首页 > 文献资料
-
一种改进的中医舌苔厚度自动描述方法
目的 舌诊客观化是中医现代化的重要内容之一,其中舌苔的量化描述是其重要指标.传统的舌苔薄厚分类只是定性地将舌苔分为薄厚两类,缺乏定量描述.本文提出一种灰度共生矩阵和小波纹理特征提取结合的方法.方法 首先采用Daubechies2正交小波对舌图像进行一级小波分解,并求3个细节子图的平均值和方差作为特征,然后结合灰度共生矩阵在一级小波分解后的近似子图中提取三个方向的对比度、逆差距、能量和相关性作为补充特征,在此基础上训练支持向量机(support vector machine,SVM)分类器,对舌苔薄厚进行定性判断,同时建立支持向量回归(support vector regression, SVR)模型对舌苔薄厚定量分析.结果 实验采取200例舌象样本,其中100例薄苔,100例厚苔,选取其中60幅薄苔和60幅厚苔样本进行分类器训练,其余80例样本作为测试.结论 实验结果表明,与传统的小波纹理特征提取方法相比,本文提出的方法能够提升舌苔薄厚的分类效果,并在定量分析中取得较好的结果.
-
基于高阶导数变换的纹理特征在膀胱肿瘤中的应用研究
目的:验证从MRI灰度图像及其高阶偏导图像中提取的三维纹理特征,表征出膀胱肿瘤和壁组织之间的纹理差异,从而实现对膀胱肿瘤与壁组织的鉴别.方法:从62名临床确诊的膀胱癌患者的T2加权MRI数据中提取出感兴趣区容积(volume of interest,VOI)的62例癌和62壁体积.从每个VOI中计算出三维高阶偏导映射(梯度和曲度图),然后从每个VOI提取基于灰度及其高阶偏导图的三维Haralick特征及基于灰度图的Tamura特征,以更好地反映肿瘤组织的异质性分布.结果:每个VOI共提取出58个纹理特征,其中37个特征显示出显著的组内差异(P≤0.01).结论:从灰度及其高阶偏导图像提取的三维纹理特征可以更好地反映癌组织的异质分布.
-
孤立性肺结节在 HDCT 的计算机辅助诊断
目的：本文尝试设计一款基于高清晰度 CT （HDCT ）图像的孤立性肺结节（SPN ）计算机辅助诊断系统（CADS），以提高恶性 SPN 的检出率，使诊断更加客观、科学。方法收集经临床病理证实的孤立性肺结节120例，包括恶性肿瘤、良性肿瘤、结核和炎性假瘤，随机抽取60例作为实验集，60例作为验证集。实验集 HDCT 图像经图像预处理、感兴趣区域（ROI）基于标记的分水岭算法分割和 ROI 纹理特征参数提取，对获得的5项纹理特征参数做统计学处理，将统计结果应用于系统以对 SPN 做良恶性分析并给出提示信息。验证集 HDCT 图像输入系统后，对比系统预测结果与主任医师和住院医师预测结果来评价系统的可靠性。结果对比度、相关性、熵、平稳度和二阶矩 t 检验 P 值分别为0.000、0．002、0．914、0．295、0．002。对比度、相关性和二阶矩良性区间分别为（903，2003）、（2．76，3．48）、（0．01，1．54），恶性区间分别为（502，898）、（3．49，3．71）、（1．79，29．86）。系统、主任医师和住院医师的敏感度分别为83．3％、93．3％、76.7％，假阳性率分别为13．3％、16．7％、26．7％，正确率分别为85％、88．3％、75％。结论基于标记的分水岭算法对与胸壁或纵隔粘连的结节及磨玻璃病变等均可以较好地将其分割提取出来。对比度、相关性和二阶矩有统计学意义。系统在预测 SPN 良恶性具有较高的敏感性和准确性及低的假阳性。 CAD 在 SPN 良恶性诊断具有一定的临床使用价值，本系统可以辅助临床医师诊断 SPN 良恶性。
-
基于高清晰度CT图像的孤立性肺结节计算机辅助诊断系统
本文介绍了一款基于高清晰度CT (High Definition CT,HDCT)图像的孤立性肺结节(Solitary Pulmonary Nodule,SPN)计算机辅助诊断系统(Computer-Aided Diagnosis System,CADS),该系统对SPN良恶性诊断具有一定的临床使用价值.收集经临床病理证实SPN患者110例,包括恶性肿瘤、良性肿瘤、结核和炎性假瘤,随机抽取60例作为实验集,50例作为验证集.实验集HDCT图像经图像预处理、感兴趣区域(Region of Interest,ROI)基于标记的分水岭算法分割和ROI纹理特征参数提取,对获得的5项纹理特征参数做统计处理,将统计结果应用于系统以对SPN做良恶性分析并给出提示信息.验证集HDCT图像输入系统,由运行结果可知本系统对SPN诊断能获得较为满意的效果.本系统运用基于标记的分水岭算法,对于胸壁或纵隔粘连的结节及磨玻璃病变等均可以较好地将其分割提取出来,同时自动分析后给医师提示SPN良恶性,辅助临床医师对SPN诊断,提高恶性SPN的检出率,使诊断更加客观、科学.
-
血管内超声灰阶图像的自动组织标定
为了实现对血管内超声(IVUS)灰阶图像中的血管壁(包括粥样硬化斑块、血管分叉和支架等)进行自动识别和分类,分别采用局部二值模式(LBP)、Haar-like和Gabor滤波提取图像的纹理特征,然后采用Gentle Adaboost分类器对降维后的特征数据进行分类,并优化分类器参数.对临床图像数据的实验结果表明以人工标定的结果作为金标准,识别脂质斑块的精度可达94.54％,区分纤维化斑块和钙化斑块的精度可达93.08％,对血管分叉和支架的识别精度分别可达93.20％和93.50％.
