一种基于贝叶斯和神经网络的医学图像组合分类方法

医学图像分类是当前医学图像自动诊断和模式识别领域的一个新的研究热点,其任务是从给定的医学图像训练样本中提取能反映图像内容的特征,并根据这些特征进行图像分类,实现医学图像中病变组织的自动识别,以保证临床医学诊断更客观、准确和科学.通过对医学图像分类中的一些关键问题分析和研究,提出一种基于贝叶斯和神经网络的医学图像组合分类方法,并据此构造出医学图像组合分类器.这种组合分类器能够充分发挥各个分类器的优点,获得较好的图像分类结果.     

基于边缘检测的多类别医学图像分类方法

针对乳腺X光医学图像多类分类精度普遍较低的问题,提出了一种基于边缘检测的医学图像多类分类新方法。首先对乳腺X光医学图像进行预处理包括图像去噪和图像增强,再通过边缘检测方法,获取乳腺X光医学图像中的肿块区域,对检测到的肿块区域使用灰度共生矩阵提取特征,对于提取到的特征,采用支持向量机（Support vector machine,SVM）的方法进行分类;对于检测不到肿块区域的乳腺X光医学图像可直接分类为无乳腺癌（即正常）类。实验结果表明,与传统的支持向量机多类分类算法相比,基于边缘检测的医学图像多类分类新方法在乳腺X光医学图像上具有更高的分类精度。     

迁移学习在医学图像分类中的研究进展

医学影像作为医疗数据的主要载体,在疾病预防、诊断和治疗中发挥着重要作用。医学图像分类是医学影像分析的重要组成部分。如何提高医学图像分类效率是一个持续的研究问题。随着计算机技术进步,医学图像分类方法已经从传统方法转到深度学习,再到目前热门的迁移学习。虽然迁移学习在医学图像分类中得到较广泛应用,但存在不少问题,本文对该领域的迁移学习应用情况进行综述,从中总结经验和发现问题,为未来研究提供线索。1）对基于迁移学习的医学图像分类研究的重要文献进行梳理、分析和总结,概括出3种迁移学习策略,即迁移模型的结构调整策略、参数调整策略和从迁移模型中提取特征的策略;2）从各文献研究设计的迁移学习过程中提炼共性,总结为5种迁移学习模式,即深度卷积神经网络（deep convolution neural network,DCNN）模式、混合模式、特征组合分类模式、多分类器融合模式和二次迁移模式。阐述了迁移学习策略和迁移学习模式之间的关系。这些迁移学习策略和模式有助于从更高的抽象层次展现迁移学习应用于医学图像分类领域的情况;3）阐述这些迁移学习策略和模式在医学图像分类中的具体应用,分析这些策略及模式的优点、局限性及适用场景;4）给出迁移学习在医学图像分类应用中存在的问题并展望未来研究方向。     

基于BP 神经网络的医学图像分类

给出了一种基于LBP算子和BP神经网络的医学图像分类方法。该方法采用方向纹理谱描述符来描述图像的纹理特征,并以此特征作为网络的输入对BP神经网络进行训练,最后采用已训练的BP网络进行医学图像的分类。通过实验表明,该方法可以很好地对医学图像进行分类识别。     

基于判别式受限玻尔兹曼机的医学图像分类法

随着计算机技术的发展,越来越多的医学图像分析技术应运而生.利用数据挖掘方法对医学图像做分析是目前研究的热点之一,该方法首先从医学图像中提取统计特征,在此基础上进一步挖掘,这种方法对所提取的特征有很强的依赖性而且受到经验等主观因素的影响.针对乳腺X光图像,采用一种可以从图像中自动学习特征并利用学习到的特征对图像进行分类的医学图像分析新方法——判别式受限玻尔兹曼机(Discriminative Restricted Boltzmann Machine,DRBM).DRBM是一种无向判别模型,它可以自动地从图像中学习特征.在乳腺X光图像标准数据集上的实验结果表明,DRBM对医学图像的分类准确率明显高于其它基于统计特征提取的医学图像分类方法.     

基于多特征融合的医学图像识别研究*

以医学图像为研究对象,针对任何一类特征都不能很好地表达医学图像的缺点以及进一步提高医学图像的识别率,提出了一种基于特征级数据融合与决策级数据融合相结合的分类方法。实验结果表明,采用特征级数据融合,融合后的特征可以较好地表达医学图像,且减少了后期分类的计算量;采用决策级数据融合,取得了比单个分类器更高的识别率。     

基于灰度-单元差分共生矩阵的医学图像的检索与分类

医学图像的检索与分类技术在计算机辅助诊断中具有重要作用.图像特征提取是基于内容的图像检索(CBIR)与分类中的关键技术之一.因此,如何有效地提取能够反映图像高层语义的低层特征对于医学图像的检索与分类是至关重要的.针对这个问题,提出使用灰度-单元差分共生矩阵提取纹理特征.在此基础上,使用欧氏距离和支持向量机(SVM)进行图像的检索与分类.实验结果表明,灰度-单元差分共生矩阵对于医学图像的检索与分类是有效的.     

基于SVM的肝脏B超图像纹理分类

在支持向量机SVM的基础上,提出一种肝脏B超图像纹理分类方法。该方法首先提取肝脏B超图像的空域和频域的纹理特征,然后运用SVM分类,寻找分类的最佳特征组合,最后将该方法与BP神经网络的分类方法进行了对比。实验结果表明,所得到的最佳特征组合能有效地区分正常肝脏和病变肝脏,利用该方法可以得到更高的分类精度和更稳定的性能。     

基于Gabor小波变换的医学图像纹理特征分类

Gabor小波变换技术对医学CT图像进行纹理特征分类时,由于图像拍摄角度的变化会造成分类的误差。针对以上问题,在Gabor小波变换的基础上提出一种用于分析旋转不变医学图像的方法。该方法采用旋转规范化,即特征元素的循环移位使规范化后所有的图像都具有相同的主方向。实验结果表明,加入旋转规范化循环算子的Gabor小波变换在医学CT图像纹理特征分类时能够达到较好的精确度。     

医学图像融合方法综述

多模态医学图像能够为医疗诊断、治疗规划和手术导航等临床应用提供更为全面和准确的医学图像描述。由于疾病的类型多样且复杂,无法通过单一模态的医学图像进行疾病类型诊断和病灶定位,而多模态医学图像融合方法可以解决这一问题。融合方法获得的融合图像具有更丰富全面的信息,可以辅助医学影像更好地服务于临床应用。为了对医学图像融合方法的现状进行全面研究,本文对近年国内外发表的相关文献进行综述。对医学图像融合技术进行分类,将融合方法分为传统方法和深度学习方法两类并总结其优缺点。结合多模态医学图像成像原理和各类疾病的图像表征,分析不同部位、不同疾病的融合方法的相关技术并进行定性比较。总结现有多模态医学图像数据库,并按分类对25项常见的医学图像融合质量评价指标进行概述。总结22种基于传统方法和深度学习领域的多模态医学图像融合算法。此外,本文进行实验,比较基于深度学习与传统的医学图像融合方法的性能,通过对3组多模态医学图像融合结果的定性和定量分析,总结各技术领域医学图像融合算法的优缺点。最后,对医学图像融合技术的现状、重难点和未来展望进行讨论。     

基于关联规则的医学图像分类算法

针对医学图像数据的特殊性,提出了一种适合挖掘大量医学图像数据的关联分类算法.该算法以频繁模式树为基础,通过引入双支持度,排除一部分对分类无意义且存在干扰的项,以提高分类正确率.实验结果表明,当用于医学图像分类时,该算法可以取得同样的基于关联规则的分类算法CMAR更高的执行效率及更好的分类效果.     

基于尺度空间中多特征融合的医学影像分类

针对现有医学影像分类方法对临床不同类别影像特征描述效果不一致,且尺度变化敏感的问题,提出一种基于尺度空间提取多特征进行融合的分类方法。首先构建高斯差分尺度空间,然后在尺度空间中分别从灰度、纹理、形状、频域四种互补的角度描述医学影像,最后基于最大似然估计理论构建决策级特征融合模型,实现医学影像分类。严格依照IRMA医学影像类别编码标准选择实验数据,结果表明所提方法相对已有方法分类的平均F1值得到了5%~20%不同程度的提高, 更全面描述医学影像信息, 避免了特征降维造成的信息损失,有效提高了分类的准确率,具有临床应用价值。     

聚类核值相似区特征点的医学影像分类

针对传统方法通常选取角点或极值点作为特征点,忽略了局部纹理变化从而影响医学影像分类性能的问题,提出一种新的特征点检测和描述方法,并基于其应用Bag-of-Keypoints模型实现医学影像分类。首先改进自适应的K-means对影像进行像素级聚类,构建核值相似区并选取邻域内聚类分布变化急剧的像素点作为特征点,然后在极坐标系中定义特征点描述符并生成视觉词典,通过视觉词直方图描述影像,最后利用直方图交集方法度量影像间的相似度来扩展KNN完成分类。遵循IRMA的医学影像类别编码标准严格选择实验数据,结果表明该算法较传统方法F1值平均提高4.5%,对于不同类别影像效果更加稳定鲁棒,从而更好地满足临床应用需求。     

PACS中的图象管理与预取技术的研究

介绍医学图象的分类,着重介绍解放军总医院在研制PACS系统中采用的医学图象管理和图象预取技术。     

基于教与学优化的可变卷积自编码器的医学图像分类方法

针对传统手工方法优化卷积神经网络(CNN)参数时存在耗时长、不准确,以及参数设置影响算法性能等问题,提出一种基于教与学优化(TLBO)的可变卷积自编码器(CAE)算法.该算法设计了可变长度的个体编码策略,从而快速构建CAE结构,并堆叠CAE为一个CNN;此外,充分利用优秀个体的结构信息来引导算法朝着更有希望的区域搜索,...     

医学图像数据库中基于图像内容查询的研究

本文讨论了医学图像数据库中的基于图像内容的查询,包括它的起源、构成、分类、判别标准及索引技术问题,并做了总结和展望。     

基于文本与图像的肺疾病研究与预测EI北大核心CSCD

通过对目前现有的肺癌检测技术研究,发现大部分研究人员主要针对肺癌(Computed tomography,CT)影像进行研究,忽略了电子病历所隐藏的肺癌信息,本文提出一种基于图像与文本相结合的肺癌分类方法,从现有的基于深度学习的肺癌图像分类出发,引入了电子病历信息,使用Multi-head attention以及(Bi-directional long short-term memory,Bi-LSTM)对文本建模.实验结果证明,将电子病历信息引入到图像分类模型之后,对模型的性能有进一步的提升.相对仅使用电子病历进行预测,准确率提升了大约14%,精确率大约提升了15%,召回率提升了14%.相对仅使用肺癌CT影像来进行预测,准确率提升了3.2%,精确率提升了4%,召回率提升了4%.     

基于角度径向变换的旋转不变纹理分类

纹理分类广泛的应用于医学图像分析等领域,纹理图像的采集因拍摄角度的变化产生一定的旋转,本文提出一种基于角度径向变换的旋转不变纹理分类方法。首先采用角度径向变换方法对图像进行特征提取,分别得到图像的角向特征向量和径向特征向量;然后将提取出的2组特征向量结合起来作为图像的整体特征向量,利用K近邻特征空间距离的分类方法进行纹理分类。选取Brodatz纹理库中的图像进行纹理分类测试,实验结果表明,该算法具有较好的旋转不变纹理分类效果。     

基于粗糙集和决策树的医学图像分类研究

根据医学图像数据的特性,提出一种基于粗糙集和决策树相结合的数据挖掘新方法。该方法利用粗糙集中基于属性重要性的离散化方法对医学图像特征进行离散化,采用粗糙集对其属性进行约简,得到低维训练数据,再用SLIQ决策树算法产生决策规则。实验表明：将粗糙理论与SLIQ相结合的数据挖掘方法既保留了原始数据的内部特点,同时剔除了与分类无关或关系不大的冗余特征,从而提高了分类的准确率和效率。