一个5级小波分解和降维方法的特征提取和分类和CT扫描图像

文摘

本文提出一种基于二维小波分解生物医学图像分类算法。二维小波分解完成五水平的输入图像。然后使用直方图分解图像形成特性集。这个特性集进一步降低使用概率主成分分析。减少的特性集然后送入最近邻算法和前馈人工神经网络,对图像进行分类。该算法与其他三个技术的准确性。该算法已经找到更好的3.3%,12.75%,和13.75%平均在第一,第二,第三的算法,分别使用资讯和高达6.22%,平均13.9%,14.1%使用安。用于比较的数据集由肺部CT扫描的图像和图像先生的心从不同的来源获得。

1。介绍

生物医学图像磁共振成像(MRI)、计算机断层扫描(CT)扫描,超声图像,等等都被认为是一个强大的工具,用于探测疾病近年来。各种监督或无监督算法提出了分析生物医学图像分割等目的的一个器官,识别疾病影响的区域,图像分类等等(1- - - - - -3]。下面总结了各种算法用于生物医学图像分类。

1.1。核磁共振相关工作

Chaplot et al。4]Daubechies使用小波变换提取特征的图像先生患有脑瘤。然后自组织映射和支持向量机分类有患有肿瘤的图像与图像之间的病人不患肿瘤。萨拉瓦南和拉马钱德兰(5]进一步扩展这种方法使用从水平db1 db15 Daubechies小波,小波选择拥有最高的潜力。小波分量的系数中提取用于分类使用反向传播算法。

白色板牙hyperintensities大脑紊乱中发现普遍观察到衰老的人。Griffanti et al。6]中提出了一个方法,相关图像识别使用平均值和标准偏差之间的各种特性,如认知、组织微观结构,等等。这种关系能够诊断类似先生与白质干扰图像。Ramakrishnan和Sankaragomathi7)使用支持向量机以及序列最小优化(SMO)和修改区域增长(著),灰太狼优化(拥有)。输入这两个系统的特性是灰度级同现矩阵,最大强度,和当地伽柏XOR模式。拟议的框架与其他类似的技术精度的基础上,并声称自己是更好的。还在[Nayak等人8)病理诊断大脑通过使用最大五十从5级离散曲波变换系数,然后减少使用车牌提取特征向量。然后使用SVM分类之间的大脑健康和病态。作者在9)提出了一个系统,采用对比度自适应直方图均衡化方法有限增强大脑先生的病变区域图像。随后应用二维小波变换和相关特征提取使用基于对称不确定性排名的过滤器。Zhang et al。10]使用固定小波熵从先生图像提取特征,然后采用了前馈神经网络分类器进行分类的图像之间健康人和病人患有听力损失。作者还在11)提出了一个方案来确定病理大脑通过使用一个简化的脉冲耦合神经网络(SPCNN)感兴趣的区域(ROI)分割和快速离散曲波变换(FDCT)特征提取。然后主成分分析和线性判别分析(LDA)是用来减少功能然后概率神经网络分类的图像。该系统实现了准确性高达99.5%。

Maitra和Chatterjee12)使用slantlet变换提取特征。Slantlet变换是离散小波变换(DWT)的扩展,基于离散时间的函数最小化的支持。很多特性从而提取保持6然后输入前馈人工神经网络进行进一步的分类。结果从而获得了100%的准确率比其他基于DWT算法分类。Nayak et al。13]进一步提取的2 d小波分量图像先生和减少使用概率主成分分析(车牌提取)。最后,十三的特性集,作者演算法使用随机森林分类器和声称100%的准确率。Zhang et al。14)应用三级分解通过Haar小波变换获得的特性,然后应用主成分分析(PCA)减少的特性。进一步使用反向传播算法把图像划分为正常或病变。所使用的图像数据集从哈佛大学t2加权磁共振脑图像。Sauwen et al。15)相比,各种非监督分类技术对大脑肿瘤分割使用自己的两个不同的数据集。陈等人。16)首先定义一个集群中心,然后使用简单的基于可拓关联函数来定义之间的关系特点和去除冗余的。进一步应用粒子群优化的图像进行分类。的准确性和错误率比较类似的算法和提出的一个是优越的。

Termenon [17)使用极端的学习机器从先生的图像中提取特征和应用多数投票分类对它们进行分类。Cabria和Gondra18]融合分割的部分大脑图像检测脑瘤先生。融合是通过使用交叉和工会的方法。然后用支持向量机适用于分类演算法。

1.2。CT扫描或其他生物医学图像相关工作

苏达山等。19)提出了一个工作报告理解小波的应用在检测不同类型的癌症,他们用超声图像测量性能。他们比较了小波分析的主要超声图像。作者在20.)相比,各种基于人工神经网络的分类器可用于分类和聚类在生物医学图像。我和公园21使用安)也提出了一个基于特征的分类器。算法检测精度在投票数据库和僧侣的问题分类的目的。Polat et al。22)基于模糊算法用于乳腺癌的分类和肝脏疾病。他输入数据归一化,然后获得人工识别球(arb)。El-Dahshan et al。23DWT)用来提取组件减少首先计算协方差矩阵。然后重新安排此组成的协方差矩阵特征值按升序和特征向量从而被选中。这种方法也被称为PCA。资讯和安都被应用于图像分类。Saritha et al。24)提取DWT组件基于Daubechies波8的水平。提取的特征被安排在一个蜘蛛网阴谋。这些蜘蛛网的组件在边缘区域的阴谋被送入一个概率神经网络进行进一步的分类。Trigui et al。25]分类CT图像患有前列腺癌的常规的提取光谱信号为基础分析了信息检索的胆碱和柠檬酸水平前列腺腺体。全球特征向量构造相结合这两个特征向量和一个监督学习算法;即支持向量机当时申请分类。

有很多基于小波的方法对生物医学图像的分类研究。现在,各种基于小波分解的方法没有考虑连接的特性集提取直方图的五个不同的图像小波分解得到的生物医学图像的五个层次。拟议的工作扩展了基于小波的教育学生物医学图像的分类。它分解图像五水平使用二维小波分解。小波变换已被证明是一个有效的方法从图像中提取信息,减少复杂的DWCT等技术相比,曲波变换等等,因此在这里使用。近似系数矩阵每一层选择及其对应的直方图生成。五个直方图从而获得连接形成一个特征向量。这个特征向量的维数是进一步减少使用概率主成分分析。与获得的特征向量维度用于分类的目的是减少了资讯或安。发现这种方法与其他方法相比更健壮的章节中讨论3。

剩下的纸是组织如下:部分2描述了用于分类的方法。它详细描述了该算法的各个步骤。部分3讨论了结果时,获得该工作是与算法[相比23,24,26]。节4、结论和未来可能的工作进行了讨论。

2。方法

该算法由以下步骤组成。

2.1。二维离散小波分解

离散小波变换(DWT)的一维信号可以通过计算通过同时高通和低通滤波器。如果一个低通滤波器脉冲响应然后DWT可以评估通过计算原始信号与脉冲响应的卷积 在这里表明复共轭(27]。高通滤波器的信号同时分解。

小波分解是通过使用Daubechies-4小波技术。使用的高通和低通滤波器给出了(2)和(3(分别)和为高和低过滤器用于定义小波序列卷积)[28]。 计算二维图像DWT,原始图像的卷积和方向由低通和高通滤波器,如图1。获得的图像是由列downsampled 2所示 。Downsampled列意味着只有甚至索引列被选中(27,29日]。再然后合成图像卷积高通和低通滤波器。这些图片现在downsampled行用1最终收益率四部分波段图像的原始图像大小的一半。因此,四子带图像生成 , , ,和 。 , ,和包含的水平、垂直和对角线的图像信息。是近似系数和包含的最大信息图像。被选中为下一轮的分解与原始图像相同的方式。从下一轮,近似系数,也就是说, ,提取。类似的二维小波分解的图像分解五的水平。获得的近似系数, , , , ,和 ,然后使用表单演示了下面的特性集。Daubechies小波有两个消失的时刻,因此,提取更好的特性与简单小波哈雾和达到类似的结果相比,复小波伽柏。还需要较少的时间来检索结果与复杂的小波技术,从而为我们成为一个合适的选择来检索图像(30.]。分解到5层完成自第六层次的形象失去了大部分细节。也通过实验结果验证,分类的精度是少4级分解,还发现减少在第六层次分解。

2.2。使用概率主成分分析特征提取与降维

五的直方图近似系数矩阵,即 , , , ,和 ,计算。直方图来计算,我们认为256年等距的垃圾箱和计算的像素数量属于每一个垃圾箱。因此即使图像大小是不同的,我们得到一个大小的柱状图 对所有的图像。从而大小的五个直方图因此向量 每一个。这五个直方图连接,连接矩阵特征向量的大小 。

功能设置从而减少通过应用概率主成分分析(车牌提取)。主成分分析将一组给定的尺寸降低到较低维空间。在使用车牌提取相关的似然函数的概念。它提取维向量从一个维向量变量的关系了 在哪里是观察到的变量的行向量,代表乘法,潜变量的行向量,是各向同性的误差项(13]。的——- - - - - -权重矩阵有关潜在和观测变量,和向量允许模型有一个非零的意思。在我们的案例中是一个向量的大小256×5。是一个 预定义的权重矩阵。因此出来的矢量大小5×1。这个步骤可以减少的特性集 值5的特性集值为每个图像。建议作者在[31日),车牌提取防止过度拟合的数据分类,尤其是图像。此外,它有助于建模数据与参数相对较少,因此车牌提取高维已经选择了在常规PCA降维。的集合特性降低到一维向量大小256×1的最小时间分类图像,相比两个或更多的特性集列和获得的相同的行数(如果我们使用车牌提取减少特性集获得一个矩阵的大小 , 等等)。然而有精度的变化可以忽略不计。因此车牌提取用于减少功能设置一栏,也就是说, 向量。

2.3。先生的分类图像

然后送入分类器获得的特性集。两种不同的分类器,最近邻分类器(资讯)和安分类器,用于测量性能。支持向量机(SVM)分类两类,因此不习惯这里。下面简要概述这些分类器。

2.3.1。最近邻分类器

在这种方法中,我们给定的输入图像到一个分类最近的训练向量。的最近的邻居分类器是一种非参数监督分类器性能更好的最优值是选择。监督学习是用来训练分类器。在训练阶段给定特征向量映射到一个预定义的类四类作为给定的部分3形成一个分类器。在测试阶段,任何分类特征向量是通过确定最低的欧几里得距离的四类生物医学图像(23]。

2.3.2。前馈人工神经网络分类器

带有一个隐层的前馈人工神经网络作为分类器。隐藏层神经元有10个。输出层有四个神经元之间的分类四类。权重随机初始化和使用监督学习培训网络和权重更新给定特征向量映射到一个相应的类。训练阶段结束后,对测试数据集执行和性能匹配精度测量(24]。

2.4。算法

的框图,提出了分类的特征提取方法,图像显示在图2。

我们认为Read_image()函数来读取给定的图像格式,two_dimensional_wavelet_decomp()函数来计算输入图像的二维小波分解,和直方图()函数计算输入图像的直方图。还Probabilistic_principal_component _analysis 减少一个矩阵的维度 一个矩阵的维度 。然后在算法。该算法可以概括1。

新奇的工作在于提出使用Daubechies-4分解给定图像小波分解五的水平。没有这样的算法存在一个特征向量是由连接五分解图像的直方图。此外车牌提取应用于降低特征向量的大小,然而维护信息分类。从而设计一个高度信息化的特征向量相对较小的长度。

3所示。实验结果和性能分析

所有模拟工作进行了计算设备和4 GB内存,2.0 GHz处理器,2017和MATLAB版本Windows平台。结果获得了两个数据集,一个先生的CT扫描图像,另一个图像。第一数据的CT扫描图像在39个科目(20 9不吸烟者,10个吸烟者,吸烟与慢性阻塞性肺疾病(COPD或肺气肿))。图片来自上层,中间低,肺的一部分。总共有115片用于训练目的。设计的计算精度有四类:正常组织(NT)、小叶中心的肺气肿(CLE) paraseptal肺气肿(PSE)、小叶性肺气肿(开业)。肺气肿的不同类别代表一个类,每个类对应于肺气肿的程度。从而NT代表没有肺气肿,CLE表明较小,肺气肿,PSE /请耐心表示肺气肿的程度更高。(26,32,33]。图3显示CT扫描图像数据集1作为获得[33顶视图的肺。

先生的第二个数据由心脏图像(34]。数据被认为是49科目四组的患者:与梗死心脏衰竭,心脏衰竭无梗塞,从肥大患者,正常的患者没有任何心脏病如图4。

两个数据集的配置表1。

这个算法的优越性在他人中演示的数据5和6。图5(一个)表明肺的病人痛苦的中间视图和图6(一)表明中间视图病人患有PSE的肺。当我们仅适用于一层小波分解这些图片我们获取数据5 (b)和6 (b),分别。我们可以观察到数据5 (b)和6 (b)非常相似,因此它变得明显,很难区分两个数字记者通过一个单一的层次分解到不同类型的肺气肿。然而连续图像,数字5 (c)- - - - - -5 (f)图像的小波分解得到的图吗5 (b)一个水平直到我们获得第五层次分解图5(一个)。同样如果我们分解图6 (b)通过一次一层为一个图我们获取数据6 (c)- - - - - -6 (f),因此图6 (f)对应于第五层次小波分解图6(一)。

如果我们现在比较数据5 (f)和6 (f),我们找到两幅图像之间的显著差异。因此每一层图像之间的差别正在增加。因此当我们连接所有这些图像的直方图,得到一个更准确的特征向量对单层分解得到的特征向量。

提出的性能特性集比较有三个类似的分类算法的精度是定义在[23] 算法的性能(道具。与El-Dahshan算法(算法)。23],Saritha等人算法[24[],索伦森等人算法26总结了多个表。比较了不同比例的训练和测试数据集。所有的结果都在百分比。对于数据集1,75 - 25的比例比,86张图片用于培训和29图像进行测试。在80 - 92百分比比,图像是培训和23个图像用于测试而在85 - 15百分比比,98图像训练和17图像用于测试。对于数据集2,75 - 25的比例比,135图像用于训练和45图像进行测试。80 - 20的百分比比,144张图片用于培训和36张照片是用于测试而百分比比例在85 - 153图像用于培训和27图像用于测试。四个算法有两个分类器相比,也就是说,资讯和安75 - 25的比率百分比训练和测试数据,80 - 20的比率百分比训练和测试数据,和85 - 15的比率百分比训练和测试数据表2,3,4,分别。这些表的比较这两个数据集。

我们可以看到,在所有的情况下该算法性能更好的准确性从其他三个算法,即使训练和测试集的比例不同或所使用的分类器的类型不同,该算法会产生更好的效果。也比较四种算法的运行时间(秒)总结表5。

我们可以看到在桌子上5,该算法需要多小时间比(23),即使23)给同等数量的准确性在一些情况下,(24,26)花费更少的时间来执行,但更差的精度,如果该算法相比,在几乎所有的情况下。

4所示。结论和未来的范围

在本文中,提出了基于多级小波变换的特征矩阵CT扫描图像,而图像的分类。功能设置提取使用直方图连接获得的图像通过小波变换将原始图像分解五的水平。提取特性集是两个分类器使用,也就是说,资讯和安。功能设置给更好的结果的分类器,因此它可以声称,该特征向量是健壮的。对于该方法,精度的增加3.3%,12.75%,13.75%使用资讯是对技术的23]、[24),(26),分别。同样,增加准确性为6.22%,13.9%,14.1%是通过使用ANN对技术的23,24,26),分别。因此也可以声称,该特性集更有效的准确性为多个分类器相比,其他三个算法。

未来的工作,提出特性集也可以使用其他像随机森林分类器测试,深层神经网络等等,不同的医学图像。

的利益冲突

作者宣称没有利益冲突。

引用

1. a . Mayer和h格林斯潘“自适应均值漂移大脑MRI分割框架”,IEEE医学成像,28卷,不。8,1238 - 1250年,2009页。视图:出版商的网站|谷歌学术搜索
2. 美国Abbasi和f . Tajeripour检测脑部肿瘤的三维磁共振图像使用本地二进制模式和方向梯度直方图,”Neurocomputing卷,219年,第535 - 526页,2017年。视图:出版商的网站|谷歌学术搜索
3. 即Beheshti和h·德米雷尔”概率分布基于函数的分类结构磁共振成像检测的阿尔茨海默氏症,”计算机在生物学和医学卷,64年,第216 - 208页,2015年。视图:出版商的网站|谷歌学术搜索
4. s . Chaplot l . m . Patnaik, n . r . Jagannathan”分类的磁共振脑图像利用小波支持向量机和神经网络的输入,“生物医学信号处理和控制,1卷,不。1,第92 - 86页,2006。视图:出版商的网站|谷歌学术搜索
5. n .萨拉瓦南和k . i拉马钱德兰”初期的齿轮箱故障诊断使用离散小波变换(DWT)的特征提取和分类使用人工神经网络(ANN),“专家系统与应用程序,37卷,不。6,4168 - 4181年,2010页。视图:出版商的网站|谷歌学术搜索
6. l . Griffanti m·詹金森s苏瑞et al .,“分类和表征室和深部白质hyperintensities MRI:老年人的研究,“科学杂志,2017年。视图:出版商的网站|谷歌学术搜索
7. Ramakrishnan t和b . Sankaragomathi专业评估的计算机断层扫描脑部肿瘤图像使用SVM-SMO分类和MRG-GWO分割、模式识别字母,爱思唯尔,2017年。视图:出版商的网站
8. d . r . Nayak r .破折号和b Majhi,“大脑病理检测使用曲波特性和最小二乘支持向量机,”多媒体工具和应用程序,24,2016页。视图:出版商的网站|谷歌学术搜索
9. d . r . Nayak r .破折号和b Majhi,“基于平稳小波变换和演算法与支持向量机的病理脑MRI扫描检测,”中枢神经系统和神经系统疾病药物靶点,16卷,不。2、137 - 149年,2017页。视图:出版商的网站|谷歌学术搜索
10. 杨y, d . r . Nayak m . et al .,“检测单侧听力损失的平稳小波熵,”中枢神经系统和神经系统疾病药物靶点,16卷,不。2、122 - 128年,2017页。视图:出版商的网站|谷歌学术搜索
11. d . r . Nayak r .破折号,b . Majhi诉普拉萨德,,“自动大脑病理检测系统:快速离散曲波变换和基于概率神经网络的方法,”专家系统与应用程序卷,88年,第164 - 152页,2017年。视图:出版商的网站|谷歌学术搜索
12. m . Maitra和A . Chatterjee Slantlet变换基于磁共振脑图像分类,智能系统”生物医学信号处理和控制,1卷,不。4、299 - 306年,2006页。视图:出版商的网站|谷歌学术搜索
13. d . r . Nayak r .破折号和b Majhi,“大脑先生使用二维离散小波变换和图像分类演算法和随机森林,”Neurocomputing卷,177年,第197 - 188页,2016年。视图:出版商的网站|谷歌学术搜索
14. 董y, z l . Wu,王,“混合核磁共振脑图像分类的方法,”专家系统与应用程序,38卷,不。8,10049 - 10053年,2001页。视图:出版商的网站|谷歌学术搜索
15. n . Sauwen m . Acou美国实验et al .,“比较的非监督分类方法使用不确定型MRI脑部肿瘤分割,“科学杂志:临床》12卷,第764 - 753页,2016年。视图:出版商的网站|谷歌学术搜索
16. R.-M。陈,研究所。杨,C.-M。王,核磁共振脑组织使用非监督分类优化extenics-based方法,计算机和电子工程,爱思唯尔,2017年。视图:出版商的网站
17. m . Termenon m·基粒Savio a . et al .,“大脑MRI形态模式提取工具基于极限学习机和多数投票分类,“Neurocomputing卷,174年,第351 - 344页,2016年。视图:出版商的网站|谷歌学术搜索
18. 即Cabria和i Gondra MRI分割融合脑部肿瘤检测。”信息融合卷,36 - 2017页。视图:出版商的网站|谷歌学术搜索
19. v . k .苏达山,m·r·k·Mookiah u r . Acharya et al .,“应用程序使用超声波图像的小波技术对癌症诊断:复习一下,”计算机在生物学和医学卷,69年,第111 - 97页,2016年。视图:出版商的网站|谷歌学术搜索
20. 工程学系。廖和学术界。温,“人工神经网络分类和聚类的方法和应用程序——文献分析从1995年到2005年,“专家系统与应用程序,32卷,不。1、1 - 11,2007页。视图:出版商的网站|谷歌学术搜索
21. k . h . Im和s . c .公园”,案例推理和基于神经网络的专家系统的个性化、”专家系统与应用程序,32卷,不。1,第85 - 77页,2007。视图:出版商的网站|谷歌学术搜索
22. k . Polat sŞahan h . Kodaz, s . Guneş”乳腺癌和肝脏疾病分类使用人工免疫识别系统(空气)和绩效评估的模糊资源分配机制,“专家系统与应用程序,32卷,不。1,第183 - 172页,2007。视图:出版商的网站|谷歌学术搜索
23. E.-S。a . El-Dahshan t Hosny, a b。m·萨勒姆“混合智能技术磁共振脑图像分类,“数字信号处理,20卷,不。2、433 - 441年,2010页。视图:出版商的网站|谷歌学术搜索
24. m . Saritha k·保罗·约瑟夫·a·t·马修,“分类核磁共振脑图像使用基于小波熵相结合的蜘蛛网情节和概率神经网络,”模式识别的字母,34卷,不。16,2151 - 2156年,2013页。视图:出版商的网站|谷歌学术搜索
25. r . Trigui j . Miteran p . m . Walker l . Sellami和a . Ben Hamida”自动分类和本地化使用不确定型的前列腺癌MRI /夫人,”生物医学信号处理和控制31卷,第198 - 189页,2017年。视图:出版商的网站|谷歌学术搜索
26. l . Sørensen s b瓶,m . De Bruijne”定量分析的肺气肿使用本地二进制模式,”IEEE医学成像卷,29号2、559 - 569年,2010页。视图:出版商的网站|谷歌学术搜索
27. s . Mallat小波信号处理、学术出版社,1999年。视图:MathSciNet
28. a . j . Traina c Castan, c . Traina”MultiWaveMed:通过小波变换的医学图像检索系统,”学报》第16届IEEE计算机医疗系统研讨会上(cbm ' 03),第155 - 150页,2003年。视图:出版商的网站|谷歌学术搜索
29. Z.-M。张、陈s和Y.-Z。梁:“峰对齐使用小波模式匹配和微分进化,”Talanta,卷83,不。4、1108 - 1117年,2011页。视图:出版商的网站|谷歌学术搜索
30. d·古普塔和美国Choubey离散小波变换图像处理。”国际期刊的新兴技术和先进的工程,4卷,不。3、598 - 602年,2015页。视图:谷歌学术搜索
31. 小费和c . m .主教“概率主成分分析”,英国皇家统计学会杂志》:系列B(统计方法),卷61,不。3、611 - 622年,1999页。视图:出版商的网站|谷歌学术搜索|MathSciNet
32. n . Sverzellati d·a·林奇m . Pistolesi et al .,“生理和定量ct差异小叶中心的小叶性肺气肿和慢性阻塞性肺病,”慢性阻塞性肺疾病:COPD基金会》杂志上,1卷,不。1,第132 - 125页,2014。视图:出版商的网站|谷歌学术搜索
33. http://image.diku.dk/emphysema_database/。
34. http://www.cardiacatlas.org/studies/sunnybrook-cardiac-data/。

版权

版权©2017 Varun斯利瓦斯塔瓦和Ravindra Kumar Purwar。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。