自动检测宫颈癌细胞的二级级联分类系统

文摘

我们提出的方法自动检测宫颈癌细胞的图像捕获基于薄液细胞学幻灯片。我们选择20000个细胞图像中基于来自120个不同的薄液细胞学幻灯片,其中包括5000年上皮细胞(正常2500年异常2500),淋巴细胞,中性粒细胞,和垃圾细胞。我们首先提出了28个功能,包括20 8形态特征和纹理特征,基于每个细胞类型的特征。然后,我们使用两个分类器进行分类的二级级联集成系统宫颈细胞正常和不正常的上皮细胞。结果表明,异常宫颈上皮细胞的认可率分别为92.7%和93.2%,分别在C4.5分类器或LR (LR:逻辑回归)分类器单独使用;虽然识别率明显高于(95.642%)当我们二级级联使用集成分类器系统。假阴性率和假阳性率(1.44%)的拟议中的自动二级级联分类系统也大大低于传统巴氏涂片检查。

1。介绍

根据WHO(世界卫生组织)的统计数据,世界上有530000新发病例,2012年它造成第二癌症死亡率最高的女性患者。每年超过270000名女性死于宫颈癌,其中超过85%发生在发展中国家(1]。宫颈癌的筛查,发展中国家遇到的严重困难,由于经济落后和贫困状况。宫颈癌的发病率高出6倍在发展中国家比在发达国家。因此,迫切需要开发一种筛选方法,适合发展中国家。

宫颈癌通常由基于液体的细胞学诊断(LBC)幻灯片病理学家检查紧随其后。这种方法克服了模糊的问题背景,细胞重叠,染色不均匀的传统方法和提高筛查的敏感性2]。然而,人类对幻灯片进行筛选体积大、价格高成本,和依赖的可靠性和准确性评论者的技能和经验。这些因素降低了筛选方法和结果的准确性相对较高的假阳性(~ 10%)或假阴性率(~ 20%)3]。

自动和半自动的方法被用来识别异常细胞的幻灯片通过分析细胞的轮廓(4- - - - - -9]。宫颈细胞图像的自动分析方法最近被开发并用于检测宫颈癌和深入研究和改进。在这种方法中,幻灯片上的细胞上,相机工业获得的图像质量。然后图像分析寻找异常细胞。这种方法的优点是拯救人类的巨大的资源和材料,大大提高筛选的效率,减少人为错误,提高检测的准确性。获取的细胞特性,设计的细胞分类系统和细胞的分类在此方法中扮演关键角色。在这项研究中,这三个重要方面。

不同分类系统的宫颈涂片细胞最近提出(6,10- - - - - -13]。陈等人。6)提出了分类细胞表面细胞,中间细胞,parabasal细胞,低度鳞状上皮内病变和高档鳞状上皮内病变(HSIL)。Rahmadwati et al。10,11)所有宫颈细胞分为正常,癌变前的,恶性的类别。在另一项研究[11),进一步分为CIN1癌变前的阶段(原位癌1),CIN2, CIN3。拉杰什·库马尔et al。12)宫颈细胞分为两种类型的细胞,正常和异常宫颈细胞。萨瓦尔et al。13)将细胞分成三个正常细胞(表面鳞状上皮、中间鳞状上皮和柱状上皮),和四个异常细胞(轻度鳞状nonkeratinizing发育不良,中度鳞状nonkeratinizing发育不良,严重的鳞状nonkeratinizing发育不良,和温和的原位鳞状细胞癌)。这些分类系统仍在研究阶段。还没有最后系统作为临床实践的方法。自从巴氏涂片通常由血液和淋巴组织,受污染的方法直接分类鳞状细胞在正常和异常细胞不适合宫颈涂片的分类。

在细胞特性的获取方面,大多数的研究人员使用多维特征分类的细胞(12,14- - - - - -16]。一些作者分析了四个参数:面积、集成光学密度(IOD)、偏心率、傅里叶系数(12]。其他作者使用16特点:细胞核,细胞质、核灰度,细胞质的灰度,等等14]。一些作者获得9个参数:平均强度,方差,凹点,区域,面积比、周长、圆度、熵和强度比(15]。最后,一些其他作者使用27个参数,其中包括之下,能源、相关性,和同质性(16]。这些参数大多是通过电脑。它还有待研究,参数更适合细胞分类。

近年来,multiclassifier集成的方法是模式识别研究的焦点,被应用于生物特征识别的一些地区(17- - - - - -19]。在一项研究[18),基于两级神经网络分类系统级联系统已被用于识别肺癌细胞和单个分类器的错误率减少网络。在另一项研究[19),二维级联用于眼睛定位演算法框架。从这些研究先驱,众所周知,分类器集成的方法将有助于提高灵敏度相比,传统的单分类器。

我们特此提出以下小说思想宫颈细胞图像的自动分析方法:(1)特征提取:获得28维特性包括核区和对比,20形态学和8结构特性,根据细胞形态和细胞密度的差异。(2)细胞分类:首先分离细胞为上皮细胞,淋巴细胞,中性粒细胞,和垃圾细胞,然后分类上皮细胞为正常和不正常的细胞。(3)分类方法:由二级级联分类的宫颈细胞。细胞是由快速和粗糙的C4.5分类器分类,然后通过更精确的LR分类器为正常和不正常的细胞。

2。的方法

2.1。工作流的自动检测系统

的主要组件宫颈细胞图像的自动分析方法包括高质量的数码相机、电脑、三维移动阶段,显微镜,辅助细胞分析设备。如图所示的工作流1。第一级分类或粗略的分类包括取得的细胞图像,图像预处理,细胞核和背景分割适当截止,测量和分析的细胞形态、密度和光学和结构特性,通过C4.5的细胞评估和分类功能。第二级分类或详细的分类包括步中提取的类似特性1和使用LR的分类器进行分类的正常和异常上皮细胞的细胞。

2.2。获取的细胞图像

子宫颈抹片检查为重要功能在过去半个世纪的宫颈癌筛查。但它有很高的需求在细胞涂片和假阳性率高(20.]。相比之下,基于液的细胞学技术细胞分析显示更高的涂片质量和敏感性21),降低了误判率和涂片制备的是最常见的方法。宫颈癌发展通常是伴随着细胞的核异常。因此,我们使用Feulgen-thionin染色法使薄液体细胞涂片,如图2然后分析涂片使用宫颈细胞图像的自动分析方法。

宫颈细胞图像获得细胞图像的自动检测方法虽然高品质相机(IDS ui - 3370 - cp - c - hq)在显微镜(奥林巴斯BX43)和保存的jpg格式的分辨率的图像与8位灰色的深度,然后将图像分成332区域与每个区域包含200 - 400细胞,和每个区域的细胞分离和分析。根据病理学家的意见和细胞学技士,然后我们选择了20000个细胞图像中基于来自120个不同的薄液细胞学幻灯片,其中包括上皮细胞(正常2500年异常2500),淋巴细胞,中性粒细胞,和垃圾细胞。

2.3。图像预处理和分割

由于各种各样的限制和干扰,减少总有在涂片质量,图像获取、图像传输和转换,如染色不均匀,不均匀轻,噪音在转移,以及原始质量转换期间的损失。因此,有必要做一些预处理的图像细胞分割之前保证分析的准确性(22,23]。

我们研究了图像增强和降噪宫颈细胞图像分析。增强图像,我们之前存储的一些细节图像直方图均衡化,然后恢复了细节而做直方图均衡化。这种方法增加了细胞和背景之间的对比,使细胞边界脱颖而出,和增强图像的局部对比度通过消除或减少nonrelevant信息(4,24]。减少噪声,中值滤波方法(25,26)是用于研究一流的像素区域根据灰色的程度从低到高,然后选择中间值作为输出像素。这是一个非线性平滑滤波技术,不仅可以抑制脉冲胡椒和盐噪声,但也保护图像边界。

细胞图像分割是一种重要的细胞自动识别的一步。它决定了细胞的核形态将匹配原始细胞和影响特征参数的准确性和系统的灵敏度。在这项研究中使用的自适应阈值分割方法是一种简单而有效的方法。最好确定分割截止特性和分布的峰值和底部的直方图均衡化曲线,从背景中分离细胞核(27,28]。这种方法不仅是简单和快速的计算,还有效地处理与巨大的差异在当地的背景灰色图像目标区域。

2.4。提取的特征

细胞特性的选择和计算是在细胞识别的基本步骤。总有污染颈椎标本的淋巴细胞,血液、细胞和垃圾。基于文献建议和细胞核内的不同特点,我们选择28功能,包括20 8形态特征和纹理特征。

2.4.1。形态学特征

形态学特征被用来描述原子核的形状,这是重要的区分不同的细胞类型。根据不同的细胞核形态,我们提取28形态学特性,包括区域(12,15,29日),循环,距离,σ,两侧,圆度,凸性29日),(质心的坐标设在),(质心的坐标设在),,,度(29日],Count-Length [30.),直径(30.),半径(29日,30.,成长方形30.],Anisometry [31日],庞大[32,结构因子(33]。

成为恶性细胞后,细胞核的染色体数量会改变,导致细胞核的形状的变化。因此,核圆和圆也将改变。圆度检测边界之间的距离和的中心区域,这可以表示为 在σ表示平均偏差距离和距离表示平均距离,可以被定义为哪一个 是像素的平均值在细胞的面积点的像素值吗在细胞的面积。

自圆度与计算的等边多边形的数量,双方的数量可以用来估计圆度约。边等边多边形有越多,圆核。面被定义为

循环用于计算核区域的相似性可以表示为一个圆和(5),周边:

变换的形状、大小和位置的图像质心坐标将会改变。形心坐标可用于估计图像的几何变换,可以表示为哪一个

和分别代表的像素值的总和- - -设在细胞核。代表在细胞核中每个像素的平均值。被定义在

2.4.2。纹理特征

结构特性的重复结构单元及其模式的存在。文本特征的提取是将三维不同的随机纹理或几何纹理到灰色的差异值,然后用数学模型来描述纹理信息。共生矩阵是一个重要的方法在图像的纹理特征分析。它代表的综合信息方向、距离、程度、速度变化的图像,通过计算两点之间的距离和方向的关系的灰色图像。

有14维特性提出的共生矩阵Haralick et al。34]。我们使用的功能包括对比(16,30.)、能源(16,30.)、相关(16,30.),同质性(16),熵(15,30.,各向异性35),意思是,和偏差。

的意思是用来表示细胞核的平均灰度值,可以定义为 像素的灰度值吗。表示图像像素的数量。

偏差是用来代表灰色的偏差值的核,它可以表示为

2.5。二级级联分类器集成

不同分类器产生的错误分类分析时通常不重叠的多维特性相同的实体。它表明,不同的分类器可能是互补的信息,可以用来提高检测的能力。单分类器很容易做出错误的分类或分类小姐,导致分类精度降低。另一方面,梳理不同的分类器可以实现更高的能力分类通过使用他们的补充信息。

结合多个分类器的集成方法可以串联或并联。在级联的方法,以前的分类器的输出作为下一个分类器的输入,每个分类器都有其自己的特征提取和模式分类模型。分析了C4.5分类器和LR分类器后,我们使用二级级联集成系统,也就是说,另一步的分类细胞很难通过C4.5分类器进行分类。用这种方法,我们实现了识别的灵敏度更高。流程图如图3。

一级分类是粗略的分类,可以使用快速分类器如C4.5分类宫颈细胞为上皮细胞,淋巴细胞,中性粒细胞,或垃圾细胞。在2级分类,一级分类的上皮细胞是通过逻辑回归进一步分为正常和异常细胞分类器精度高。

每个孩子分类器会给它的准确性,但最终报废率是由最后的输出。因此,准确性和虚假的每个孩子都是独立的,相互不影响。整个系统的准确性和假率所示

在这些方程,和分别代表正确识别的速度和不正确的识别。因此,集成系统的功能依赖于每一步的能力,尤其是错误的识别的前几个步骤的速率。在理想情况下,每一步的正确识别速度是0。即使每一步的正确识别速度不高,最终的正确识别方法1,作为增加的步骤。

2.6。评估函数

四个参数的分类评估。其准确性所示(12),精确率(13)、召回率(14),测量(15):

在这些方程,代表真正的底片,真正的位置,假阴性,假阳性。是评估参数什么时候在(15)。

3所示。结果

在这项研究中,我们选择了20000个细胞,包括2500年异常上皮细胞,从120种不同的基于薄液细胞学幻灯片在细胞功能和病理学家的意见。颈椎标本收集过程中,不仅上皮细胞,淋巴细胞,血液,和其他污染物也被收集,从而减少了这些细胞的识别率。因此,这些五组细胞的直接分类不是很有助于识别异常上皮细胞。所以我们将实验分成两个步骤来识别异常上皮细胞。在第一步中,这些细胞被分为上皮细胞,淋巴细胞,中性粒细胞,和垃圾细胞。在步骤2,我们将上皮细胞分成正常和不正常的上皮细胞。

3.1。图像预处理和分割

图像预处理的目的是减少图像数据的复杂性和准备以下步骤的分析。减少干扰的影响图像分析,我们使用直方图均衡化增强图像的方法和中值滤波去除噪声。结果如图所示4 (b)。图像分割是一个过程分离图像特征区域和选择我们需要的领域进行分析。这一步将直接影响下一步的可行性和可靠性。我们使用自适应阈值图像分割方法,在图所示的结果4 (c)。

我们可以看到在图4我们使用的方法,可以有效地减少噪声和保持图像的边界。这也表明,分割的方法可以有效地选择出目标区域。

3.2。特征提取

相关的细胞特征提取在图像分割为自动图像分析提供的信息。因此,提取的特征应充分反映正常和异常上皮细胞的差异。在这项研究中,我们提取28形态和纹理特性,如表所示1。

3.3。细胞的分类

样本收集过程中,上皮细胞,淋巴细胞,血液和其他污染物也收集。很难达到令人满意的分类如果使用单个分类器。多个分类器的组合可以克服单个分类器的缺点,充分利用每个分类器的强度,降低识别错误率,增加识别的鲁棒性(14,36,37]。以下是二级级联的工作流集成系统。

步骤1(粗略的分类)。在步骤1分类,或粗糙的分类,我们将细胞分成四组的细胞,上皮细胞,淋巴细胞,中性粒细胞,和垃圾细胞。我们使用最适合的参数建立C4.5分类器分类。混淆矩阵显示之间的关系预测细胞类型和原始的细胞类型,并进一步计算错误率和精度。标准化混淆矩阵中的值表示百分比。我们使用C4.5分类器的步骤1分类。评估结果的精度分类混淆矩阵如图5。
我们可以看到在图5的淋巴细胞很容易识别,因为他们的核的稳定性。稳定的中性粒细胞减少,所以其识别率在中间。垃圾图像中细胞标本收集过程中污染物,碎片从涂片过程,或细胞重叠,显示低核稳定,因此识别率较低。上皮细胞异常包括正常细胞和上皮细胞也减少了核稳定和降低识别率。
尽管混淆矩阵可以指示的正确识别率每一种类型的细胞,它不能直接告诉整个正确性,精度,记得,措施,等等。表2显示步骤的结果1分类。朴素贝叶斯分类器(NB)由最好的参数作为参照组。
我们可以看到在桌子上2、C4.5分类比NB分类器的精度,精度,回忆,和测量。这也表明,我们的方法的拳头分类分成4组的细胞更适合宫颈细胞。精度、召回和测量的C4.5是96%左右,而NB分类器的精度和召回更糟。也有影响测量。

步骤2(上皮细胞分类)。在这一步中,我们进一步分类细胞步骤1在正常和不正常的上皮细胞。我们建立了LR分类器通过使用分类的最优参数,并与NB分类器使用相同的参数。整体真阳性的上皮细胞异常率如表所示3。
我们可以看到在桌子上3,LR分类器比NB分类器精度的两种类型的细胞(正常和不正常的上皮细胞)和上皮细胞异常的精度。这也表明,LR的二级分类分类器更适合宫颈细胞识别。
的有效性的评估分类器不仅依赖整体的正确性,而且在特异性和敏感性。中华民国曲线和ROC曲线下的面积在这项研究不仅结合敏感性和特异性,而且考虑所有关键值,因此可以更好地代表本研究中使用的方法的正确性。中华民国曲线如图6。
我们可以看到在图6LR的ROC曲线分类器在左边上的角落,远离曲线的机会。ROC曲线下的面积是0.996,远比下的区域(0.5)线的机会。结果显示显著差异,如果我们采用分类的方法分成5组的细胞通过LR分类器和比较的机会行没有任何价值。

3.4。实验结果的进一步分析

本研究的最终目标是识别异常上皮细胞和过滤掉干扰淋巴细胞,中性粒细胞,和垃圾细胞。我们使用两步级联分类系统增加上皮细胞异常的敏感性和特异性。确认这个级联方法的有效性,表明它并不是一个有效的策略直接分离细胞分成5组,我们使用了常用的单分类器系统Weka,相同的实验数据,相同的参数分离细胞分成五组,然后与我们的方法产生的结果进行比较。

根据数据的步骤1和2和(9)和(10),发现异常细胞的整体准确度和精密度的二级级联分类系统是95.805%和95.642%,分别。我们可以看到在图7,他们比任何单一分类器系统的准确性和精度。异常细胞的检出率也比任何单一分类器系统高出2%。这些结果表明,两步级联分类器集成系统不仅适合宫颈癌筛查,但也提高了上皮细胞异常检测的灵敏度。

相比,假阴性(20%)和假阳性(10%)的传统巴氏涂片检查(3),假阳性和假阴性率率(1.44%)和36 2500提出的自动二级级联分类系统要低得多。这些结果表明,该分类系统有潜力大幅减少假阴性和假阴性率,避免误诊,提高宫颈癌筛查的准确性和可靠性。

4所示。结论

总之,我们发展我们的二级级联分类器基于其他研究的经验和获得28维特征形态和纹理。我们第一次分离细胞为上皮细胞,淋巴细胞,中性粒细胞,舢板细胞由于混合细胞类型的标本,然后进一步分类识别上皮细胞在正常和不正常的上皮细胞。第一个分类器C4.5显示精度高(97.185%)、精度(96.7%),回忆起(96.4%),测量(96.7%)。正确的一步2LR分类器显示不仅精度高(98.58%)和识别率的上皮细胞异常(98.6%),而且高地区ROC曲线下(0.996)。我们使用的方法的总体精度为95.805%,而上皮细胞异常的识别率为95.642%。我们的方法显示高准确性和高异常上皮细胞识别率与单分类器系统相比,异常细胞识别率高2%。

系统在我们的研究中使用的成本大约在20000美元,包括设备用于捕获细胞图像如工业显微镜(奥林巴斯BX43)(~ 12000美元),高质量的相机(IDS ui - 3370 - cp - c - hq)(~ 2000美元)、幻灯片和染色材料(~ 500美元)和软件开发和维护(~ 5500美元)。我们认为这是合理的对发展中国家有限的预算和条件。该系统的应用将促进发展中国家宫颈癌筛查和预防,缩短发展中国家和发达国家之间的距离。

我们将更加关注未来的大样本研究来证实我们的有前途的发现。

相互竞争的利益

作者宣称没有利益冲突有关的出版。

确认

这项工作是由中国国家自然科学基金支持下批准号61305001。

引用

1. http://www.who.int/en/。
2. j·温特劳布和a . Morabia”功效的液态薄层法宫颈癌筛查宫颈癌的发病率低的人口,”细胞病理学诊断,22卷,不。1,52-59,2000页。视图:出版商的网站|谷歌学术搜索
3. m . h .偷“宫颈癌筛查技术的进步,”现代病理学,13卷,不。3、275 - 284年,2000页。视图:出版商的网站|谷歌学术搜索
4. m . e . Plissiti c Nikou, a . Charchanti”自动检测细胞核的子宫颈抹片检查图像,采用形态学重建和集群”IEEE在生物医学信息技术,15卷,不。2、233 - 241年,2011页。视图:出版商的网站|谷歌学术搜索
5. f p . Sobrevilla e . Montseny Vaschetto e . Lerma“微观彩色宫颈巴氏涂片图像Fuzzy-based分析:核检测”国际期刊的计算智能和应用程序,9卷,不。3、187 - 206年,2010页。视图:出版商的网站|谷歌学术搜索
6. Y.-F。陈,P.-C。黄,K.-C。林et al .,“半自动分割和分类的巴氏涂片细胞。”IEEE生物医学和卫生信息学杂志》上,18卷,不。1,第108 - 94页,2014。视图:出版商的网站|谷歌学术搜索
7. n·m·Harandi距首都普里什蒂纳,n . a .穆贾达姆和r . Amirfattahi”分割的自动化方法上皮ThinPrep的宫颈细胞图像,”医疗系统杂志,34卷,不。6,1043 - 1058年,2010页。视图:出版商的网站|谷歌学术搜索
8. s . n . Sulaiman: a .垫Isa和n h·奥斯曼,“半自动伪颜色特征提取技术对宫颈癌的子宫颈抹片检查图像,”国际期刊的知识和智能工程系统,15卷,不。3、131 - 143年,2011页。视图:出版商的网站|谷歌学术搜索
9. c . Bergmeir m·加西亚Silvente和j·m·贝尼特斯”:宫颈细胞核在高分辨率显微图像分割新算法和基于网络的软件框架,“计算机在生物医学方法和项目,卷107,不。3、497 - 512年,2012页。视图:出版商的网站|谷歌学术搜索
10. Rahmadwati, g . Naghdy m·罗斯,c·托德和e . Norachmawati“宫颈癌使用组织学图像,分类”第二届国际会议上计算机工程与应用(ICCEA 10)IEEE,页515 - 519年,巴厘岛,印度尼西亚,2010年3月。视图:出版商的网站|谷歌学术搜索
11. Rahmadwati, g . Naghdy m . Ros c·托德和e . Norahmawati“宫颈癌分类使用伽柏过滤器,”学报第一IEEE国际会议上医疗信息学、成像和系统生物学(HISB 11),IEEE - 52页。圣何塞,加州,美国,2011年7月。视图:出版商的网站|谷歌学术搜索
12. r·r·拉杰什·库马尔诉a·库马尔p . n . Sharath Kumar s Sudhamony和r . Ravindrakumar”在宫颈细胞学检测和去除工件的图像,采用支持向量机”《IEEE在医学和教育国际研讨会(时候' 11)广州市,页717 - 721年,中国,2011年12月。视图:出版商的网站|谷歌学术搜索
13. a·萨瓦尔·m·阿里,j .苏瑞诉沙玛,“绩效评估宫颈癌的筛查,机器学习技术”第二届国际会议上计算为全球可持续发展(INDIACom 15),页880 - 886,新德里,印度,2015年3月。视图:谷歌学术搜索
14. 中情局Yusoff: a .垫Isa n h·奥斯曼,s . n . Sulaiman和y Jusman”性能的神经网络架构:级联MLP与极端学习机对宫颈细胞图像分类”学报第十届信息科学国际会议信号处理及其应用(ISSPA 10)IEEE,页308 - 311年,吉隆坡,马来西亚,2010年5月。视图:出版商的网站|谷歌学术搜索
15. j . Prinyakupt和c Pluempitiwiriyawej”,分割白细胞的细胞形态学和比较线性和朴素贝叶斯分类器,”生物医学工程在线,14卷,不。1,第63条,2015。视图:出版商的网站|谷歌学术搜索
16. p .郭k . Banerjee r·斯坦利et al .,“Nuclei-based特性与fusion-based子宫宫颈癌组织学图像分析分类,“IEEE生物医学与卫生信息学杂志》上,2015年。视图:出版商的网站|谷歌学术搜索
17. 角色和a . k . Jain,”在指纹验证决策级融合,”模式识别,35卷,不。4、861 - 874年,2001页。视图:谷歌学术搜索
18. 江y, z,问:谢et al .,“应用神经网络集成在肺癌细胞识别、”Naijing大学学报,37卷,不。5,529 - 534年,2001页。视图:谷歌学术搜索
19. z妞妞,s, s, x,和w·高,“眼睛定位,2 d级联演算法”18学报》国际会议模式识别(ICPR 06年)IEEE,页1216 - 1219年,香港,中国,2006年8月。视图:出版商的网站|谷歌学术搜索
20. d . Saslow c, d . Runowicz d·所罗门et al .,”美国癌症协会的指导方针为早期发现子宫颈癌肿瘤和癌症,”Ca-A癌症期刊对临床医师,52卷,不。6,342 - 362年,2002页。视图:出版商的网站|谷歌学术搜索
21. k . v .娘娘腔的男人,“进化的巴氏试验在社区医院十年经验,“细胞病理学诊断,35卷,不。3、148 - 153年,2007页。视图:出版商的网站|谷歌学术搜索
22. 希夫拉吉·r·乔汉r·k·Jha和p . k . Biswas”增强的黑暗和低对比度图像使用动态随机共振,”专业图像处理,7卷,不。2、174 - 184年,2013页。视图:出版商的网站|谷歌学术搜索|MathSciNet
23. j·穆克吉和s . k . Mitra”增强的彩色图像缩放的DCT系数”IEEE图像处理,17卷,不。10日,1783 - 1794年,2008页。视图:出版商的网站|谷歌学术搜索|MathSciNet
24. g . Finlayson s Hordley g . Schaefer, g .云田”光源和设备使用直方图不变的色彩平衡”,模式识别,38卷,不。2、179 - 190年,2005页。视图:出版商的网站|谷歌学术搜索
25. b . Smolka”中央加权矢量中值滤波器,有效的修改”模式识别施普林格,页166 - 173年,柏林,德国,2002年。视图:谷歌学术搜索
26. a . e . s .霍瑞b .秋和h·r·吴“改进的彩色图像使用模糊向量滤波噪声检测,”光学工程,42卷,不。6,1656 - 1664年,2003页。视图:出版商的网站|谷歌学术搜索
27. s . Bojinski m . Schaepman d Schlapfer, k . Itten”》:光谱数据库对于遥感应用程序,”电脑与地球科学卷,29号1,27-38,2003页。视图:出版商的网站|谷歌学术搜索
28. y l . Zhang陈,t . Wang Chen李和m . s . Liu”一个实用的自动分割方法宫颈细胞学筛查,”《IEEE国际会议上智能计算和生物医学仪器(ICBMI 11)IEEE,页140 - 143年,武汉,中国,2011年12月。视图:出版商的网站|谷歌学术搜索
29. 郑,s . w . Yoon和s . s . Lam”乳腺癌的诊断基于特征提取混合使用k - means和支持向量机算法,”专家系统与应用程序第41卷。。4、1476 - 1482年,2014页。视图:出版商的网站|谷歌学术搜索
30. f .《金瓶梅研究宫颈细胞图像分割和识别的方法、暨南大学、广州,中国,2010。
31. t . Bandlow m . Klupsch r . Hanek, t·施密特”快速图像分割、目标识别和定位在“机器人足球世界杯”的情况下,”“机器人足球世界杯”- 99:机器人足球世界杯三世卷,1856在计算机科学的课堂讲稿施普林格,页174 - 185年,柏林,德国,2000年。视图:出版商的网站|谷歌学术搜索
32. g·施奈德和p . Wrede”发展模式识别人工神经过滤器的蛋白质序列,”杂志的分子进化,36卷,不。6,586 - 595年,1993页。视图:出版商的网站|谷歌学术搜索
33. g . Naghdy m . Ros和c·托德,”宫颈癌诊断宫颈细胞的形态特征,”美国国会2011年第二国际在计算机应用和计算科学,卷2,页235 - 243,施普林格,柏林,德国,2012年。视图:谷歌学术搜索
34. r . m . Haralick k Shanmugam,即h·汀斯坦”纹理特征的图像分类,“IEEE系统,人与控制论,3卷,不。6,610 - 621年,1973页。视图:出版商的网站|谷歌学术搜索
35. d . Chetverikov”旋转不变纹理歧视使用各向异性特性,实验”学报第六届国际会议在模式识别和信息处理(PRIP ' 82),第1074 - 1071页,1982年。视图:谷歌学术搜索
36. c, n . d . Georganas, e . m . Petriu“实时手势识别使用haar-like特性,建立”IEEE仪表与测量技术研讨会论文集(IMTC ' 07)IEEE,页1 - 6,华沙,波兰,2007年5月。视图:出版商的网站|谷歌学术搜索
37. 诉Kodogiannis h . s . Chowdrey,“多网分类方案计算机辅助诊断在临床内镜,”《医学信号处理国际会议(MEDISP ' 04),第267 - 262页,2004年。视图:谷歌学术搜索

版权

版权©2016杰苏等。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。