文摘
在本文中,我们提出一种改进的算法基于CT图像的活动轮廓模型Mumford-Shah模型,这是本研究的主题。在分析经典Mumford-Shah模型和相关改进算法,我们发现大部分的改进算法从模型的初始化策略和泛化的能量函数的最小值的解决方案,所以我们也将从这两个角度改进经典Mumford-Shah模型。Mumford-Shah模型的初始化策略,我们建议首先降低图像数据的维数的PCA主成分分析方法,减少了图像的特征向量,我们使用 - - - - - -手段,一般的聚类方法,分割曲线的初始位置的算法。的图像数据已完成上述两个预处理过程,然后使用Mumford-Shah模型用于图像分割。Mumford-Shah曲线演化模型解决图像分割问题,通过寻找最低的能量模型的泛化获得图像分割的最优结果,所以Mumford-Shah模型的求解最小,我们第一次优化模型的离散能量泛化问题的凸放松技巧,然后使用Chambolle-Pock成对算法然后使用Chambolle-Pock对偶算法解决优化问题模型的凸松弛后,最终得到图像分割的结果。最后,与现有的模型通过许多数值实验表明,本文提出的模型计算出的纹理图像分割精度高和良好的边缘保留。虽然工作本文针对两阶段图像分割,它可以很容易地扩展到多相分割问题。
1。介绍
在图像研究和相关应用开发中,人们通常不关心整个图像的所有信息。研究的对象是图像中只有一些地方,如图像边缘和图像噪声。这个本地信息可以建立在一个二维平面或曲面的三维空间。更好地识别和分析当地的信息,我们需要独立,从图像中提取这些信息,以便提取的目标可以更有效地处理和更深的层次上,这是基于图像分割的技术诞生了。在计算机数字图像处理中,图像分割是一个关键的链接(1,2]。它是许多研究的基础图像处理和分析,视频处理,等。在计算机数字图像处理中,图像分割是一个非常重要的领域。图像分割是一种最广泛研究的许多研究人员在计算机视觉subattack宽。我们需要分离和提取这些信息从图像处理提取的目标更有效和深入。在此基础上,图像分割技术诞生了。使用这种技术,可以从图像中提取重要信息,可以提供非常有用的材料许多科学领域的图像,而图像分割技术也被广泛应用在日常生活中(3,4]。多年来,一些研究人员提出了从数学的角度来看,一个图像中的信息通常可以被看作是一组连接区域的集合组成的区域,每个都有其基本特征,如边缘、图像强度/颜色,之前的形状和纹理。图像分割的目的是把一幅图像分成特定的区域是相邻的,不互相重叠的根据不同的特征图像和将这些特定的区域划分成不同的类,与地区相同或相似的功能分成相同的类和类之间的不同的基本特征,这是一个重要的步骤来实现内容分析和图像理解5]。
虽然图像分割问题研究和大大发展了三十多年以来,提出了细分模式不能完全段所有图像类型,因为各种各样的图片(6- - - - - -8]。然而,活动轮廓模型分割已广泛应用于图像分割和计算机视觉在过去的二十年,因为它结合图像数据的不同方面,目标轮廓提取、图像的先验知识,曲线运动跟踪和图像重建一个模型(9]。经典的活动轮廓模型是蛇模型,Mumford-Shah模型,几何活动轮廓模型,测地线活动轮廓模型,等等。不同于单一的基于功能的图像分割算法,基于集合的方法和活动轮廓模型结合了水平能源推广和使用两种边界和区域特征图像的分割图像曲线演化的方式。经过近三十年的研究和开发,基于活动轮廓模型分割已经成为主流,广泛使用广泛的类分割算法在图像分割领域的10- - - - - -12]。使用这种技术可以在图像中提取重要信息,可以为许多科学领域的图像提供非常有用的材料。与此同时,图像分割技术也广泛应用于日常生活。一些研究人员提出,图像中的信息通常可以被看作是一组连接区域;每个地区都有自己的基本特征,如边缘、图像强度/颜色,之前的形状和纹理。图减少表示图像加权无向图,在图中顶点表示图像的像素,如果图像的顶点相连的边缘,这意味着它们对应的相邻两个像素,,边的权值表示每一对灰度的像素之间的相似度,颜色或纹理。图像分割完成时,每个区域代表一个子图。最优分割意味着子图的像素相似度最大和像素子图之间的相似度最小。近年来,它已被越来越广泛地应用于医学图像分割,因为它不需要迭代,可以实现全球某些类的能量函数的最小化。很容易从简单的均匀背景的提取目标图像切割方法,但该方法面临着一个巨大的挑战当它应用于医学图像,肝实质,因为腹部CT图像分割等经常有严重的灰度分布不均匀性。
本文主要关注医学CT图像的分割问题。在分析经典Mumford-Shah模型和相关改进算法,我们主要提出的改善古典Mumford-Shah模型两个方面。首先,从解决古典Mumford-Shah模型的广义能量最小化问题,我们使用的数学模型和计算方法的总方差能源广义函数和使用CP成对的想法来解决离散点的能量。另一方面,从Mumford-Shah模型的局限性,我们改善其初始化策略和使用的降维方法和聚类分析图像数据从局部的角度减少特征向量和迭代初始化和更新模型泛化。经典的活动轮廓模型,如蛇模型,Mumford-Shah模型,几何活动轮廓模型,测地线活动轮廓模型,不同于基于单一特征的图像分割算法;活动轮廓模型结合了基于集合的方法和能量水平功能的同时,使用图像边界和区域的特点同时,和图像分割曲线的方式进化。上面的两个改进的视角结合段的CT图像,这是我们研究的对象。在理论分析之后,我们将改进的方法应用于实际的图像数据分割和分析改进算法的可行性和适用性从实践层面上通过实验来分析图像分割算法的有效性。本文的主要观点是开始从传统活动轮廓模型,Mumford-Shah模型,阅读相关文献了解Mumford-Shah模型的改进方向,并确定该模型的改进方向;应用算法的数学模型,进行理论分析; and then use the algorithm in the actual image segmentation for experiments. In the experimental analysis, the experimental results are compared with those of similar improved algorithms, so that the improved algorithm can be analyzed and summarized.
2。现状的研究
为了解决这个问题,纹理图像很难代表,文献[13伽柏)生成的多尺度矢量图的变换和小波变换和Chan-Vese模型用于矢量图像分割实现纹理图像分割,但上面的改变将导致模糊纹理图像的边缘区域。出于这个原因,文献[14)使用一个图像分解变分模型将图像分解成结构分段恒定值图像和纹理图像组件,组件和嵌入式图像分解模型到Chan-Vese模型实现纹理图像分割;这不是计算有效方法由于需要解决多个计算偏微分方程的特性在不同地区。近年来,局部二进制模式(LBP)方法在纹理分割,取得了满意的效果,可以有效地提取图像的纹理特性(15]。与伽柏和小波变换滤波器相比,基于LBP算法的分割结果更和计算效率更高,但与更复杂的纹理图像的分割结果需要改进。自然图像的纹理往往是高度复杂的,随机的,不规则的,所以只考虑颜色和纹理特征的包容不能达到准确的结果(16]。伽柏基于过滤器模型需要选择适当的图像渠道来获得期望的结果。施等人提出了N-Cut削减(归一化)方法,将图像视为一个无向图权重;计算相似度,节点之间的权重,使用像素之间的颜色和亮度信息;和削减提出规范化的标准图形,将图像划分为两个部分:目标和背景,这种方法会导致oversegmentation或undersegmentation [17]。
提出的模型,Mumford-Shah模型是变分图像分割的基础上,和它的基本思想是将部分具有分段光滑的图像图像及其边界近似;然而,问题是无法解决的由于图像的维数不一致和等值线(18]。促进直接计算,文献介绍了水平集函数划分区域,表示分段线长度的全变差(电视),和转换的Mumford-Shah模型分段恒定值退化到Chan-Vese变分模型集成在该地区,和黄等人直接采用二进制标记功能,提出了基于二进制标记Chan-Vese变分模型函数(19]。这些变分模型是基于二进制标记功能。来描述图像的纹理特性,布莱松等人改变了经典Mumford-Shah模型使用外地运营商为外地Mumford-Shah模型,它提供了一个良好的框架,用于纹理图像分割。本文是在此基础上扩展研究。因为彩色纹理图像包含更多的纹理特征和颜色信息,模型的鲁棒性变得越来越苛刻,和多种渠道参与颜色模型的操作会导致模糊纹理特征和边缘信息和糟糕的分割结果层叠加时,这是研究人员关注的问题。经典的活动轮廓模型,蛇模型,Mumford-Shah模型,几何活动轮廓模型,测地线活动轮廓模型,等等,不同于基于单一特征的图像分割算法;活动轮廓模型结合了基于集合的方法和能量水平功能的同时,使用图像边界的特点和地区在同一时间;图像分割方法的曲线演化。Dehkordi提出一种方法来查看图像作为一组组成的水平集曲线演化曲线是含蓄地表示为0-valued映射方法对高维函数(20.]。确定目标边界,该方法处理的问题出现在零电平的一组曲线的拓扑控制零电平设置的演变曲线。哈桑了非参数模型嵌入演化曲线的几何活动轮廓模型的水平集方程(21]。想法是利用图像信息和连续曲线来定义问题特定的能量泛化和图像边缘,分别通过求解欧拉方程的变分原理来获取相应的方程(22]。通过求解欧拉方程的变分原理,对应的曲线演化方程,然后,水平集函数的梯度流动方程,介绍了最优分割封闭轮廓线可以通过数值求解这个方程。解决问题的能力的参数活动轮廓模型是这个模型的主要优势。
虽然深度学习可以大大提高分析和诊断的一些重要疾病,仍然很难应对全球损伤和结构复杂的病变复杂的临床需求,和许多医学成像问题将不会在短时间内解决,如脑出血的CT图像。这是因为方法如深度学习的质量和数量是有限的样本和算法的有效性,解决问题的不足,准确性和效率需要进一步提高。研究和优化的核心算法和结构脑出血的CT图像,使模型更加准确,快速、有效地分析医学图像,必要的手段和步骤的“人工智能+医学成像”是必需的。
3所示。Mumford-Shah医学CT图像特征提取和模式识别分析
3.1。改善Mumford-Shah模型
古典Mumford-Shah模型解决图像分割问题在数学层面上通过将图像分割的曲线演化过程转换为图像分割结果的集成特性和分割问题解决模型广义函数的最小化问题。芒福德的纸和沙,能量芒福德和沙提出的广义表达式
在解决Mumford-Shah模型中,使用最广泛的方法求解广义最小的能量水平集方法(23]。水平集方法是用一个封闭曲线的数学模型来解释空间可以表示成一个三维的交集表面和一个平面,和一个封闭的曲线在空间可以表示为不同水平集从一群表面和一个平面的交点随时间。这意味着研究对象转换成一个曲面进化问题跟踪高阶表面的进化,进化和数值计算进行迭代。因此,该模型具有动态变化的特点和自适应拓扑,和目标的轮廓曲线迭代后终于获得。纯水平集方法是使用曲线演化曲线近似图像分割的概念,而解决Mumford-Shah模型的水平集分割方法是把模型曲线演化过程和曲线的能量表达式转换成一个水平集函数。目前,水平集方法已广泛应用于二维和三维空间图像,并与其他算法相比,分水岭算法和阈值等方法,水平集方法经常用于医学领域。水平集方法和Mumford-Shah基于水平集方法的模型算法已被广泛用于图像分割的二维和三维空间。
虽然纯水平集方法是近似图像分割曲线的曲线演化,解决Mumford-Shah模型的水平集方法是查看模型作为一个曲线演化的过程,将曲线的能量表达式转化为一个水平集函数在一个迭代过程和解决它。简而言之,解决能源泛化水平集函数的简化Mumford-Shah模型的水平集算法和解决数值问题的能量进一步泛化功能。通过上述分析,水平集函数的闭合曲线在一个二维图表示如下:
除了上述水平集方法中,一个被广泛接受的,不断改进模型结合Mumford-Shah模型的水平集方法是C-V Chan和Vese提出的模型。整理和简化能量的xm模型的泛化。
在解决过程中,C-V模型解决了使用水平集方法,取代了封闭的目标轮廓水平集函数 ,它允许获得泛化的能量函数。
在这一章,我们改进解决Mumford-Shah模型基于Mumford-Shah模型本身,和我们不介绍这里的变分模型的解决方案。当前算法的数值近似Mumford-Shah模型主要分为近似使用凸优化算法如split-Bregman和PDE偏微分方程的解决方案基于欧拉方程(24]。在split-Bregman近似算法,算法,常用的近似凸优化算法,是一种迭代计算获得的序列结合原师迭代算法和分割算法通过变量替换。和上述方法求解偏微分方程基于欧拉方程主要用于解决Mumford-Shah模型使用水平集算法和基于Mumford-Shah C-V算法模型,它将能源Mumford-Shah模型的泛化转换成解欧拉方程的变分定理。然而,这个方程不能直接获得最小值,解决和当地需要近似极值的梯度下降法,所以解决方案过程更为复杂,结果可能不是全局最优的解决方案。
凸松弛技术用于解决离散变量的近似最优解或凸函数通过放松成一个凸优化问题。简而言之,一个单点的原始定义的域设置放松实数范围和目标函数的调整,或非凸函数转化为一个凸函数,这样就没有比原目标函数,然后,可以使用凸优化方法。为了避免这种限制,我们还需要做出调整的目标函数定义中凸域,这样它就可以被直接数值求解的分析方法,然后,它可以纠正。凸优化方法广泛应用于解决最优解的问题,因为获得局部最优解在一个凸问题相当于全球问题的最优解。此外,凸优化的拉格朗日对偶提供凸优化算法的优越性,以确保其最优解的有效性。对于凸放松技巧,常见的是拉格朗日松弛算法,线性规划松弛算法,和成对编程松弛算法,如图1。
能量极小极大问题解决方案的推广,我们首先定义一个广泛的解决方案模型。
简而言之,不考虑平滑的成本,那么能量像广义函数的最小值问题是解决最低的问题(8)如下:
考虑上述优化问题作为一个线性规划问题,然后我们就可以获得其对偶问题如下:
考虑到能源模型的一般化公式中的变量存在的形式主要是集,直接解决这个问题将是一个np难问题。为了更好的找到或近似最优解,我们调整图像特性的模型,并提出一个指标函数的概念,认为能源泛化的保真项函数,即:,积分输入图像和分割图像,并解决主要通过调整边缘方面的指标函数。BV有限方差和成对的想法主要是用来组织成电视总方差的形式,和模型放松为一个凸优化问题使用凸松弛技术(25]。在优化过程中,可能存在一个局部最小值。为了避免这种限制,我们需要做出的调整目标函数凸域,这样我们就可以直接通过分析解决优化数值方法,最后一轮。改进的凸优化问题,在阅读一系列的文学,我们决定使用Chambolle-Pock算法离散化放松电视总方差模型,然后计算,主要用于离散电视总方差的一部分。在理论分析之后,我们给的台阶Chambolle-Pock算法应用于该模型。
聚类方法,通常称为无监督学习算法,简单意味着数据集分为不同的类或集群根据一些标准,和每个类中的数据或数据特性或集群尽可能相似,而不同的类或簇之间的差异尽可能大,获得的数据聚类往往差异很大,不同的计算方法或给定的训练集。到目前为止,聚类算法已广泛应用于不同的领域,和高维数据聚类算法应用在深度学习等领域,数据挖掘和统计不断改善。
本地频谱直方图通常使用伽柏进行过滤,而其他常用的过滤器是一个高斯滤波器,高斯滤波器与拉普拉斯算子,或一个简单的过滤强度。考虑到我们将使用该本地频谱直方图全部在我们的实验中,我们将使用伽柏过滤实验。为应用程序的本地频谱直方图,我们首先选择伽柏滤波器在图像数据采取行动,从而产生过滤图像 ,从这我们可以获得这个特性提取器。
我们使用不同的结构区域的平均特性作为特征提取器。
除了上面介绍的两种数学模型和分析他们的理论在图像分割领域的可行性,我们也把我们两个角度提出改善并给出算法的详细步骤。我们编纂在上面两章提出的改进算法应用到一个真实的图像分割实验,因此测试算法的可行性和算法的性能和效率从实用的角度,如图2。
曲线演化过程是利用能量最小化泛化功能,和曲线的长度是由下面的概括函数定义的。
最好颜色特征反映了表面属性中包含的物体或场景的一个图像,每个像素在图像有其意义和贡献。不仅颜色特征描述全球功能捕捉地方特色的形象,他们在本质上是对敏感。虽然颜色特征有其优势,也有自己的缺点。颜色特征是基于像素点的特征,所以他们不能覆盖区域像素之间的关系信息,多尺度信息等。
活动轮廓模型方法的图像分割问题转化为一个曲线演化的问题。根据曲线的表示和实现,可以分为参数活动轮廓模型轮廓活跃模型和几何活动轮廓模型。拉格朗日公式的参数活动轮廓模型显式表示演化曲线,而几何活动轮廓模型表示演化曲线隐式地利用水平集演化从欧拉公式。一些方法利用先验知识来确定肝脏的灰度范围,快速但可能失去效力时目标的灰度不均匀变化。
3.2。实验设计的医学CT图像特征提取和识别
在CT图像的采集和传输的脑出血、噪声往往是生成的。当正常和病理组织的衰减系数非常接近,噪声的存在会降低图像的信噪比,这将使边缘的细节脑出血血肿的蒙面的图像噪声,所以血肿的分割效果差,在严重的情况下,它将直接影响疾病的医生的判断。从上面的问题,我们可以从脑出血的CT图像分析,去除噪声是预处理过程的一个基本部分。对于不同的计算方法或给定的训练集,通过获得的数据聚类通常是非常不同的。到目前为止,聚类算法已广泛应用于不同的领域,和聚类算法对高维数据用于深度学习等领域,数据挖掘和统计数据也不断提高。脉冲噪声、高斯白噪声和混合噪声是脑出血的CT图像中常见的噪声。其中,脉冲噪声的位置是随机的,但噪声的振幅不变,而高斯白噪声的位置是确定的,和它的幅值是随机改变(26]。混合噪声的噪声和脉冲噪声和高斯白噪声。在去噪过程中,需要选择对应的去噪算法根据噪声的特点,例如,对于椒盐噪声,中值滤波算法具有更好的处理结果,但对于高斯噪声,中值滤波算法更有效。这时,均值滤波算法,小波算法,应该选择或维纳滤波算法,但这些算法不适合处理椒盐噪声。
形状特征图像的稳定属性,不随图像比例尺,亮度,或观点和局部不变量。形状特性包括轮廓特性,关注对象的外边界和区域特性,整个形状地区目标。的边界特征法的主要思想是描述图像的边界特征通过一些边界检测方法获得的形状参数与特征的意义。典型的方法是哈夫变换检测平行直线法和边界方向直方图的方法。转换连接像素边缘形成一个封闭的区域边界;边界方向直方图通常是构造图像的灰度梯度方向矩阵,使获得的图像边缘直方图,如图3。
空间关系是指相互空间位置信息或相对定位信息在多个分割图像中目标的关系。空间位置信息可以分为两类:相对空间位置信息,强调目标之间的相对情况和绝对空间位置信息,强调目标之间的距离大小和方向。相对方向关系是指连接/邻接关系、重叠/重叠关系,包含/包容关系等。空间关系特征有一定的区别的权力,但不旋转不变性和尺度不变的形象。有两种方法来提取图像的空间关系特征:首先是根据一些图像分割成多个区域分割算法,然后在这些地区提取特征并建立索引;直接图像分割成均匀的固定块,然后提取单个块特性并建立索引。
能量一般基于函数的分割方法是在现有的图像分割方法的一个研究热点,它主要包括参数活动轮廓模型所代表的蛇模型和几何活动轮廓模型基于水平集方法;后者通常被称为水平集方法。水平集方法的核心思想是使用连续曲线来表达目标轮廓和泛化定义一个能量函数,以便其独立变量包括曲线,将分割过程转换为一个求解的过程概括函数的最小能量。在传统的方法中,初始点的平均位置通常是设定在映射的两个腔冠状模型,以避免误判腔的位置。这是因为一个一致的定义的初始点是至关重要的在使用最低基于路径的路径跟踪的方法,特别是在冠状动脉中心线的提取。然而,使用这种方法,使用平均位置而不是腔的位置对齐过程中引入了一个巨大的位置误差。因此,基于模型的直接冠状中心线提取最短路径算法使用了一个3 d哈尔特征和概率提高了树框架来检测腔的位置。这种方法结合了图像强度信息和信息处理的容器的特性计算算法和训练,可以提高检测的精度,如图4。
比较上述两种情况下,轮廓初始化将导致一些时间浪费;因此,本文可以取代人类初始化的过程与疑似血肿地区检测(23]。然而,血肿检测主要围绕的任意位置血肿,血肿大小的特异性,血肿的不规则形状,如果一个矩形框是用来定义血肿,矩形有不同的纵横比。由于血肿有不同的纵横比,太昂贵的解决血肿使用经典的滑动窗口检测问题结合图像缩放。
阈值分割方法,利用图像的灰度信息区域进行处理。阈值分割的概念是相对简单的,核心在于获得适当的灰度阈值将图像中每个像素,和阈值的选择变得异常重要。通常,阈值是由图像的灰度分布,可以通过特定的规则计算。该方法尤其适用于图像的广泛分布的差异背景和前景像素。在实际应用程序中,使用这种方法的关键是找到区分前景与背景的阈值。得到正确的阈值,通常是使用枚举方法,和大小不同的阈值带入所需操作获得前景和背景的组合方差计算为每个阈值,和所需的阈值是通过确保组合方差是一个极端的价值。
4所示。分析的结果
4.1。Mumford-Shah结果
验证距离正则化水平集算法的优越性,结合区域信息和边缘信息,很多实验都做了摘要和一些参数设置如下。时间步长是1,不断鼓吹设置为5,是1.5和0.8,5,根据图片设置不同的迭代次数。第一列显示原来的腹部CT,第二列显示了本文算法的分割结果,第三列显示之间的对比图像算法和金本位(红色是算法的分割结果,绿色是黄金分割的标准);从图5,我们可以看到算法和黄金标准只有一个小错误,可以达到良好的分割结果。进一步评价分割算法的性能,我们对分割结果进行数学计算,黄金标准分割,和五个绩效指标我们用区域重叠错误,记得,骰子指数、相对面积差异,和准确性,显示计算结果。从图中,我们可以看到,本文算法实现性能良好的指标。
测试本文算法的能力部分肝脏图像与非均匀灰度腹部CT,距离我们比较正规化水平集包含区域信息和边缘信息与正规化水平集的距离只由单一的边缘信息。确保公平的实验中,我们反复做了几次实验改进DRLSE模型和edge-based DRLSE模型本文和获得一些实验结果,我们选择最好的展示。的主要思想是设置灰度阈值的等值面,比较的体素的八个角阈值的表面,并判断体素的八个角落属于等值面。连接体元角分等值面,形成表面的三维数据字段的信息。如图,我们给三个腹部CT图像的分割结果;第一列是原始的CT图像,第二列是DRLSE的分割结果有所改善,第三列的分割结果edge-based DRLSE。从图中,我们可以看到距离正则化水平集是由只有单一的边缘信息,导致边缘泄漏。
一般来说,像素点的灰度值的分布在一个图像可以用高斯函数近似。分段灰度不均匀图像时,重要的是要选择合适的尺度参数啊,因为灰度不均匀图像在不同地区不同而不同。如果我们说只有一个规模用于整个图像,然后我们不能准确地获得当地社区每个像素点的特征信息,也是值得思考如何确定这个单一的规模这样可以最优分割的效果。本文通过多尺度的方法,我们可以获得不同尺度参数分布不均与不同的分割区域灰度图像,如图6。
脸上画是指相当于脸上呈现和平滑操作直接获得一个对象的三维模型。一个等价的表面与相同的值的集合点。最常用的方法面对绘画是行进的多维数据集的方法。游行立方体(MC)的主要思想方法是设置一个等效表面的灰度阈值,比较体素的八个角点的阈值等效表面,并确定体素的八个角点是否属于等效表面。体元角分位于等效表面相连,构成了表面3 d数据字段的信息。身体画体素的处理对象,通过体素的不透明度值和颜色值直接表达目标对象,和体素是一个立方的区域组成的8个相邻采样点。中多体的绘制方法如光与影投影和滚雪球,最常用的方法仍然是光线和阴影投影方法,因为光线和阴影投影法符合人眼感知的物体成像,也可以实现良好的精确度。虽然身体缺乏大型计算绘图算法,与相应的图像处理硬件技术的成熟,这种方法将成为未来的主流算法3 d重建。
4.2。医学CT图像特征识别结果
过滤的图像特征与统计学意义和诊断能力强,功能优化是通过计算评价指标执行的价值和AUC值并降低特征向量的维数。当 ,它表明,特征显著;当 ,这表明,具有诊断意义的特性。在此基础上,既满足渐近意义的特性 和 选择条件,形成最终的特征向量作为输入的分类模型,用于研究积极的分类异常肝脏CT图像。因为大量的特征提取方法,得到了许多功能,只有一些特性,满足的要求和AUC值被选中,如图7。
肝脏CT图像处理传统的特征提取方法;特征,如灰度同时代的矩阵应用灰度共生矩阵建立(),灰度梯度同时代的矩阵(GGCM),局部二进制模式(LBP),和基于不变矩的形状不变矩的(胡)提取;选择最优特征作为分类器的输入根据渐近意义价值和AUC值;分类精度评估的评价指标SEN, SPE, PPV, NPV,和ACC用于评估性能;肝脏CT图像的分类精度的正异常终于获得;和具体的实验结果如图8。
分析数据在图8,可以得出结论:功能由单一灰度共生矩阵方法提取,GGCM,枸杞多糖,和基于不变矩的胡有一些描述图像信息的能力,但融合后的精度低于精度的四个方法,因为单一特征描述。与最有效的形状不变矩法相比,SEN, SPE, PPV, NPV, ACC提高了10%,15.1%,10.8%,14%,和12.2%,分别。与最好的实验枸杞多糖方法相比,SEN, SPE, PPV, NPV,和ACC提高了2.5%,3.8%,2.7%,3.5%,和3.1%,分别。不仅融合特征图像的灰度梯度信息也是当地的特色信息以及图像的形状和轮廓信息,使功能更全面的描述,准确率明显提高。准确率低于融合后的准确率的四个方法。与最坏的实验形状不变矩法相比,SEN, SPE, PPV, NPV, ACC提高了10%,15.1%,10.8%,14%,和12.2%,分别。与最好的实验枸杞多糖方法相比,SEN, SPE, PPV, NPV,和ACC提高了2.5%,3.8%,2.7%,3.5%,和3.1%,分别。不仅融合特征图像的灰度梯度信息也是当地的特色信息以及图像的形状和轮廓信息,使功能更全面的描述,准确率明显提高。主要的思想是设置灰度阈值的等值面,比较的体素的八个角阈值的等值面,并判断体素的八个角落属于等值面。我们连接体元角分等值面形成表面三维数据字段的信息。
深度特性得到SE-ResNeXt融合了传统方法获得的高质量特性和逻辑回归分析,最后精度达到97.65%,提高1.25%的准确性与融合传统特性和仅0.35%,深度特性的准确性,所以根据一些实验的结果,提出multifeature融合肝脏CT图像特征提取方法验证基于深度学习有一定的优势和可行性。
通过深度学习训练图像获取高层语义特征,融合的特性与高辨别力传统算法,得到的特征向量,可以全面描述图像信息,这有效地改善肝脏CT图像的分类和识别精度。本章算法的可行性和有效性进行了验证由几个比较实验,并使用该算法提取的特征同时包含底层细节信息和高层语义信息,从而可以充分描述肝脏CT图像。
5。结论
提高经典Mumford-Shah模型后,我们给算法的详细步骤,代码和测试一组二维医学CT图像。实验侧重于脾脏在CT图像的分割。在实验之前,我们的火车模型与20 2 d图像来确定我们的提出的改进算法的参数值。此外,为了更好地分析该算法的性能,我们还对相同的数据进行比较实验使用两个类似的算法:clustering-based图像分割算法和该Mumford-Shah模型分割算法。这些实验的结果,我们发现,我们的算法具有更好的分割结果的器官的CT图像。实验的分段的脾CT图像,我们的算法的效率和精度更好,分割结果优于其他两个类似的算法。在这个项目中,我们的主要研究对象是CT图像,所以我们选择当地的频谱直方图特征提取,而对于其他类型的图像数据,其他特征提取算法需要根据图像类型和特征选择。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。
确认
这项工作得到了上海中西医结合协会、科研基金项目:生物的研究建立标准和质量控制。YG017。