乳腺X线图像肿块分类方法研究

乳腺X线图像肿块的良恶性分类是计算机辅助诊断的研究内容之一,本文对乳腺X线图像肿块边缘分割及不同特征的肿块良恶性分类进行研究.基于最大化分割后图像类间方差的思想,提出了一种改进控制标记分水岭方法完成粗分割,然后采用无边缘活动轮廓(CV)模型对粗分割结果进行修正.为了验证不同特征在肿块良恶性分类中的性能,对现有形状特征、纹理特征在不同分类器下的分类性能进行测试.实验在开源数据库DDSM上验证,结果表明,在通过自动分割方法得到肿块边缘的情况下,纹理特征的分类性能更好.     

基于分数阶Fourier变换的乳腺肿瘤纹理特征提取

分数阶Fourier变换(fractional Fouriertransform,FrFT)是传统的Fourier变换在分数级次上的推广,它同时包含了信号时频域的信息.对乳腺肿瘤超声图像进行分数阶Fourier变换,提取分数阶Fourier变换域相位信息的统计纹理特征,并结合AdaBoost分类算法,实现乳腺肿瘤的良恶性分类.实验结果表明,基于分数阶Fourier变换提取的纹理特征能较好地应用于乳腺肿瘤的良恶性分类,说明该方法可用于乳腺肿瘤的计算机辅助诊断.     

基于深度信念网络的肺结节良恶性分类

肺结节的良恶性分类是计算机辅助诊断系统中最重要的部分,目前常用的分类方法有分类精度低、假阳性高等问题。针对上述问题,把深度信念网络(DBN)引入肺结节的良恶性诊断过程中,提出自定义的DBN分类算法。首先从不同的角度提取肺结节特征,并形成特征向量。然后根据提取的特征对三个隐藏层的节点数进行分析;并构建了一个5层深度信念网络。最终使用训练样本对DBN进行训练;并输出网络的测试结果。对175个病例进行试验,结果表明:算法的分类精度、敏感性和特异性分别为95.3%,92.5%和93.2%,ROC曲线下面积为0.921。与传统算法相比有更好的分类效果,可以给医生提供客观的辅助诊断。     

超声医学图像计算机辅助诊断系统的设计

设计一个基于非线性增强滤波方法和水平集方法的超声医学图像计算机辅助诊断系统,主要对图像进行降噪处理和分割,以改善超声医学图像质量,实现半自动化定量分析.     

基于双侧TIC定量特征的乳腺肿瘤良恶性鉴别

基于DCE-MRI提出了一种利用双侧乳腺对称区域的TIC定量特征识别乳腺肿瘤良恶性的方法.使用三维区域生长算法提取乳腺的病灶区,基于病灶区及其对侧乳腺对应的ROI的TIC曲线分别提取29个特征,并定义双侧差异特征参数,经SFFS方法筛选后得到7个有效特征.使用SVM进行特征训练,基于交叉验证方法得到分类结果.本研究随机选取回顾性病例112例(良性67例,恶性45例),得到肿瘤良恶性平均分类准确率为88.39%.实验结果表明:此方法对乳腺肿瘤的良恶性鉴别有较高的准确率,对辅助医生进行乳腺病变组织的良恶性鉴别具有重要价值.     

基于生成对抗网络的低分化宫颈癌病理图像分类

使用生成对抗网络(GAN)扩充宫颈癌病理图像的数据集以提高计算机辅助诊断的准确率.首先,使用GAN进行细胞质部分图像生成;其次,使用两次k-means聚类对生成图像进行筛选;最后,使用Inception-V3模型对数据集进行分类训练.结果表明,在测试集相同的情况下,该方法可以将总体分类准确率提升约2.5%,尤其对低分化宫颈癌病理图像有显著效果.通过GAN解决了组织病理学图像无方向性、内容复杂、前景目标规则性差等问题,证明了该方法的有效性及发展潜力.     

基于生成对抗网络的肺结节良恶性诊断算法

针对实性肺结节CT影像数据量少、人工标注耗时耗力等问题,提出一种结合生成对抗网络和集成学习的实性肺结节良恶性计算机辅助诊断方法.首先,使用基于梯度惩罚的生成对抗网络对肺结节CT影像数据集进行扩充,缓解由数据量少、样本类别不均衡导致的模型过拟合.然后,利用卷积神经网络进行CT影像特征提取,并通过主成分分析对深度特征进行降维.最后,联合CT图像特征和有效临床信息,采用集成学习方法构建分类模型预测实性肺结节良恶性.基于多中心临床数据分析表明,相比于传统卷积神经网络模型,所提出方法有更好的预测性能.     

乳腺MRI图像肿瘤轮廓的提取

提出一种改进的混合水平集方法提取乳腺肿瘤图像.首先利用最大类间方差法与区域生长法将乳腺初始轮廓从乳腺MRI图像中提取出来,然后将此乳腺初始轮廓曲线作为水平集的初始轮廓曲线进行演化,进而找到肿瘤的边界.应用本方法对福建肿瘤医院提供的临床数据进行了实验验证分析.实验结果表明,该方法对于复杂的乳腺MRI序列图的肿瘤分割具有较好的效果.     

深度学习在医学图像识别中的应用研究

对宫颈的检查图像进行识别可以有效预防宫颈癌的发生,然而,正确分辨出患癌趋势的图像对人类来说是极难掌握的技术。使用深度学习方法对宫颈检查图像进行识别分类,以辅助人类专家做出诊断;首先对图像进行手动裁剪来增大信噪比,把原始图像进行格式转换来提高数据读取效率,并在图像输入模型之前进行随机变换以增大训练集;然后建立CNN模型,进行训练并调整参数;最后在测试集上分类准确率达到了89.1%,结果表明,使用深度学习辅助专家进行宫颈癌的早期诊断是可行的。     

导数在提取植物叶片锯齿特征上的应用

运用计算机图像处理和分析技术对植物叶片图像进行图像预处理并提取叶片的轮廓,通过分析轮廓曲线中离散像素点的导数值,获取叶形的犄角点,从而提取锯齿,为基于叶片外观特征的植物分类提供辅助.     

基于FisherVector的图像精细分类方法

该发明提出一种基于Fisher Vector的图像精细分类方法,用以解决现有图像精细分类方法中存在分类准确率低的技术问题,包括如下步骤:读取图像库数据,得到包含各个类别的训练图像集和测试图像集;提取训练图像集和测试图像集中每幅图像的RGB特征;求取关于训练图像集RGB特征描述的混合高斯参数;求取匹配图像块集的Fisher Vector特征矢量;求取训练图像集的最终特征描述和测试图像集的最终特征描述;利用SVM对训练图像集的最终特征描述进行训练,得到分类模型;利用分类模型对测试图像集的最终特征描述进行分类。该发明具有分类准确率较高的优点,可应用于互联网通信、交通和公共安全领域。     

基于超声射频信号的特征融合方法对乳腺肿瘤良恶性诊断的价值

为实现对乳腺肿瘤良恶性的高效判别，本文尝试从原始超声射频(Radio Frequency, RF)信号构建融合模型。首先从RF信号提取16种超声特征参数组成特征图图谱。构建高性能卷积网络用于提取多特征图的深度学习特征，并与多特征图的传统组学特征拼接融合；然后进行特征筛选、训练支持向量机模型。实验结果发现，基于支持向量机的特征融合模型在乳腺肿瘤的良恶性诊断中性能优良，测试集的受试者操作特性曲线下的面积、准确率、灵敏度和特异度分别达到：0.992、91.3%、92.3%和90.0%。在本文数据集上，使用RF信号比超声灰阶图像能更高效地实现乳腺恶性肿瘤的识别。与单一使用深度学习特征相比，融合传统组学特征后，乳腺肿瘤良恶性鉴别性能显著提升。     

乳腺超声图像序列的弹性特征病变分析

在乳腺肿瘤超声诊断中,医师通过手工缓慢加压形成一个超声图像序列.针对乳腺肿瘤病例的单一图像进行识别,存在被干扰而改变的特征,而且不能反映特征在序列中的变化情况.临床研究也显示,乳腺超声图像序列之间的特征变化是判别其良恶性的一个重要指标.针对这个问题,基于手工加压程度变化的评估,提出了5个新型的基于弹性的归一化特征参数,并且联合形态和纹理特征,综合进行病变分析.SVM分类器实验表明,这种方法能够有效地识别肿瘤良恶性,为医师诊断提供必要的辅助诊断信息.     

基于帧间相关性的乳腺MRI三维分割

针对乳腺磁共振图像序列的肿瘤分割问题,提出一种基于超像素和改进C-V模型的三维全自动分割方法.该方法利用磁共振图像序列的帧间相关性,约束相邻帧图像的分割轮廓.采用超像素算法提取肿瘤的大致轮廓,再用改进的C-V水平集算法对可疑区域边缘进行优化,使其更接近肿瘤的实际边缘.将该方法及3种对比方法应用于89例乳腺MRI序列图像.以手动分割的轮廓为基准,该方法得到的平均重叠率为87.84%,,相比于C-V模型的58.90%,、超像素和水平集结合的76.36%,、K均值+C-V的83.62%,,有明显提升.实验结果表明,该方法的全自动分割结果对于肿瘤起始和终止帧图像具有较高的分割精度.     

基于Bootstrap-异质SVM集成学习的肺结节分类方法

为了对肺结节的良、恶性诊断形成定量的客观分析和提高良、恶性的分类正确率,针对肺结节CT图像提出了一种基于Bootstrap-异质SVM的集成学习方法.首先,采用模糊聚类图像分割方法提取肺结节,计算提取出的结节特征参数用于学习分类.然后,以支持向量机(SVM)在不同核函数下的不同性能构造高差异性的子学习器,在子学习器中引入Bootstrap算法来提高其学习精度,通过集成学习方法实现学习器分类性能的整体改善.对146个(40个良性,106个恶性)肺结节样本分别利用单个SVM、BP神经网络和Bootstrap-异质SVM集成学习方法进行了学习测试,获得的最高分类正确率分别为80%,、82%,和90%,.实验结果表明:提出的Bootstrap-异质SVM集成学习方法将单个SVM分类器的最高正确率提高了10%,,同时也获得了高于BP神经网络8%,的分类正确率和较好的学习稳定性,有效地改善了机器学习在不平衡数据集下对肺结节良恶性的分类能力.     

一种用于肺结节恶性度分类的生成对抗网络

针对肺结节数据集中良恶性样本数比例失衡的问题,首次引入深度卷积生成对抗网络(deep convolutional generative adversarial networks,DCGAN)模型,该模型根据输入的肺结节图像,生成与输入图像具有相似纹理特征的肺结节并将生成图像用于训练DCGAN模型.此外,将图像来源分类问题改为图像来源分类和肺结节等级1~5分类问题,从而增强了DCGAN模型的抗噪能力和实现了DCGAN模型对肺结节的等级分类.实验表明,改进的DCGAN中G模型在生成图像时具有良好的抗噪能力且生成图像中大约有90.42%的图像判别为真实图像,D模型对肺结节图像的等级分类具有较好的判别能力且肺结节等级分类准确率为70.89%,肺结节良恶性分类准确率为80.13%.     

基于生成对抗网络的宫颈细胞图像数据增强

为了在数据集过小时更好的训练卷积神经网络,本文提出一种方法通过训练GAN(生成对抗网络)生成新的样本进行图像数据增强。扩充后的数据集应用于训练图像分类模型,得到了不错的效果。针对Herlev宫颈细胞数据集的二分类问题,本文首先使用原始训练集训练GAN,生成了大量高质量的高分辨率细胞图像,将每类训练集扩充到24 000例。然后使用扩充后的训练集进行分类网络训练,在Resnet迁移学习的验证集准确率高达97%,高于仿射变换扩充的数据集的训练结果93%,可见本文方法可以有效地实现图像的数据增强。本文方法也可用于其他领域的图像数据增强。     

一种基于GA_Faster R-CNN的掌指骨骨折计算机辅助诊断系统

为解决临床掌指骨骨折诊断中难检测、易漏诊的问题,对如何更加准确地检测和定位X线图像中掌指骨骨折区域进行实验研究.开发了一种基于深度学习的计算机辅助诊断系统,改进了Faster R-CNN网络模型中的锚框、特征映射和损失函数,在节约算力的同时大大提高了网络性能.建立了包含5 195张手部的X线图像的数据集,其中随机抽取4 675张作为训练集,520张作为测试集.实验表明,提出的新模型在测试集上的平均精度达到了69.3%,与Faster R-CNN相比能够更加精准地识别出掌指骨骨折区域,验证了该模型具有潜在的临床应用价值.     

基于支持向量机语义分类的两种图像检索方法

为了更好的解决基于内容的图像检索问题,提出了2种基于语义的图像检索方法.第1种是基于支持向量机(SVM)语义分类的图像检索方法.该方法首先提取训练图像库的底层特征信息,然后利用SVM对所提取的特征进行训练,构造多分类器.在此基础上,利用分类器对测试图像自动分类,得到图像属于各个类别的概率,实现图像检索.第2种是利用图像自动标注方法进行检索.在基于语义的图像自动标注中,先对训练集进行人工标注,对测试图像利用SVM分类器进行分类,并找到与该图像最相似的N张构成图像集,对该图像集的标注进行统计,找到关键词,从而提供概念化的图像标注以用于检索.通过在标准图像检索库和自建图像库上的实验结果表明,以上2种基于语义的图像检索方法是高效的.     

基于逆MQ函数的图像分割算法

水平集方法广泛应用于图像分割,但传统水平集方法对初始轮廓位置敏感、且需要复杂费时的重新初始化过程。针对该问题,利用逆MQ(Inverse multiquadrics)径向基函数,提出了一种新的图像分割算法。基于变分水平集方法的非线性发展方程被转化为数学上更易处理的常微分方程组。实验结果表明该算法无需重新初始化,对初始轮廓的大小和位置不敏感,并且在没有初始轮廓时也能够快速正确地分割图像,因此有效地克服了传统水平集方法的缺点。