AS-OCT图像下的自动皮质性白内障分类框架

白内障是一种主要导致视觉损伤的眼病. 早期干预和白内障手术是改善患者视力和生活质量的主要手段. 眼前节光学相干断层成像图像 (anterior segment optical coherence tomography, AS-OCT) 是一种新型眼科图像, 其具有非接触、高分辨率、检查快速等特点. 在临床上, 眼科医生已经逐渐采用AS-OCT图像进行眼科疾病如青光眼的诊断, 然而尚未有研究工作利用它进行皮质性白内障 (cortical cataract, CC) 自动分类. 为此, 提出了一个基于AS-OCT图像的自动皮质性白内障分类框架, 由图像预处理、特征提取、特征筛选和分类等4部分组成. 首先, 利用反光区域去除和对比度增强方法进行图像预处理; 紧接着使用灰度共生矩阵 (grey level co-occurrence matrix, GLCM)、灰度区域大小矩阵 (grey level size zone matrix, GLSZM) 和邻域灰度差矩阵 (neighborhood grey tone difference matrix, NGTDM) 方法从皮质区域提取了22个特征; 然后, 采用斯皮尔曼相关系数方法对提取的特征进行特征重要性分析并筛除冗余特征; 最后利用线性支持向量机方法进行分类. 在一个临床AS-OCT图像数据集上的实验结果表明, 所提出的皮质性白内障分类框架准确率、召回率、精确率和F1分别达到86.04%, 86.18%, 88.27%和86.35%, 取得与先进的深度学习算法接近的性能, 表明其具有作为辅助眼科医生进行皮质性白内障临床诊断工具的潜力.     

多区域融合注意力网络模型下的核性白内障分类

目的 核性白内障是主要致盲和导致视觉损害的眼科疾病,早期干预和白内障手术可以有效改善患者的视力和生活质量。眼前节光学相干断层成像图像（anterior segment optical coherence tomography,AS-OCT）能够非接触、客观和快速地获取白内障混浊信息。临床研究已经发现在AS-OCT图像中核性白内障严重程度与核性区域像素特征,如均值存在强相关性和高可重复性。但目前基于AS-OCT图像的自动核性白内障分类工作较少且分类结果还有较大提升空间。为此,本文提出一种新颖的多区域融合注意力网络（multi-region fusion attention network,MRA-Net）对AS-OCT图像中的核性白内障严重程度进行精准分类。方法 在提出的多区域融合注意力模型中,本文设计了一个多区域融合注意力模块（multi-region fusion attention,MRA）,对不同核性区域特征表示进行融合来增强分类结果;另外,本文验证了以人和眼为单位的AS-OCT图像数据集拆分方式对核性白内障分类结果的影响。结果 在一个自建的AS-OCT图像数据集上结果表明,本文模型的总体分类准确率为87.78%,比对比方法至少提高了1%。在10种分类算法上的结果表明：以眼为单位的AS-OCT数据集优于以人为单位的AS-OCT数据集的分类结果,F1和Kappa评价指标分别最大提升了4.03%和8%。结论 本文模型考虑了特征图不同区域特征分布的差异性,使核性白内障分类更加准确;不同数据集拆分方式的结果表明,考虑到同一个人两只眼的核性白内障严重程度相似,建议白内障的AS-OCT图像数据集拆分以人为单位。     

购物节去哪

双11浓雾未散,双12已豁然眼前。在不少网友表示已疲于应对这种购物游戏的时候,北美的“黑色星期五”购物季上,商家推出了花样繁多的人造购物节电商玩法,不知这是否又给商家注入了一剂强心针。     

基于分类器技术的白内障组织图像去噪方法

为实现根据视频图像等信息自动识别白内障组织及硬度,并对其进行智能分类的目的,提出了基于分类器技术的白内障组织图像去噪方法.对白内障图像去噪的关键在于区分白内障与正常组织和区分白内障硬度级别.这两个方面均涉及了图像特征提取和分类器方法.对图像特征提取,采取了颜色特征和纹理特征进行提取,并在这两种传统的特征上提出了一种新的图像特征提取方法.在分类器算法的选择上,采取了最近邻法和支持向量机的方法.以某医院提供的手术视频截图为例,对比了采用不同方法对白内障组织的识别率.     

游手不闲

圣诞节疯狂敛钱的老外显然开始享受假期了，卢斤以这些日子手机游戏日勺发售数量也开始下降了。不过话说回来，咱们的瞢节就在眼前了，一些本土的大片倒是扛起了贺岁档期的市场，而且题材六多也部很喜泮，筻当得上是新番归乡旅途、举家团聚、恭贺拜年必备佳品。大家看到杂志时春节假期早就过去了，不过如果没采得及玩的月月友还是可以翻出采试试，...     

雷克雅未克,北境设计之城

正2019年3月底,第九届雷克雅未克设计节将在冰岛首都开幕。这个世界最北面的首都,借艺术与设计的盛会,又一次亮相世人的眼前。很难把冰岛的首都雷克雅未克定义成什么。是一个小城市还是一个大村庄?如果说这个国家的三分之二的人口集中在这里,这个国家的政治、文化、经济、金融、教育和科研都集中在此,再怎么把它定义成大都市也不足为过。可是,所有去过雷     

友达于深圳光电显示周展出创新显示技术整合应用

友达光电于5月10日到12日参加深圳光电显示周暨中国(国际)彩电节(CODE&CTVF2012),展出各式先进显示技术的搭配组合与创新互动应用,打造高附加价值的客制化解决方案。友达今年以"无限视界跃然眼前"为主轴,透过更进化的3D功能、超窄边框设计与次世代显示技术的整合应用,提供消费者极致的视觉体验。展示重点包括50寸超窄边框超立体液晶屏、39寸与50寸全新尺寸偏光式3D液晶电视屏,以及     

分式布朗运动（FBM）分维模型对生物大分子构象机理的描述

利用ＦＢＭ分形模型以白内障为样本，进行了构象机理的研究．首先认为生物大分子—蛋白质凝聚运动的最好描述是ＦＢＭ；其次，对由于蛋白质构象运动而产生的白内障的宏观性质进行了图象纹理分析；把白内障图象按不同的窗口大小和展开方式由二维数据展成一维数据，用极大似然估计ＭＬＥ方法估算Ｈ值，进行白内障图象的区域分割和特征抽取．最后给出最佳窗口大小和展开方式为６×６和圆形方式，Ｈｕｒｓｔ指数是描述白内障的定量参数     

基于HOG的眼前房角OCT图像分类

眼前房角开合程度的准确评价对于原发性闭角型与开角型青光眼的排查与治疗至关重要。为了从眼前房角OCT图像中,准确的评估各房角开放程度,采用了梯度方向直方图(HOG)图像特征描述眼前房角特征,利用图像中高维的视觉特征取代医学解剖特征,结合模式识别中较优的支持向量机分类方法,实现了眼前房角不同开放程度的评估。实验结果表明:HOG特征结合多分类支持向量机方法的应用能较优的实现不同成像质量下的房角开放程度的准确分类。     

眼前节组织OCT图像边缘检测及特征角点提取

提出了一种适用于眼前节组织OCT图像的边缘检测算法。该算法在单尺度下用多个结构元素进行边缘检测,根据边缘图像灰阶值的差异性,采用动态自适应权重进行像素点融合;再利用连通域的方法抹去面积小的干扰区域,最终得到多结构元素单尺度边缘检测图像,并在其上通过象限区间有效地提取出了角膜特征角点。仿真结果表明边缘特征明显,较以往边缘检测算法有效避免了OCT图像边缘结果的突变像素点的出现,抹去了干扰区域。因此,提出的特征角点具有较高的准确性。     

Extraction of major object features using VQ clustering for content-based image retrieval

An image representation method using vector quantization (VQ) on color and texture is proposed in this paper. The proposed method is also used to retrieve similar images from database systems. The basic idea is a transformation from the raw pixel data to a small set of image regions, which are coherent in color and texture space. A scheme is provided for object-based image retrieval. Features for image retrieval are the three color features (hue, saturation, and value) from the HSV color model and five textural features (ASM, contrast, correlation, variance, and entropy) from the gray-level co-occurrence matrices. Once the features are extracted from an image, eight-dimensional feature vectors represent each pixel in the image. The VQ algorithm is used to rapidly cluster those feature vectors into groups. A representative feature table based on the dominant groups is obtained and used to retrieve similar images according to the object within the image. This method can retrieve similar images even in cases where objects are translated, scaled, and rotated.     

高光谱图像小样本分类的卷积神经网络方法

目的 与传统分类方法相比,基于深度学习的高光谱图像分类方法能够提取出高光谱图像更深层次的特征。针对现有深度学习的分类方法网络结构简单、特征提取不够充分的问题,提出一种堆叠像元空间变换信息的数据扩充方法,用于解决训练样本不足的问题,并提出一种基于不同尺度的双通道3维卷积神经网络的高光谱图像分类模型,来提取高光谱图像的本质空谱特征。方法 通过对高光谱图像的每一像元及其邻域像元进行旋转、行列变换等操作,丰富中心像元的潜在空间信息,达到数据集扩充的作用。将扩充之后的像素块输入到不同尺度的双通道3维卷积神经网络学习训练集的深层特征,实现更高精度的分类。结果 5次重复实验后取平均的结果表明,在随机选取了10%训练样本并通过8倍数据扩充的情况下,Indian Pines数据集实现了98.34%的总体分类精度,Pavia University数据集总体分类精度达到99.63%,同时对比了不同算法的运行时间,在保证分类精度的前提下,本文算法的运行时间短于对比算法,保证了分类模型的稳定性、高效性。结论 本文提出的基于双通道卷积神经网络的高光谱图像分类模型,既解决了训练样本不足的问题,又综合了高光谱图像的光谱特征和空间特征,提高了高光谱图像的分类精度。     

基于深度学习与融入梯度信息的人脸姿态分类检测

针对人脸姿态分类问题,本文提出了一种基于深度学习与融入梯度信息的人脸姿态分类学习方法。首先提取人脸姿态图像灰度与灰度差组合特征,然后通过三层受限玻尔兹曼机（Restricted Boltzmann machines,RBM）对大量样本的特征进行融合训练学习,提取反映人脸姿态内涵的深度学习特征。最后通过Softmax分类器建立深度学习特征与人脸姿态标签的对应关系。在对CAS-PEAL-R1人脸数据库进行学习和分类检测中,获得普遍高于95%的分类精度。     

融合SIFT特征的熵图估计医学图像非刚性配准

配准准确性是医学图像配准算法的一项重要指标,像素灰度是目前图像配准中广泛使用的特征,但是灰度特征来源单一,而且忽略空间信息,在一些情况下容易产生误配。针对这个问题,本文提出一种融合SIFT特征的熵图估计医学图像非刚性配准算法。该算法首先使用基于互信息的刚性配准算法对两幅待配准图像进行粗配;然后,在采样点上提取像素灰度和SIFT高维特征,并在此基础上构造k-最邻近图(kNNG);最后,使用k-最邻近图来估计α互信息(αMI)。实验结果表明:和传统的基于互信息和像素灰度的刚性配准算法,基于熵图估计和单一像素灰度特征的非刚性配准算法相比,本文提出的算法具有更高的配准准确性。     

基于全卷积网络和自编码的高光谱图像分类

针对高光谱图像空间信息利用不足、标记样本数量较少的问题,提出一种基于全卷积网络和堆栈稀疏自编码的高光谱图像分类算法。基于迁移学习的思想,利用预训练好的全卷积网络FCN-8s,挖掘图像潜在的多尺度几何结构特征;选取其特征的像素邻域信息,采用拼接融合的方法与原光谱信息进行融合;利用堆栈稀疏自编码网络完成最终的多尺度空谱特征提取,并通过Softmax分类器实现分类。对三组遥感图像进行实验,结果显示,所提算法极大改善了边界区域的分类效果。     

基于卷积受限玻尔兹曼机的医学图像分类新方法

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,常用的挖掘方法首先需要从医学图像中提取特征,然后进行分类分析。目前,应用最多的是提取图像的统计特征,这种方法对所提取的特征有很强的依赖性。采用一种深度学习的新方法——卷积受限玻尔兹曼机模型,并且采用改进的快速持续对比散度算法对模型进行训练。该方法直接从乳腺X光图像中自主学习特征并利用学习到的特征对图像进行分类。实验结果显示,新方法对医学图像的分类精度相对于已有方法有明显的提升。     

基于独立分量分析和支持向量机的遥感影像融合分类算法

遥感影像分类是遥感定量化分析的重要手段,遥感影像融合是提高分类正确率的有效途径之一。本文提出一种遥感影像的融合分类算法。首先采用Contourlet变换对多光谱影像和全色影像进行融合,然后结合独立分量分析的去相关性、稀疏特性以及很好地捕捉影像重要边缘信息、纹理信息的能力,提取融合影像的独立分量特征,并用支持向量机实现分类。与其他算法的主、客观比较结果表明,该算法的实验效果较好,可有效地提高遥感影像的分类精度。     

基于多特征和改进SVM集成的图像分类

现有图像分类方法不能充分利用图像各单一特征之间的优势互补特性,提取的特征中存在大量冗余信息,从而导致图像分类精度不高。为此,提出一种基于多特征和改进支持向量机(SVM)集成的图像分类方法。该方法能提取全面描述图像内容的综合特征,采用主成分分析对所提取的特征进行变换,去除冗余信息,使用支持向量机的集成分类器RBaggSVM进行分类。仿真实验结果表明,与同类图像分类方法相比,该方法具有更高的图像分类精度和更快的分类速度。