基于支持向量机的骨肉瘤X线图像中病变区域的自动识别研究

采用骨肉瘤X线图像中病变区域的颜色特征和基于灰度共生矩阵的纹理特征作为特征向量,研究利用支持向量机算法对骨肉瘤病变区域的自动识别方法,结果充分表明支持向量机良好的分类能力.     

64排螺旋CT在诊断早期肺癌的技术及流程优化

目的探讨64排螺旋CT在诊断早期肺癌的技术及流程优化。方法对58例肺部小于2cm结节进行低剂量螺旋CT全肺扫描、局部感兴趣区域靶扫描以及对病灶进行三维重建及分析。结果通过手术病理证实或临床随访,发现低剂量螺旋CT全肺扫描+局部感兴趣区域靶扫描+病灶三维重建能有效呈现肺内结节的各种影像细节,通过对其影像分析能有效提高肺内早期肺癌的诊断率。结论低剂量螺旋CT全肺扫描+局部感兴趣区域靶扫描+病灶三维重建可以作为基层单位筛查早期肺癌的有效方法,能提高早期肺癌的诊断率。     

分割技术在医学图像中处理的应用

传统支持向量机方法应用于医学图像分割中,对支持向量机中核函数、图像特征及训练样本等几个关键问题进行了分析与研究。结合医学图像的特点,将高斯核函数作为医学图像脑组织分类的核函数,并提出了一种确定高斯核函数参数的有效方法。在图像特征提取方面,研究了纹理与灰度结合以及区域灰度两组特征提取方法。     

中医舌图像的质量评价研究

文章根据图像及模式识别的有关知识提出一种自动评价舌图像质量的方法,能够有效地评价出采集的舌图像是否满足中医舌诊的临床要求。根据中医舌诊的临床要求,文章对采集的舌图像提取基于Contourlet变换的统计特征、基于灰度共生矩阵的旋转不变纹理特征、颜色和几何特征,然后用这些特征训练一个基于支持向量机的分类器来对舌图像进行评价筛选出合格与不合格的舌图像。文章中的方法对于舌图像样本的分类准确率达到93.5%,对于不同类型的舌图像均具有较好的分类效果,优于文献《基于支持向量机的中医舌图像质量评价研究》的方法,为舌诊客观化的研究奠定了坚实的基础。     

基于卷积神经网络的肺结节良恶性分类

目的研究基于卷积神经网络的肺结节良恶性分类方法。方法首先对肺部图像数据库联盟(LIDC)中的肺癌CT图像进行分割获得肺结节图像;然后利用卷积神经网络进行特征提取;最后利用Logistic分类器进行模型构建与测试。结果该文所提出方法取得了84.4%的分类结果。结论利用卷积神经网络可以自动提取肺结节特征,辅助医生的临床诊断。     

CT图像特征的自动获取与检索新方法

目的自动获取CT图像特征,提出实现基于内容的CT图像数据库检索新方法。方法本研究针对CT医学图像,提出应用最大期望分割算法来获取其区域特征,并组合感兴趣区域的累积直方图特征、纹理和形状信息构成检索的特征向量,从而把图像表征为特征空间中的一个向量集合。结果当向数据库提交查询图像时,经过特征匹配,最终按相似度由大到小的顺序返回目标图像。结论实验结果表明,本研究提出的基于内容的CT图像检索方案在满足临床需求的同时,获得了较高的查询精度和效率。     

CT图像特征的自动获取与检索新方法

目的 自动获取CT图像特征，提出实现基于内容的CT图像数据库检索新方法。方法 本研究针对CT医学图像，提出应用最大期望分割算法来获取其区域特征．并组合感兴趣区域的累积直方图特征、纹理和形状信息构成检索的特征向量，从而把图像表征为特征空间中的一个向量集合。结果 当向数据库提交查询图像时，经过特征匹配，最终按相似度由大到小的顺序返回目标图像。结论 实验结果表明，本研究提出的基于内容的CT图像检索方案在满足临床需求的同时．获得了较高的查询精度和效率。     

人miR-134真核表达载体的构建及其鉴定

针对人工识别汽车轮胎标识点颜色效率低、误差大的问题,研究了一种基于支持向量机的轮胎标识点颜色识别方法,利用PLC 工业相机图像采集系统获取轮胎标识点图像信息,对获取的标识点图像进行图像降噪、标识点分割、颜色特征向量提取等处理,将提取的轮胎标识点颜色特征向量输入到支持向量机颜色分类器中进行颜色识别。实验结果表明,该方法能够有效地识别出轮胎标识点颜色信息。     

基于Faster R-CNN的图像检索手腕骨折分类研究

目的 为克服手腕X射线图像病灶区域排列复杂容易造成骨科医生漏诊误诊及诊断效率低的问题,提出一种更快速的基于区域的卷积神经网络（Faster Region-Convolutional Neural Network,Faster R-CNN）的医学图像检索手腕分类算法。方法 首先利用限制对比度自适应直方图均衡化算法对手腕样本数据进行预处理,然后利用Faster R-CNN快速定位手腕图像的感兴趣区域,并提取其方向梯度直方图特征、Haralick纹理特征以及深度特征,最后利用卷积神经网络将提取到的多种特征进行有效融合后,送入本文改进的图像检索诊断模型完成对手腕图像的分类任务。结果 本文提出的手腕图像检测模型分类的曲线下面积均值为0.893,诊断的准确率优于对比实验结果,较之前的研究方法提高了约5%。结论 本文提出的Faster R-CNN的图像检索手腕骨折分类研究具有一定的有效性和鲁棒性。     

代价敏感分类策略在肺癌细胞识别诊断中的应用

目的代价敏感分类策略可以最小化误分类代价并有效提高识别率。针对计算机辅助肺穿刺样本的病理图像分析,提出一种新的代价敏感图像层的肺癌诊断系统(cost-sensitive image-level lung cancer diagnosis system,CILCDS)。方法基于潜在狄利克雷分配模型(latent dirichlet allocation,LDA)、代价敏感支持向量机(cost-sensitive support vector machine,CSSVM)以及多类支持向量机(multi-class support vector machines,mcSVM)等最新计算机技术,对肺穿刺病理细胞学涂片进行识别诊断。实验数据集是271例肺穿刺样本图像,其中240例肺癌样本有术后组织病理诊断结果对照。结果通过与基于轴平行矩形(axis-parallel rectangles,APR)、K近邻(citation K-nearest neighbors,Citation-kNN)、集成多样性密度(ensemble ofdiversity density,EM-DD)、多分类多示例自适应增强法(multi-class multi-instance adaptive boosting,MCMI-AdaBoost)等方法进行对比,CILCDS在癌与正常细胞的判断以及癌细胞的分类识别诊断过程中能够取得更低的错误分类代价以及较好的组织病理结果符合率。结论 CILCDS对肺癌细胞涂片诊断率高,并能减少既往肺癌细胞病理诊断过程中假阳性结果。     

基于支持向量机与随机游走结合的GGO型肺结节分割方法

目的:为了提高磨玻璃型肺结节（GGO型肺结节）的分割精度,提出一种基于支持向量机与随机游走相结合的分割方法。方法:利用已手动分割的GGO型肺结节训练支持向量机。由训练后的分类模型在待分割的GGO型肺结节图像中选择种子点,然后利用随机游走算法根据支持向量机选取的种子点进行GGO型肺结节图像分割。结果:该研究纳入150个待分割GGO型结节图像,上述分割算法的平均准确率为98.05%、平均召回率为96.35%和平均F1值为98.05%。与传统方法相比,本方法实现了GGO型肺结节的精确自动化分割,对GGO型肺结节定量、定性分析提供更加准确的客观依据。结论:该方法利用支持向量机选取种子点,并利用随机游走进行结节分割可以有效地对GGO型肺结节进行分割,具有简单高效,准确率高的优点。     

64层螺旋CT肺肿瘤灌注感兴趣区选择对数据可重复性影响的研究

目的:探讨64层螺旋CT肺肿瘤灌注中,不同感兴趣区选择的方法对测量结果可重复性的影响。方法:对15例经临床确诊为肺癌的病例行肺肿瘤CT灌注扫描。将所得图像传入工作站后以CT灌注成像处理软件处理,感兴趣区的选择采用最高灌注区、高灌注区均值和最大层面全肿瘤区域3种方式,分别获得血流量、血容量和表面渗透性等灌注参数。以SPSS 13.0软件对所获得的各种灌注参数值进行变异系数、Kappa值等参数的比较。结果:采用最大层面全肿瘤法选择感兴趣区,所得到的灌注参数具有最高的Kappa值,并且大部分的变异系数最小。而最高灌注区法测得的灌注参数Kappa值最小,并且大部分的变异系数最大。结论:在肺肿瘤CT灌注的后处理中,以最大层面全肿瘤区域法和高灌注区均值法划定感兴趣区,可得到比最高灌注区法可重复性更高的数据,而两种方法中又似以前者为优。     

基于XGBoost对肺鳞癌和肺腺癌的分类预测

目的 对肺癌亚型肺鳞状细胞癌（肺鳞癌）和肺腺癌进行预测并找出分子标记。方法 通过研究两种不同癌症亚型中mRNA表达量,选取有差异有统计学意义的mRNA,利用极限梯度增强（extreme gradient boosting,XGBoost）算法构建模型,预测亚型分类,并比较其与逻辑回归分类模型和支持向量机分类模型的预测性能。结果 基于XBGoost模型的预测准确率为96.55%,曲线下面积为99.04%,优于逻辑回归分类模型和支持向量机分类模型。同时,找到11个基因作为两种亚型的分子标记。结论 肺癌两种亚型的在分子层面存在明显差异特征,将辅助临床医生进行疾病亚型预测。     

基于主动被动近邻算法的肺癌计算机辅助诊断

CT图像的肺癌计算机辅助诊断一般可分为三大模块,即：CT的图像处理、肺肿块的特征提取,以及使用智能分类器对肿块的分类和诊断.研究主要实现计算机CT图像辅助诊断的最后一个模块的计算机化,为医生在最后诊断环节上提供一些参考信息.项目首先需要收集病例,当拿到一个病例,并通过医生辨认出结节后,医生再提供辨认出结节的特征,包括大小、数目、毛刺、分叶等16个.研究共收集到204个恶性病例和46个良性病例,共250个病例,并确定了它们的特征.这些特征通过翻译,转换为一组数字信号,即以数字向量来表示病例.把250个向量输入到新开发的主动被动近邻算法中进行分类诊断,结果显示,对204个恶性病例和46个良性病例进行分类的准确度在90%以上.     

基于梯度方向直方图特征的医学图像分类方法

医学图像分类是医学图像处理中的研究热点,可应用在医疗信息化、辅助诊断和远程医学等方面。采用梯度方向的直方图特征来描述图片的边缘特征,利用支持向量机对多类别的图片进行分类,并比较了几种不同的核函数对分类效果的影响。     

深度学习方法对周围型肺癌和肺结核球的分类初探

目的评价深度学习方法对周围型肺癌和肺结核球的分类能力,同时比较了不同来源CT影像和病灶大小对最终分类结果的影响。方法研究数据包含了2家医院的4台不同CT机型,共114例证实为肺癌或肺结核球的金标准CT影像。对CT图像进行肺组织提取、裁剪、旋转、翻转等数据增强方法后,生成4686张训练图像。使用改进的、基于GoogLeNet深度学习网络进行训练。结果对总共146张训练集以外的测试图谱分类结果显示,模型的总体分类精确率、召回率、F值分别为88.9%、77.4%、82.8%。如果测试影像和训练影像来自不同CT机型,深度学习方法的分类能力下降（F值92.6%比74.2%）。模型对病灶最长径＜3cm的病灶分类能力更高（F值88.0%比73.2%）。结论深度学习方法可以有效地鉴别周围型肺癌和肺结核球,但病灶大小以及训练集、测试集图谱来源对训练结果有一定影响。     

一种肺部CT图像快速分割算法研究

针对临床辅助诊断的需求,本文提出一种肺部感兴趣区域快速分割算法.该算法首先利用最大类间方差(OTSU)法对图像进行预分割,然后利用区域生长及小面积消除方法剔除干扰信息,并生成掩模图像,最后运用数学形态学方法对模板进行细化,并将原始图像与掩模图像进行数学运算,从而获得肺部感兴趣区域.实验结果表明,本文提出的算法自动化程度高,分割较为准确.     

肤色检测和Hu矩在安全帽识别中的应用

安全帽在工业生产中的应用非常广泛,为了防止事故发生,确保生产安全,建立对安全帽的自动检测及报警系统变得越来越迫切。主要对安全帽的识别算法进行了研究,采用肤色检测的方法定位到人脸区域,并以此获得脸部以上的区域图像,将Hu矩作为图像的特征向量,分别比较神经网络和支持向量机（SVM）两种分类模型。实验结果表明：SVM对安全帽的识别有很好的效果,将会对监控系统实现智能化提供有力的支持和实际的指导意义。     

基于深度学习的肝包虫疾病图像分类

目的:为了实现新疆高发病肝包虫病CT图像的正确分类,提出一种深度学习的肝包虫病CT图像的自动分类方法。方法:对单囊、多囊和肝囊肿CT图像使用深度学习的分类方法进行分类。首先,构建并优化ResNet-50网络模型,将肝包虫病图像分批次传入网络,然后用交叉熵作为损失函数,最后把网络结构加入对数据的批归一化处理,通过反向传播算法优化参数使损失函数最小化,最终选择训练所得的最优网络。结果:各类别的最佳分类准确率分别为单囊型78.33%、多囊型81.52%、肝囊肿型80.24%。结论:深度学习卷积神经网络的肝包虫病CT图像疾病分类方法可行、合理、且调整后的ResNet-50模型比较适合肝包虫病图像的分类,有望通过深度学习方法对肝包虫病提供辅助诊断及决策支持。     

蜂窝状的交互式三维分割方法

目的：蜂窝状肺病变是一种常见的肺部影像学表现,因其边缘模糊、分布弥散的特点,难于分割.为准确地对蜂窝状肺病变进行三维分割,提出一种基于支持向量机的交互式三维分割方法.方法：根据肺部CT图像灰度分布特性基于自适应阈值分割算法对肺部进行分割,然后采用区域生长法将气管剔除出肺部区域,并针对肺部区域采用修正后的分水岭算法按照纹理分割成小区域,对各区域进行纹理特征的提取,采用训练后的支持向量机对各区域进行判别是否为蜂窝状病变区域.最后根据切片层数据间的关联性基于面积重叠去除假阳性区域.结果：针对临床已确诊的30例病例参照医生分割的金标准进行测试,对分割算法进行了敏感性、特异性、准确率等指标的评估,该方法能分割出可靠的蜂窝状肺部病变区域.