Nothing Special   »   [go: up one dir, main page]

CN105718947B - 基于lbp和小波矩融合特征的肺癌图像精细分类方法 - Google Patents

基于lbp和小波矩融合特征的肺癌图像精细分类方法 Download PDF

Info

Publication number
CN105718947B
CN105718947B CN201610038042.3A CN201610038042A CN105718947B CN 105718947 B CN105718947 B CN 105718947B CN 201610038042 A CN201610038042 A CN 201610038042A CN 105718947 B CN105718947 B CN 105718947B
Authority
CN
China
Prior art keywords
feature
lbp
image
lung cancer
sophisticated category
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.)
Expired - Fee Related
Application number
CN201610038042.3A
Other languages
English (en)
Other versions
CN105718947A (zh
Inventor
王生生
王琪
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.)
Jilin University
Original Assignee
Jilin University
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 Jilin University filed Critical Jilin University
Priority to CN201610038042.3A priority Critical patent/CN105718947B/zh
Publication of CN105718947A publication Critical patent/CN105718947A/zh
Application granted granted Critical
Publication of CN105718947B publication Critical patent/CN105718947B/zh
Expired - Fee Related 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
    • 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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
    • 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
    • G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开一种基于LBP和小波矩融合特征的肺癌图像精细分类方法，该方法包括以下步骤：步骤一、对输入图像进行病灶定位。步骤二、病灶部位随机生成大量模板。步骤三、输入图像进行不同尺度缩放，分别对图像块与模板块进行纹理特征MB‑LBP与形状特征小波矩的提取，通过实验调整权重参数融合两种特征。步骤四、图像不同位置匹配，得到特征响应图。步骤五、使用改进的均值空间金字塔模型将响应图转化成特征向量。步骤六、利用支持向量机实现精细分类。本发明提出的算法，是精细分类思想在医学领域的尝试，减少冗余模板的产生；LBP纹理特征与小波矩特征的融合良好的表示肺癌图像信息；金字塔模型抽取特征保留了有力的特征，提高识别精度。

Description

基于LBP和小波矩融合特征的肺癌图像精细分类方法
技术领域
本发明涉及图像特征提取及图像分类
背景技术
近年来，肺癌已经成为危害人类生命健康的一种主要疾病。在肺癌诊断治疗中，医疗影像分析是辅助诊断肺癌的主要手段之一。目前针对肺癌的图像分类已经取得一定的成果。但临床实践表明，如果能根据医疗影像数据的辅助将肺癌进一步区分为小细胞肺癌，鳞肺癌，腺肺癌，细支气管肺泡癌等不同的类型会对后续治疗有更为实际的意义。而现有的普通图像分类技术，无法自动化实现这种精细分类。针对肺癌的医学图像精细图像分类研究尚未见报道。因此本发明提出一种肺癌图像的精细分类方法，实现肺癌图像的精细分类。
精细图像分类是指区分具有相同基本层类别，或具有相似形状和视觉表观等的对象。例如，区分不同种类的飞机、花类、鸟类等。近年来，由于计算机技术及人工智能技术的飞速发展，为图像精细分类的发展提供了理论与技术上的支持。由于精细图像分类在生态环境监控、食品监控、地质勘探、材料分析及刑事侦查等领域具有广泛的应用前景和实用价值，因此越来越受到计算机视觉领域研究者的广泛关注。但是将图像精细分类在医学领域应用的研究还比较少。
目前主要的图像分类算法有基于码书的图像分类算法和基于释文的图像分类算法。基于码书的图像精细分类算法是指将局部图像块特征映射成视觉单词，将这些视觉单词放在一起形成视觉词袋，输入图像与视觉词袋中的特征进行匹配来实现分类。基于码书的图像分类在以往的图像分类算法中属于最先进的一种。但是，这种“词典”通常用非监督方法进行构建，当被检测的区域映射成“词典词条”形式时，很多细节信息很容易被丢失。基于人工注释的图像分类算法是指在分类的过程中，为待分类图像进行人工标注，通过手动标注的信息来实现分类。基于释文的方法在很大程度上弥补了基于码本方法的不足，而且识别效果也非常好，在很多分类中显示出令人振奋的优良效果，但是巨大的人工成本使其发展受到了很大的限制。因此，我们在无需码本与释文的快速模板匹配框架下，提出融合LBP(Local Binary Pattern)纹理特征和小波矩形状特征的肺癌图像精细分类方法。
综上所述，我们提出的肺癌图像精细分类方法，将纹理特征与形状特征融合，通过分配两种特征的权重，用融合特征进行模板匹配。匹配结果表示成特征响应图的形式，再通过改进的均值空间金字塔模型，从特征响应图中抽取有用特征，进行分类训练。我们的方法实现简单，避免传统方法的缺点，有效提高识别精度。
发明内容：
为解决现存图像精细分类在医学领域研究匮乏，以及传统的图像分类方法无法有效的应用在图像精细分类中的问题。本发明提出了一种基于LBP和小波矩融合特征的肺癌图像精细分类算法。发明内容主要包括：定位病灶后随机模板的生成，基于权重分配的MB-LBP纹理特征和小波矩形状特征的融合，用改进的均值空间金字塔模型从特征响应图中抽取特征，以及精细图像分类思想在医学图像的应用。
一种基于LBP和小波矩融合特征的肺癌图像精细分类方法，其特征在于：至少包括以下步骤：
步骤一、使用基于灰度变化的病灶区域检测方法对原始输入图像进行病灶定位。
步骤二、将定位后的病灶部分随机生成大量尺度不一的模板。经过前一步的病灶定位，有效地将模板块的产生部位限制在病灶部位，从而减少了冗余模板的产生。每一个样本都随机产生大量的图像块作为图像的模板。
步骤三、将输入图像进行不同尺度的缩放，分别对缩放的图像块与上一步产生的模板块进行特征提取，提取纹理特征MB-LBP(Multi-Block Local Binary Pattern)与形状特征小波矩，通过实验调整待分配的权重参数，将不同权重的纹理特征分别融合小波矩描述的形状特征。两种权重参数下的融合特征类比于两类特征(如颜色，形状)。
步骤四、通过对图像的不同位置进行匹配，将匹配的结果表示成特征响应图的形式。特征响应图的明暗度表示匹配度的高低。
步骤五、使用改进的均值空间金字塔模型将特征响应图转化为一个八维的特征向量:
(1)第一层金字塔中，选出响应最大的值，以及在其范围为0.1响应图内选择第二，第三与第四大的值。
(2)构建第二层，第三层空间金字塔。在第三层空间金字塔(4*4)中，分成4部分，每部分为(2*2)，用这四部分的均值来表示第二层(2*2)四个块的值。
(3)得到的八维向量就是从特征响应图中抽取的特征向量。
步骤六、特征向量作为输入，利用支持向量机实现肺癌图像精细分类。
有益效果：
与现有技术相比，采用本发明所述的设计方案，可以达到以下技术效果：
1、在随机生成图像块作为模板的过程中，使用基于灰度变化的病灶区域检测方法定位病灶，避免了大量冗余模板的产生，提高分类精度。
2、基于权重的MB-LBP(Multi-Block Local Binary Pattern)纹理特征与小波矩形状特征的融合，能够弥补单一纹理特征在空间信息表示上不足上的缺点，更全面的表示图像，提高分类精度。
3、均值空间金字塔模型，用第三层对应块的均值来表示第二层区域值，再将特征响应图转化为特征向量。可以更准确的提取出有识别力的信息，获得更好的识别效果。
4、将精细图像分类技术应用在肺癌医学图像领域,实现针对肺癌的医学图像精细自动分类，能够为肺癌诊断与治疗方案的制定提供更准确的参考。
附图说明：
图1.方法框架流程图；
图2.基于灰度变化的病灶区域检测方法进行病灶定位
图3.随机生成模板；
图4.基本LBP原理；
图5.MB-LBP原理；
图6.输入图像与模板匹配响应图示例；
图7.两层空间金字塔模型；
图8.改进的空间金字塔模型抽取特征；
具体实施方式：
步骤一、使用基于灰度变化的病灶区域检测方法对原始输入图像进行病灶定位。
之前提出的模板匹配框架，第一步采用随机生成大量模板的方法，在生成模板之前没有进行预处理，产生了大量含有无用信息的冗余模板块，在后续的缩放匹配过程中，导致提取特征维数过大，分类精度降低。基于此，在生成模板块之前，我们采用基于灰度变化的病灶区域检测方法先对病变部位进行定位如图2，由于图像纹理反映的是图像的一种局部结构化特征,具体表现为图像某邻域内像素点灰度级或者颜色的某种变化,可用来对图像中的空间信息进行一定程度的定量描述。所以我们通过这样简单的病灶检测定位方法，实现肺癌图像的病灶定位，将模板块的产生控制在病灶部位，减少冗余模板的产生，降低特征维数。
步骤二、将定位到的病灶部分随机生成大量尺度不一的模板，经过前一步的病灶定位，我们将模板块的产生控制在病灶部位，减少冗余模板的产生。每一个样本都随机产生大量的图像块作为图像的模板，如图3，这些模板块组成一个库，用于后续的匹配过程。
步骤三、将输入图像进行不同尺度的缩放，分别对缩放的图像块与模板块进行特征提取，提取纹理特征MB-LBP与形状特征小波矩，通过实验调整待分配的权重参数，将不同权重的MB-LBP纹理特征分别融合小波矩描述的形状特征。两种权重下的融合特征看成两类特征。再组合成一个新的特征作为最终分类器的输入特征。
(1)纹理特征MB-LBP的提取
LBP纹理特征在医学图像分类中有着良好的效果，LBP最初定义于像素的8邻域中,以中心像素的灰度值为阈值,将周围8个像素的值与其比较,如果周围的像素值小于中心像素的灰图度值,该像素位置就被标记为0,否则标记为1；将阈值化后的值(即0或者l)分别与对应位置像素的权重相乘,8个乘积的和即为该邻域的LBP值,计算原理如图4所示。根据图4得到的二进制码11011010，把二进制码串换成十进制，即可得该像素的LBP值为128*1+64*1+32*0+16*1+8*1+4*0+2*1+1*0＝218。
由于我们要做肺癌图像的精细分类，所以在纹理特征提取时，采用LBP纹理特征思想下改进的MB-LBP算法。改进的MB-LBP方法计算的是分块区域的平均值,而不是单个像素的值,更能捕捉细节信息，其原理如图5所示。首先计算每个次级区域的图像灰度的平均值,然后以中心区域的平均值为阈值,每个分块区域的平均值就类比于图4中3*3方格每个单元格的值，接着按照基本LBP的原理进行比较，得到二进制串，最后得到MB-LBP编码。MB-LBP不仅得到包含图像模式微观结构的编码,而且也包含了宏观结构,因此比LBP更具鲁棒性。更适合在精细分类的思想下应用。
(2)形状特征小波矩的提取
基于小波变换的小波矩不仅能得到图像的全局特征，也能得到图像的局部特征，因此在识别相似物体时有高的识别率。由于小波矩只具有旋转不变性，不具有平移性和比例不变性，所以应采用归一化的方法对图像进行归一化处理，使各个图像的中心位于坐标原点，各个图像的尺度保持一致。使其具有平移、旋转和比例不变性。设图像为f(x，y)，其标准矩定义为
Wpq＝∫∫xpyqf(x，y)dxdy,
由x＝r cosθ，y＝r sinθ将上式转化为极坐标系得矩阵特征的一般表达式为
Hpq＝＝∫∫ f(r，θ)hp(r)ejqθrdrdθ
其中hp(r)是变换核的径向分量，ejqθ表示变换核的角度分量。令sq(r)＝∫f(r，θ)ejqθdθ，那么可以将上式改写为Hpq＝∫sq(r)hp(r)rdr，可以证明图像发生旋转后特征值的模保持不变。选择适当的基本小波如三次样条函数等，通过伸展、平移来生成小波函数集m,n分别为尺度和平移变量，选择不同的m和n就可以得到图像的全局特征和局部特征。由此可得小波矩不变量为
(3)通过分配权重将MB-LBP纹理特征与小波矩形状特征表示成融合特征。
单一纹理特征在医学图像的普通分类中已经显示出良好的分类效果。但是在图像精细分类的过程中，想要具体区分同一癌症下的不同类型，除了含有大量的纹理信息外，形状上也有细微的差别，精细分类想要捕捉的就是这样的区别信息。小波矩特征具有良好的平移旋转和缩放不变形，加强了不变矩特征对图像结构精细特征的把握能力。所以我们提出调整权重参数的纹理特征与形状特征相融合的想法。由于纹理信息含有信息量大，在权重参数分配时，权重参数较大，形状特征含有的差异信息比较少，对应的权重参数就少。具体按照下面的公式进行融合。
WMB-LBP＝c1×MB-LBP+c2×Hm，n，q
其中WMB-LBP表示融合特征，c1,c2为参数，给出纹理特征与形状特征分别所占的权重，满足c1+c2＝1,Hm，n，q表示极坐标系下提取的小波矩特征，用来表示形状。经过实验证明，在参数分别取c1＝0.8、c2＝0.2与c1＝0.75、c2＝0.25时分类效果较好。两种参数下的融合特征WMB-LBP1与WMB-LBP2整合为一个特征向量(WMB-LBP1，WMB-LBP2)。这个向量用于后面的匹配。
步骤四、通过对图像的不同位置进行匹配，得到特征响应图。
我们用已有的高度优化的模板匹配算法进行匹配，用P表示输入训练图像，由S个不同的特征类型(两种不同权重下的融合特征)来表示，每个图像块的模板表示为每一对r，s表示输入图像P在位置r处的特征PS。
对于每个缩放后的图像I与每个模板进行匹配，在位置r处的图像块与模板的相似性可以用下面的式子来计算，
其中R(c+r)为图像I位置r处的邻域r+c，防止图像变形和噪声影响。PS(r)是输入图像P在位置r处权重融合特征的值，IS(c′)定义同上。fs(PS(r)，IS(c′))用来计算PS(r)与IS(c′)的相似度。经过上面的匹配，可以根据算法得到特征响应图。如图6
步骤五、使用改进的均值空间金字塔模型将特征响应图转化为特征向量。
上一步通过匹配得到了用于表示输入图像与模板块匹配度的特征响应图，接下来我们用空间金字塔模型从响应图中抽取特征，将特征响应图转化为一个特征向量。空间金字塔方法表示图像，是传统BOF(Bag Of Features)方法的改进。它是在不同分辨率上统计图像特征点的分布，从而获取图像的空间信息。将level(i)的图像划分为pow(4，i)个cell，然后在每个cell上统计直方图特征，最后将所有level的直方图特征连接起来组成一个向量，作为图形的特征。基于我们想要做的是医学图像的精细分类，希望在金字塔分层结构中更多的保留细节信息，所以本专利在原始金字塔模型的基础上提出改进的均值空间金字塔模型进行图像匹配。改进的算法分别将原始图像划分为3个level，分别为level(i)如图7。每个level划分为pow(4，i)个cell,在每个cell上统计直方图特征。
从level 0里选出四个响应最大的值，Level 1中选出四个region的值，这个值由level 2中的每个对应2*2区域的均值来表示。最后将所有的直方图特征连接起来组成一个八维向量作为图形的feature，如图8。
步骤六：将融合特征向量作为输入，利用支持向量机对肺癌图像进行精细分类。
(1)利用训练样本对支持向量机分类器进行训练；
(2)对待分类肺癌图像进行精细分类。

Claims (4)

1.一种基于LBP和小波矩融合特征的肺癌图像精细分类方法，其特征在于，至少包括以下步骤：
步骤一、使用基于灰度变化的病灶区域检测方法对原始输入图像进行病灶定位；
步骤二、将定位到的病灶部分随机生成大量尺度不一的模板，经过前一步的病灶定位，直接将模板块的产生部位控制在病灶部位，减少冗余模板的产生，每一个样本都随机产生大量的图像块作为图像的模板；
步骤三、将输入图像进行不同尺度的缩放，分别对缩放的图像块与模板块进行特征提取，提取纹理特征MB-LBP与形状特征小波矩，通过实验调整权重分配的参数，将不同权重的纹理特征分别融合小波矩描述的形状特征，两种权重下的融合特征看成两类纹理特征；
步骤四、通过对图像的不同位置进行匹配，将匹配的结果表示成特征响应图的形式；
步骤五、使用改进的均值空间金字塔模型将特征响应图转化为一个八维的特征向量：
(1)第一层金字塔中，选出响应最大的值，以及在其范围为0.1响应图内选择第二，第三与第四大的值；
(2)构建第二层,第三层空间金字塔，第三层大小为4*4的空间金字塔分成4部分，每部分大小为2*2，用这四部分的均值来表示第二层大小为2*2的四个块的值；
(3)得到的八维向量就是从特征响应图中抽取的特征向量；
步骤六、特征向量作为输入，利用支持向量机实现肺癌图像精细分类。
2.根据权利要求1所述的一种基于LBP和小波矩融合特征的肺癌图像精细分类方法，其特征在于：所述的步骤一、步骤二中，根据图像邻域内像素点灰度级或者颜色的变化，对图像中的空间信息进行定量描述，从而实现病灶检测定位，用于后续的匹配过程。
3.根据权利要求1所述的一种基于LBP和小波矩融合特征的肺癌图像精细分类方法，其特征在于：所述的步骤三中采用了基于权重的纹理特征与形状特征的融合，包含以下步骤：
(1)在纹理特征提取时，采用改进MB-LBP算法，计算分块区域的平均值,改进MB-LBP 不仅得到包含图像模式微观结构的编码, 也包含了宏观结构；
(2) 使用极坐标系下提取的小波矩特征表示形状特征：采用归一化的方法对图像进行归一化处理，使各图像中心位于坐标原点，图像尺度保持一致，具有平移、旋转和比例不变性；
（3）设置纹理特征与形状特征所占的权重实现特征融合：纹理特征信息量大，权重参数较大；形状特征差异信息少，权重参数就小；并根据实验结果调整权重大小。
4.根据权利要求1所述的一种基于LBP和小波矩融合特征的肺癌图像精细分类方法，其特征在于：所述的步骤五中用空间金字塔方法将特征响应图转化为一个特征向量，在不同分辨率上统计图像特征点的分布，从而获取表达图像的空间信息的直方图，最后将所有的直方图特征连接起来作为图像的特征。
CN201610038042.3A 2016-01-21 2016-01-21 基于lbp和小波矩融合特征的肺癌图像精细分类方法 Expired - Fee Related CN105718947B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610038042.3A CN105718947B (zh) 2016-01-21 2016-01-21 基于lbp和小波矩融合特征的肺癌图像精细分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610038042.3A CN105718947B (zh) 2016-01-21 2016-01-21 基于lbp和小波矩融合特征的肺癌图像精细分类方法

Publications (2)

Publication Number Publication Date
CN105718947A CN105718947A (zh) 2016-06-29
CN105718947B true CN105718947B (zh) 2018-12-21

Family

ID=56147994

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610038042.3A Expired - Fee Related CN105718947B (zh) 2016-01-21 2016-01-21 基于lbp和小波矩融合特征的肺癌图像精细分类方法

Country Status (1)

Country Link
CN (1) CN105718947B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108957173A (zh) * 2018-06-08 2018-12-07 山东超越数控电子股份有限公司 一种用于航空电子系统状态的检测方法
CN109598750B (zh) * 2018-12-07 2023-05-23 中国地质大学（武汉） 一种基于变形空间金字塔的大尺度差异图像特征点匹配方法
CN110246578A (zh) * 2019-06-12 2019-09-17 吉林大学第一医院 一种肺癌样本快速检测方法
CN112668375B (zh) * 2019-10-16 2023-07-07 广东轻工职业技术学院 景区内游客分布分析系统及方法
CN112633393B (zh) * 2020-12-29 2022-11-15 北京理工大学重庆创新中心 一种瓷砖纹理自动分类方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102024141A (zh) * 2010-06-29 2011-04-20 上海大学 基于Gabor小波变换和局部二值模式优化的人脸识别方法
CN103632154A (zh) * 2013-12-16 2014-03-12 福建师范大学 基于二次谐波图像纹理分析的皮肤瘢痕诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9317781B2 (en) * 2013-03-14 2016-04-19 Microsoft Technology Licensing, Llc Multiple cluster instance learning for image classification

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102024141A (zh) * 2010-06-29 2011-04-20 上海大学 基于Gabor小波变换和局部二值模式优化的人脸识别方法
CN103632154A (zh) * 2013-12-16 2014-03-12 福建师范大学 基于二次谐波图像纹理分析的皮肤瘢痕诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于LBP和小波纹理特征的室内室外场景分类算法;李锦锋等;《中国图象图形学报》;20100531;第15卷(第5期);第742-748页 *

Also Published As

Publication number Publication date
CN105718947A (zh) 2016-06-29

Similar Documents

Publication Publication Date Title
Castro et al. Elastic deformations for data augmentation in breast cancer mass detection
Joshi et al. Classification of brain cancer using artificial neural network
CN106780448B (zh) 一种基于迁移学习与特征融合的超声甲状腺结节良恶性分类系统
Beevi et al. Automatic mitosis detection in breast histopathology images using convolutional neural network based deep transfer learning
CN109635846B (zh) 一种多类医学图像判断方法和系统
CN105718947B (zh) 基于lbp和小波矩融合特征的肺癌图像精细分类方法
Cheng et al. Mass lesion detection with a fuzzy neural network
CN109034045A (zh) 一种基于卷积神经网络的白细胞自动识别方法
CN106991417A (zh) 一种基于模式识别的视觉投影交互系统及交互方法
CN108090906A (zh) 一种基于区域提名的宫颈图像处理方法及装置
CN108549912A (zh) 一种基于机器学习的医学图像肺结节检测方法
Wan et al. Wavelet-based statistical features for distinguishing mitotic and non-mitotic cells in breast cancer histopathology
Ouyang et al. The research of the strawberry disease identification based on image processing and pattern recognition
Agrawal et al. HEp-2 cell image classification: A comparative analysis
CN110211116A (zh) 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
Vishnu et al. Brain MRI Image Segmentation and Classification using PCA-SVM and CNN
CN105354405A (zh) 基于机器学习的免疫组化图像自动化判读系统
CN103279960B (zh) 一种基于x射线背散射图像的人体隐藏物的图像分割方法
de Brito Silva et al. Classification of breast masses in mammograms using geometric and topological feature maps and shape distribution
Sarath et al. A two-stage multiple instance learning framework for the detection of breast cancer in mammograms
Fernández-Carrobles et al. Bagging tree classifier and texture features for tumor identification in histological images
Parisa Beham et al. Accurate classification of cancer in mammogram images
CN113191393A (zh) 基于多模态融合的对比增强能谱乳腺摄影分类方法及系统
Sridevi et al. A combined deep CNN-lasso regression feature fusion and classification of MLO and CC view mammogram image
Retmin Raj C et al. Distance based genetic algorithm for feature selection in computer aided diagnosis systems

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20181221

Termination date: 20210121