如第一方面任一项所述的基于字典学习和稀疏表示的影像特征提取方法，对影像组学特征进行特征提取和分类。
作为优选，回顾性精确标记传统影像的感兴趣区域，包括：
在勾画系统中将影像中的阳性区域进行标定，获得感兴趣区域，感兴趣区域内的所有像素点组成集合。
作为优选，基于影像组学特征提取方法，提取每个感兴趣区域的影像组学特征，包括：
基于灰度直方图特征提取算法，提取每个感兴趣区域的影像组学特征，提取的影像组学特征记为F1；
基于灰度共生矩阵特征提取算法，提取每个感兴趣区域的影像组学特征，提取的影像组学特征记为F2；
基于灰度梯度共生矩阵提取算法，提取每个感兴趣区域的影像组学特征，提取的影像组学特征记为F3；
基于区域大小变化特征提取算法，提取每个感兴趣区域的影像组学特征，提取的影像组学特征记为F4；
基于灰度游程矩阵特征提取算法，提取每个感兴趣区域的影像组学特征，提取的影像组学特征记为F5；
基于小波变换类特征提取算法，提取每个感兴趣区域的影像组学特征，提取的影像组学特征记为F6；
基于其他灰度提取算法，提取每个感兴趣区域的影像组学特征，提取的影像组学特征记为F7；
F＝F1+F2+F3+F4+F5+F6+F7，F为影像组学特征。
作为优选，通过影像组学方法逐像素点的对每个感兴趣区域进行特征提取，包括：
基于选定的步长、通过邻域提取算法，遍历整个感兴趣区域中每个像素点，对于位于中心处的每个像素点提取对应的影像组学特征；
对于位于边界上的像素点，进行对称填充，填充的像素的值为所述边界像素的镜面映射。
上述优选的实施方式中，在提取感兴趣区域的边界时，可能没有足够的数据提支持感兴趣区域的领域，需要通过已有的部分数据对缺失的数据进行补充；在提取特征时逐像素点提取领域的特征，通过对位于边界上的像素点进行镜面映射，以确保能够提取到位于边界上的像素点对应的特征。
本发明的基于字典学习和稀疏表示的影像特征提取方法及表达方法具有以下优点：将字典学习和影像组学技术进行结合，从而降低参数描述维度，减少参数复杂度，增强特征的表达能力，进而提高影像组学特征提取过程的标准化和可靠性，进一步提高影像组学技术在临床上的应用价值。
附图说明
为了更清除地说明本发明实施例中的技术方案，下面将对实施例中描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，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的附图。
下面结合附图对本发明进一步说明。
附图1为实施例1基于字典学习和稀疏表示的影像特征提取方法的流程框图；
附图2为实施例2基于字典学习和稀疏表示的影像特征表达方法的流程框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互结合。
本发明实施例提供基于字典学习和稀疏表示的影像特征提取方法及表达方法，用于解决如何降低参数描述维度、减少参数复杂度、增强特征的表达能力的技术问题，以提高影像组学特征提取过程的标准化和可靠性。
实施例1：
如附图1所示，本发明的基于字典学习和稀疏表示的影像特征提取方法，用于对影像组学特征进行特征提取和分类，包括如下步骤：
S100、基于肿瘤包括治疗抵抗类型和治疗敏感类型，将训练集影像组学特征分为两种类型，分别为治疗抵抗类型和治疗敏感类型；
S200、对于每种训练集影像组学特征，提取多个图像样本并计算每个图像样本的纹理特征图，通过列向量的形式表达纹理特征图，以构建初始字典；
S300、按照字段更新初始字典，得到超完备冗余字典；
S400、通过超完备冗余字典对训练集影像组学特征进行稀疏表示，得到具有相应类别的特征系数，所述特征系数作为相应类别的参考特征系数；
S500、通过超完备冗余字典对未知类别的测试集影像组学特征进行稀疏表示，得到特征系数，所述特征系数作为待匹配特征系数，基于待匹配特征系数与每种类别对应的参考特征系数之间的欧式距离，逐一对每个测试集影像组学特征进行特征分类。
其中，步骤S200中，通过列向量的形式表达纹理特征图之前，按照40×40的像素要求修剪每个纹理特征图。40×40的像素要求为本实施例的优选，修剪纹理特征图的像素要求并不限定于上述值，可根据实际需求选择。
通过步骤S200获得初始字典后，基于K-SVD算法对初始字典进行学习和训练，得到肿瘤乏氧区域图像的纹理特征超完备冗余字典。
步骤S400和步骤S500中，可选用松弛算法或其他稀疏编码算法计算影像组学特征在超完备冗余字典上的稀疏表示。
本实施例选取的计算方法为：
设定X＝D*a；
D＝[d1,d2,......,dp]；
X＝{x1,x2,......,xn}；
其中，D表示初始字典超完备冗余字典，dp表示初始字典超完备冗余字典中第p个原子，a表示影像组学特征，X表示稀疏表示后的稀疏系数，xn表示稀疏系数中第n个元素，X中绝大多数元素为零元素。
待匹配特征系数与每种类别对应的参考特征系数之间的欧式距离的计算公式为：
上式中，xij表示对应的特征系数，其中i代表特征系数类别，j代表参考或待匹配特征，j＝1代表参考特征，j＝2代表匹配特征。
基于欧式距离，对于每个未知类型的影像组学特征，以最小的欧式距离为判断依据，将该未知类别的影像组学特征划分为最小的欧式距离对应的类别。
实施例2：
如附图2所示，本发明的基于字典学习和稀疏表示的影像特征表达方法，包括：
L100、回顾性精确标记影像的感兴趣区域，得到至少一个感兴趣区域；
L200、基于影像组学特征提取方法，提取每个感兴趣区域的影像组学特征；
L300、通过影像组学方法逐像素点的对每个感兴趣区域进行特征提取，对于每个像素点，得到对应的多维的特征向量；
L400、基于实施例1公开的基于字典学习和稀疏表示的影像特征提取方法，对影像组学特征进行特征提取和分类。
其中，步骤L100中回顾性的标记进入训练集的患者影像(CT、MRI)中感兴趣区域，一般由具有丰富经验的临床医师负责进行，在勾画系统中将患者影像中的阳性区域进行较为精确的标定。其中定义感兴趣区域ROI内的所有像素点的集合为P。
步骤L200中，影像组学特征提取方法为：
基于灰度直方图特征提取算法，提取每个感兴趣区域的影像组学特征，提取的影像组学特征记为F1；
基于灰度共生矩阵特征提取算法，提取每个感兴趣区域的影像组学特征，提取的影像组学特征记为F2；
基于灰度梯度共生矩阵提取算法，提取每个感兴趣区域的影像组学特征，提取的影像组学特征记为F3；
基于区域大小变化特征提取算法，提取每个感兴趣区域的影像组学特征，提取的影像组学特征记为F4；
基于灰度游程矩阵特征提取算法，提取每个感兴趣区域的影像组学特征，提取的影像组学特征记为F5；
基于小波变换类特征提取算法，提取每个感兴趣区域的影像组学特征，提取的影像组学特征记为F6；
基于其他灰度提取算法，提取每个感兴趣区域的影像组学特征，提取的影像组学特征记为F7；
F＝F1+F2+F3+F4+F5+F6+F7，F为影像组学特征。
步骤L300通过影像组学方法逐像素点的对每个感兴趣区域进行特征提取，包括如下步骤：基于步长[1,3,5]、通过邻域提取算法遍历整个感兴趣区域中每个像素点，对于位于中心处的每个像素点，提取对应的影像组学特征值；对于位于边界上的像素点，进行对称填充，填充的像素的值为所述边界像素的镜面映射，经过上述逐像素点的对每个感兴趣区域图像的影像组学特性进行特征提取后，对于每个像素，可得到多维的特征向量。
步骤L400中，按照实施例1公开的方法对对影像组学特征进行特征提取和分类。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (1)

1.基于字典学习和稀疏表示的影像特征提取方法，其特征在于用于对影像组学特征进行特征提取和分类，包括：
S100、基于肿瘤包括治疗抵抗类型和治疗敏感类型，将训练集影像组学特征分为两种类型，分别为治疗抵抗类型和治疗敏感类型；
S200、对于每种训练集影像组学特征，提取多个图像样本并计算每个图像样本的纹理特征图，通过列向量的形式表达纹理特征图，以构建初始字典；
S300、按照字段更新初始字典，得到超完备冗余字典；
S400、通过超完备冗余字典对训练集影像组学特征进行稀疏表示，得到具有相应类别的特征系数，所述特征系数作为相应类别的参考特征系数；
S500、通过超完备冗余字典对未知类别的测试集影像组学特征进行稀疏表示，得到特征系数，所述特征系数作为待匹配特征系数，基于待匹配特征系数与每种类别对应的参考特征系数之间的欧式距离，逐一对每个测试集影像组学特征进行特征分类；
步骤S200中，通过列向量的形式表达纹理特征图之前，对每个纹理特征图进行修剪；
步骤S300中，基于K-SVD算法对初始字典进行学习和训练，得到肿瘤乏氧区域图像的纹理特征超完备冗余字典；
步骤S500中以最小的欧式距离为判断依据，将所述未知类别的测试集影像组学特征划分为最小的欧式距离对应的类别；
影像特征表达方法包括：
回顾性精确标记影像的感兴趣区域，得到至少一个感兴趣区域；
基于影像组学特征提取方法，提取每个感兴趣区域的影像组学特征；
通过影像组学特征提取方法逐像素点的对每个感兴趣区域进行特征提取，对于每个像素点，得到对应的多维的特征向量；
对影像组学特征进行特征提取和分类；
回顾性精确标记影像的感兴趣区域，包括：
在勾画系统中将传统影像中的阳性区域进行标定，获得感兴趣区域，感兴趣区域内的所有像素点组成集合；
基于影像组学特征提取方法，提取每个感兴趣区域的影像组学特征，包括：
基于灰度直方图特征提取算法，提取每个感兴趣区域的影像组学特征，提取的影像组学特征记为F1；
基于灰度共生矩阵特征提取算法，提取每个感兴趣区域的影像组学特征，提取的影像组学特征记为F2；
基于灰度梯度共生矩阵提取算法，提取每个感兴趣区域的影像组学特征，提取的影像组学特征记为F3；
基于区域大小变化特征提取算法，提取每个感兴趣区域的影像组学特征，提取的影像组学特征记为F4；
基于灰度游程矩阵特征提取算法，提取每个感兴趣区域的影像组学特征，提取的影像组学特征记为F5；
基于小波变换类特征提取算法，提取每个感兴趣区域的影像组学特征，提取的影像组学特征记为F6；
基于其他灰度提取算法，提取每个感兴趣区域的影像组学特征，提取的影像组学特征记为F7；
F=F1+F2+F3+F4+F5+F6+F7，F为影像组学特征；
通过影像组学方法逐像素点的对每个感兴趣区域进行特征提取，包括：
基于选定的步长、通过邻域提取算法，遍历整个感兴趣区域中每个像素点，对于位于中心处的每个像素点提取对应的影像组学特征；
对于位于边界上的像素点，进行对称填充，填充的像素的值为边界像素的镜面映射。
CN201910583956.1A 2019-07-01 2019-07-01 基于字典学习和稀疏表示的影像特征提取方法及表达方法 Active CN110276414B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910583956.1A CN110276414B (zh) 2019-07-01 2019-07-01 基于字典学习和稀疏表示的影像特征提取方法及表达方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910583956.1A CN110276414B (zh) 2019-07-01 2019-07-01 基于字典学习和稀疏表示的影像特征提取方法及表达方法

Publications (2)

Publication Number Publication Date
CN110276414A CN110276414A (zh) 2019-09-24
CN110276414B true CN110276414B (zh) 2024-01-16

Family

ID=67963943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910583956.1A Active CN110276414B (zh) 2019-07-01 2019-07-01 基于字典学习和稀疏表示的影像特征提取方法及表达方法

Country Status (1)

Country Link
CN (1) CN110276414B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115035114B (zh) * 2022-08-11 2022-11-11 高密德隆汽车配件制造有限公司 基于图像处理的干草粉碎机状态监测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436584A (zh) * 2011-11-04 2012-05-02 西安电子科技大学 基于字典学习的胃部ct图像感兴趣区域检测系统
CN105631478A (zh) * 2015-12-25 2016-06-01 天津科技大学 基于稀疏表示字典学习的植物分类方法
CN107016395A (zh) * 2017-03-18 2017-08-04 复旦大学 基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014152919A1 (en) * 2013-03-14 2014-09-25 Arizona Board Of Regents, A Body Corporate Of The State Of Arizona For And On Behalf Of Arizona State University Kernel sparse models for automated tumor segmentation
EP3274915A1 (en) * 2015-03-27 2018-01-31 Siemens Aktiengesellschaft Method and system for automated brain tumor diagnosis using image classification
US10909675B2 (en) * 2015-10-09 2021-02-02 Mayo Foundation For Medical Education And Research System and method for tissue characterization based on texture information using multi-parametric MRI

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436584A (zh) * 2011-11-04 2012-05-02 西安电子科技大学 基于字典学习的胃部ct图像感兴趣区域检测系统
CN105631478A (zh) * 2015-12-25 2016-06-01 天津科技大学 基于稀疏表示字典学习的植物分类方法
CN107016395A (zh) * 2017-03-18 2017-08-04 复旦大学 基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"BRAIN TUMOR CLASSIFICATION USING SPARSE CODING AND DICTIONARY LEARNING";Saif Dawood Salman Al-Shaikhli 等;《IEEE》;20150129;第2774-2778页 *
"基于稀疏表示和深度学习的图像识别算法及应用研究";王斌;《中国博士学位论文全文数据库(信息科技辑)》;20181115(第2018年第11期);第I138-9页正文第41-59页 *

Also Published As

Publication number Publication date
CN110276414A (zh) 2019-09-24

Similar Documents

Publication Publication Date Title
CN110148142B (zh) 图像分割模型的训练方法、装置、设备和存储介质
CN109523521B (zh) 基于多切片ct图像的肺结节分类和病灶定位方法和系统
CN106056595B (zh) 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统
Birenbaum et al. Multi-view longitudinal CNN for multiple sclerosis lesion segmentation
CN108288070B (zh) 一种神经指纹提取分类方法及系统
US8335359B2 (en) Systems, apparatus and processes for automated medical image segmentation
Ahirwar Study of techniques used for medical image segmentation and computation of statistical test for region classification of brain MRI
CN111640120A (zh) 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法
Ypsilantis et al. Recurrent convolutional networks for pulmonary nodule detection in CT imaging
CN113706487A (zh) 基于自监督特征小样本学习的多器官分割方法
CN108629785B (zh) 基于自步学习的三维磁共振胰腺图像分割方法
JP7427080B2 (ja) 細胞検出およびセグメンテーションのための弱教師ありマルチタスク学習
Wu et al. A supervoxel classification based method for multi-organ segmentation from abdominal ct images
WO2004073489A2 (en) Automated measurement of anatomical structures in medical imaging
CN114693933A (zh) 基于生成对抗网络和多尺度特征融合的医学影像分割装置
CN110619635A (zh) 基于深度学习的肝细胞癌磁共振图像分割系统和方法
CN112508884A (zh) 一种癌变区域综合检测装置及方法
CN116579975A (zh) 一种卷积神经网络的脑龄预测方法及系统
Kaliyugarasan et al. Pulmonary nodule classification in lung cancer from 3D thoracic CT scans using fastai and MONAI
CN110276414B (zh) 基于字典学习和稀疏表示的影像特征提取方法及表达方法
CN116823767B (zh) 一种基于图像分析的肺移植活性等级判断方法
CN112927235A (zh) 基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法
Gloger et al. Automatic gallbladder segmentation using combined 2D and 3D shape features to perform volumetric analysis in native and secretin-enhanced MRCP sequences
CN115809988A (zh) 脑肿瘤患者生存分析方法及系统
CN116309640A (zh) 一种基于多层级多注意力MLMA-UNet网络的图像自动分割方法

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