, and , respectively. It was found that α1 value of BL image was significantly lower () than DLBCL. However, there is no difference between the groups A and B BLs. Hence, it can be concluded that α1 value based on DFA statistics concept can clearly distinguish BL and DLBCL image."> 二维矩阵算法使用去趋势波动分析区分Burkitt和弥漫型大b细胞淋巴瘤 - raybet雷竞app,雷竞技官网下载,雷电竞下载苹果
标志”src=

计算和数学方法在医学
PDF
计算和数学方法在医学/2012年/文章
特殊的问题

数学方法在生物医学成像

把这个特殊的问题

研究文章|开放获取

体积 2012年 |文章的ID 947191年 | https://doi.org/10.1155/2012/947191

Rong-Guan叶、林Chung-Wu Maysam f . Abbod Jiann-Shing Shieh, ”二维矩阵算法使用去趋势波动分析区分Burkitt和弥漫型大b细胞淋巴瘤”,计算和数学方法在医学, 卷。2012年, 文章的ID947191年, 8 页面, 2012年。 https://doi.org/10.1155/2012/947191

二维矩阵算法使用去趋势波动分析区分Burkitt和弥漫型大b细胞淋巴瘤

Rong-Guan叶,1 Chung-Wu林,2 Maysam f . Abbod,3 和 Jiann-Shing Shieh1,4

1元智大学机械工程系,135 Yuan-Tung路,坜32003年,台湾

2病理学系,国立台湾大学医院,100年台北,台湾

3工程和设计学院的布鲁内尔大学,英国伦敦UB8 3 ph值

4动力生物标志物和转化医学中心,国立中央大学,32001年可行性,台湾

学术编辑器:Wenxiang琮
收到了 2012年9月19日
接受 2012年11月19日
发表 2012年12月29日

文摘

去趋势波动分析(DFA)方法应用于图像分析。二维(2 d) DFA算法提出了重新描述图像的淋巴节。由于伯基特淋巴瘤(提单)和弥漫型大b细胞淋巴瘤(DLBCL),有一个显著不同的化学治疗后的5年生存率。因此,区分提单和DLBCL的区别是非常重要的。在这项研究中,十八提单图像分为A组,一到五的细胞遗传学变化。十提单图片被归类为B组,有5个以上的细胞遗传学变化。A和B两组BLs咄咄逼人的淋巴瘤,生长非常快,需要更多的强化化疗。最后,十DLBCL图像分为组c .短期相关性指数α1值的DFA的组A、B和C , 和 ,分别。结果发现,α1提单图像像素的值显著降低( 比DLBCL)。然而,A和B组之间没有区别。因此,可以得出结论α1值基于DFA统计概念可以清楚地分辨提单和DLBCL形象。

1。介绍

自然现象几乎是随机、非线性、非平稳的无序和不确定系统。很难完全遵循传统的牛顿规则预测或控制。因此,开放调查复杂的分形方法,粗糙,碎片的形状和自然noninteger维度对象(树木,海岸线,云,山,等等)是必要的。在1960年代,数学家曼德布洛特已经表明分形对象的特征的复杂几何不能不可或缺的维度(1]。这种现象通常是表达的空间或时域统计扩展法律和主要表现为幂律实际物理系统的行为。它代表了分形应用于对象在空间或时间的波动,具有自相似性的一种形式2]。对象具有自相似性的意思;对象表示的变种相同的定性,无论减少或放大的对象。自相似性是一种方法来计算分形维数。例如,一个可以细分一个线段 自相似的间隔,每个都有相同的长度,每个可以放大其中的一个因素 产生原始的段(3]。由于分形几何有大约的副本,分形维数是一致的在一个广泛的范围内,这被称为尺度不变性(4]。这个属性提供了一个有用的复杂对象的测量。

DFA方法是由一个修改后的均方根分析随机漫步排除当地趋势特征时间尺度的波动引起的多组分体系,使其远程相关性(5- - - - - -7]。它原本是一个方法来衡量规模不变的行为由彭et al。6),评估各种规模的趋势存在与否的分形时间序列数据的相关性属性8,9]。该方法已应用于心率动态等自主神经系统(10),充血性心力衰竭(8),扩张型心肌病(11,心室纤维性颤动12),和其他生理的非平稳时间序列系统(DNA序列(13),神经元飙升(14,15),人体步态分析(16),脑电图(EEG)在睡眠17- - - - - -20.),股票收益(21],周期性规律[22],估计依赖[23),等等)。经验表明,monodimensional去趋势波动分析(DFA)用于扩展分形时间序列分析是准确和容易实现无论在长期和短期时间尺度系列(24,25]。近年来,有一些修改DFA方法等研究,提出了广义monodimensional DFA和多重分形去趋势波动分析(MFDFA)高维派生版本和多重分形去趋势互相关分析方法探讨多重分形行为在两个时间序列之间的幂律交叉相关性或高维数量记录(26- - - - - -28]。多重分形去趋势的互相关分析基于DFA (MF-X-DFA) [27)实际上是一个多重分形去趋势的泛化互相关分析(DCCA) [29日),其他变体如多重分形去趋势互相关分析基于DMA (MF-X-DMA) [30.]。这些研究结果验证了对区分合成表面的分形和多重分形特性(包括分数布朗和多重分形表面),一/二维互相关两个金融时间序列,和交通时间序列线性/非线性相关分析(找到交通流量和体积数据的交叉相关性)。

尽管有许多种类的恶性淋巴瘤,其中一个是激进的b细胞淋巴瘤。弥漫型大b细胞淋巴瘤(DLBCL)是最大的一类激进的b细胞淋巴瘤。不到50%的患者可以通过结合化疗治愈(31日]。DLBCL有两个重要的子组,生发中心B-cell-like (GCB)和激活B-cell-like (ABC)淋巴瘤。在医学、互补脱氧核糖核酸微阵列方法可以成功地用于区分GCB和ABC DLBCL。的优势区分GCB和ABC DLBCL子组有显著不同的化学治疗后5年生存率超过60% (GCB) (32,33]。伯基特淋巴瘤之间也存在类似的情况(提单)和DLBCL。两个淋巴瘤都归类为激进的b细胞非霍奇金淋巴瘤在世界卫生组织(34]。因此,如何区分提单的区别和DLBCL是一个挑战,因为两种疾病需要不同的治疗和有不同的治愈率。现有的诊断和分类之间的提单和DLBCL评估他们的形态,immunophenotypic和细胞遗传学特性和临床结果35,36]。最近,崔等人研究[37(即)已经成功应用非医学的方法。,statistical and engineering methods, linguistic analysis, and ensembled artificial neural networks) to classify two types of GCB and ABC DLBCL. Because fractal temporal process may generate fluctuations on different area scales that are statistically self-similarity [38),因此,同样的分形时间的概念过程和细胞图像的统计自相似性,如图1因为淋巴瘤细胞存在或大或小的同时,可以很容易地显示统计自相似性特征。在这篇文章中,一个非医学的方法/ DFA的二维(2 d)算法提出了基于最初的概念设计方法。该方法被用来重新描述图像的淋巴节。预计2 d DFA可能有助于区分提单和DLBCL部分图像。


图1
假树(左边)和真正的淋巴瘤细胞(右手边)显示模式重复的自相似性特征在不同的缩放尺度。

2。材料和方法

2.1。材料

共有38个淋巴节图片编号分成3淋巴瘤组被用于分类如表所示1。十八个提单图像分为A组,有一个5细胞遗传学变化。十提单图片被归类为B组,有5个以上的细胞遗传学变化。A组和B劳工统计局都是优质咄咄逼人的淋巴瘤,生长非常快,需要更多的强化化疗。最后,十DLBCL图像被分组为c .健康细胞的一些图片,提单和DLBCL(4080×3072像素),如图所示2。
组 箱号
一个 伯基特淋巴瘤(提单) 一到五细胞遗传学变化 18
B 5个以上的细胞遗传学变化 10
C 弥漫性大B细胞淋巴瘤(DLBCL) 10
表1
伯基特淋巴瘤的组织(提单)和弥漫性大B细胞淋巴瘤(DLBCL)部分图片和箱号。
(一)”name=
(一)
(b)”name=
(b)
(c)”name=
(c)
(d)”name=
(d)
图2
健康的细胞图像,提单和DLBCL。(一)健康的细胞图像,图像(b)提单(一到五细胞遗传学变化),(c)提单形象(超过5细胞遗传学变化),和(d) DLBCL图像,图像是4080×3072像素。
2.2。二维分析DFA算法

monodimensional DFA方法中描述的算法6)量化碎片形的相关性属性通过计算均方根的标度性波动的综合和去趋势时间序列数据。为了说明DFA算法,(在一个时间序列信号 样品)和分析如以下方程: 在哪里 是 th样本信号; 是整体的平均信号;和 的价值吗 综合时间序列的样本。然后,集成和去趋势波动的时间序列为给定窗口的规模 通过计算 在哪里 是一个集成的时间序列的波动和规模对于一个给定的窗口吗 , 是 th点趋势中使用一个预先确定的窗口和规模 。一条直线的 与 情节表明幂律的存在分形尺度之间的相关性和去趋势波动的时间序列。重对数坐标图的斜率定义DFA比例指数α。为α指数,彭等人表明它作为一个指标,描述原始时间序列的“粗糙度”:更大的价值α,更平稳时间序列6]。

DFA在图像分析中的应用,二维的DFA算法应该细化集成和消除趋势的过程。考虑到集成在这两个维度,积分的公式应该是以下步骤。

步骤1。彩色图像应该灰度处理。考虑一个自相似的表面,它用一个二维数组 ,在那里 和 。的内容 是表面图像的像素值。像monodimensional DFA方法,第一个综合方程如下: 为 , ,在那里 像素的值吗 集成图像, 是 th像素的 列, 的平均值吗 列, 是 th像素的 th行, 的平均值吗 行。

步骤2。表面是划分 独立广场的大小相同 ,在那里 , , 最小值 。 可以用 ,段 为 , , ,在那里 和 。

步骤3。使用最小二乘法来计算矩阵的趋势 表示为 。这一趋势矩阵 线性回归的数学模型。这一趋势分解为行和列,两个方向。

步骤4。均方误差(MSE)代表了一个集成的波动和去趋势段图像的规模 作为 为 值将被最小化。

第5步。整体去趋势波动计算平均整体部分, 用(4)(5),(6) 然后 此外,最小平方大小的计划 被用来适应吗 th段局部图像的趋势。然后, th趋势可以从集成图像中删除 波动。DFA扩展指数之间的幂律关系被定义为使用尺度和派生的波动。最后,DFA标度指数α的直线 与 情节。

2.3。统计分析

值表示为±SD方法。数据分析了单向方差分析(方差分析)(SigmaStat统计软件,Jandel科学、圣拉斐尔,CA)。图基测试进行多重比较时零假设并不适用于同一组。也用于所有成对比较的反应不同的治疗组。差异被认为是重大的价值 。

3所示。结果与讨论

3.1。模拟

24图像( 像素,与淋巴节图片规模)被用来检查提出了图像分析的二维分析DFA方法。不同的形状、颜色和大小的图像。一些图像的仿真如图3。图像形状有圆和正方形,两种,颜色有白色,黑色,红色,绿色,蓝色,和混合颜色,六个模式和规模或大或小,两类。的标度指数α可以通过一个线性估计合身的重对数坐标图吗 与 。有三种类型的monodimensional DFA方法α价值。它代表了具有统计自相似性的相关性属性。反思二维DFA方法,全球的标度指数α的范围内值的计算 之间的 和 ,短期相关性指数α1计算之间的范围内 和 (7,39,40),和长期相关性指数α2的范围内计算 之间的 和 。策划 与 图片红色小圆DFA分析方法的图像被显示在图4。绘制曲线的末端显示近地平线。这一趋势是相似的其他23仿真图像。因为这条曲线的趋势,而不是显示线斜率风格,无法计算α和α2值,我们选择α1来计算总24仿真图像和对比了不同的形状,颜色,大小如表所示2。结果表明,不同形状、颜色和大小有不同的图片α1的值。24模拟图像显示三种情况。第一种情况是类似的形状与相同颜色都是大号的α1值大于体积小。更小尺寸形状意味着数字,形状和面积和长度有较大的值和复杂性都是相同的α指数粗糙度的概念从彭monodimensional DFA方法et al。6]。发现复杂的图像的价值较低α1。第二个案例是相似的大小(即。,the square diagonal length equal circle diameter) and color situation where the square shapeα1值大于或等于(只白色大图像)圆的形状α1的值。这个观察对应较大的区域(即形象。,圆面积)和较低α1值作为最初观察到。第三例是相似的形状和大小情况α1的值不同的颜色几乎没有显著差异。这意味着图像颜色影响很低在使用2 d DFA方法来分析图像特征。因此,当临床图像受光线的影响,由此产生的图像是不同的颜色,导致特征值的变化可以减少。总之,索引的α1值有独特的能力和图像分析的一致性。
图像 DFA的阴谋 α1值 图像 DFA的阴谋 α1值
947191. fig.007a”src= 947191. fig.007b”src= 0.65 947191. fig.007c”src= 947191. fig.007d”src= 0.29
947191. fig.008a”src= 947191. fig.008b”src= 0.47 947191. fig.008c”src= 947191. fig.008d”src= 0.29
947191. fig.009a”src= 947191. fig.009b”src= 0.43 947191. fig.009c”src= 947191. fig.009d”src= 0.33
947191. fig.0010a”src= 947191. fig.0010b”src= 0.47 947191. fig.0010c”src= 947191. fig.0010d”src= 0.32
947191. fig.0011a”src= 947191. fig.0011b”src= 0.43 947191. fig.0011c”src= 947191. fig.0011d”src= 0.33
947191. fig.0012a”src= 947191. fig.0012b”src= 0.48 947191. fig.0012c”src= 947191. fig.0012d”src= 0.36
947191. fig.0013a”src= 947191. fig.0013b”src= 0.65 947191. fig.0013c”src= 947191. fig.0013d”src= 0.47
947191. fig.0014a”src= 947191. fig.0014b”src= 0.73 947191. fig.0014c”src= 947191. fig.0014d”src= 0.38
947191. fig.0015a”src= 947191. fig.0015b”src= 0.73 947191. fig.0015c”src= 947191. fig.0015d”src= 0.36
947191. fig.0016a”src= 947191. fig.0016b”src= 0.63 947191. fig.0016c”src= 947191. fig.0016d”src= 0.36
947191. fig.0017a”src= 947191. fig.0017b”src= 0.75 947191. fig.0017c”src= 947191. fig.0017d”src= 0.35
947191. fig.0018a”src= 947191. fig.0018b”src= 0.72 947191. fig.0018c”src= 947191. fig.0018d”src= 0.61
表2
DFAα1的值24仿真图像。
(一)”name=
(一)
(b)”name=
(b)
(c)”name=
(c)
(d)”name=
(d)
图3
模拟图像。(一)白色的大圈,(b)黑色小圆,(c)红色的大广场,和(d)蓝色小广场,图像是4080×3072像素。图像的形状有圆和广场,两种类型。每个类型的颜色有白色,黑色,红色,绿色,蓝色,和混合颜色,六个模式,和规模或大或小,两类。

图4
红色小圆图像的情节与利用DFA分析方法。
3.2。健康的细胞,提单和DLBCL淋巴瘤图像计算结果

图5显示了一个健康的细胞图像绘制使用 与 基于DFA分析方法。图6显示提单的形象组织b淋巴瘤的所有仿真图像表明,图像也有类似的曲线趋势。因此DFA方法被用来计算α1值对于一个健康的细胞图像共有38淋巴瘤图像分为三组。的α1值图的健康细胞2(一个)0.50将健康细胞的清晰图像。短期相关指数的平均值α1组的A, B, C , , 分别如表所示3。可以看出健康的细胞α1值不同于淋巴瘤细胞。此外,α1提单的价值形象(BLs)显著降低( )比DLBCL图像(包括组A和C, B和C组)和没有区别BLs (A和B组)。因此,它可以得出结论α1值基于DFA统计概念清晰可辨提单和DLBCL图像之间的病理状态。
分类 A组 B组 C组 价值
1值 一个 b < 0.001
值表示为平均值±标准偏差。
使用方差分析的方法被认为是统计上的显著差异。
一个 A组和C组比较使用图基测试。
b B组与C组比较使用图基测试。
表3
DFA 1 Burkitt和DLBCL图像的价值。

图5
健康的细胞图像块与利用DFA分析方法。

图6
提单的形象(超过5细胞遗传学变化)的情节与利用DFA分析方法。

4所示。结论

DFA方法利用测量规模不变的行为存在与否的评价趋势分形时间序列数据的相关性属性8,9]。在这项研究中,2 d DFA方法推导和用于探索的趋势分形图像的地方α1值可以很容易地确定。

在这篇文章中,DFA方法已应用于图像分析。DFA的二维矩阵算法,集成和趋势分离流程,用于时间序列数据字段。DFA方法用于调查的特点,不同类型的模拟图像和淋巴瘤。淋巴瘤图像试验结果表明,短期相关性指数α1 DFA的价值获得提单和DLBCL统计显著差异。这个结果是非常令人鼓舞的,α1的值可以是一个指数,来帮助区分提单和DLBCL的医生。

然而,作者已经测试一个二维的矩阵表现形象的方程 (26]。2 d DFA结果计算矩阵的性能非常耗费时间。例如,一个图像(4080×3072像素)接管三天。这是不利的实时要求。因此,1 d DFA的概念被用来解决上述形象的问题。我们假设淋巴瘤细胞形状、颜色和大小是影响行和列细胞。通过这种方式,验证结果的计算时间是伟大的减少2 d DFA,约3小时为一个形象。幸运的是,计算结果的统计分析可以区分提单和DLBCL淋巴瘤。然而,A和B组在提单仍不能分类在这项研究。因此,还需要进一步的调查来提高分类的敏感性和特异性。 Results of this study can be compared to 2D DFA algorithm in [26在[]或2 d-dma算法41,42]研究广泛这个方法可以应用于临床分析。

确认

作者要感谢国家科学委员会(NSC)的台湾(批准号NSC - 155 - 007 - 99 - 2622 e cc2)支持这项研究。本研究也支持的动态生物标志物和转化医学中心,国立中央大学,台湾,也由国家科学委员会(nsc100 - 2911 - i - 008 - 001)。

引用

  1. 曼德布洛特,“某些投机价格的变化,”《华尔街日报》的业务,36卷,不。4、394 - 419年,1963页。视图:出版商的网站|谷歌学术搜索
  2. r·洛佩斯和n . Betrouni”分形和多重分形分析:回顾”,医学图像分析,13卷,不。4、634 - 649年,2009页。视图:出版商的网站|谷歌学术搜索
  3. w . Klonowski”、信号和图像分析利用混沌理论和分形几何,”机图形和视觉杂志9卷,第432 - 403页,2000年。视图:谷歌学术搜索
  4. o . Zmeškal m . Vesely m . Nežadal和m . Buchniček“分形分析的图像结构,”谐波和分形图像分析2001年,页3 - 5。视图:谷歌学术搜索
  5. c . k .彭s . v . Buldyrev s Havlin m·西蒙斯h·e·斯坦利和a . l . Goldberger“马赛克组织DNA的核苷酸,”物理评论E卷,49号2、1685 - 1689年,1994页。视图:出版商的网站|谷歌学术搜索
  6. c . k .彭s Havlin h·e·斯坦利和a . l . Goldberger”量化的标度指数和交叉现象在时间序列非平稳的心跳,“混乱,5卷,不。1,第87 - 82页,1995。视图:谷歌学术搜索
  7. r·g·叶j . s . Shieh g . y . Chen和c d .郭”去趋势波动分析短期心率变异性的孕妇,“自主神经系统,卷150,不。1 - 2、122 - 126年,2009页。视图:出版商的网站|谷歌学术搜索
  8. h·e·斯坦利·l·a·n·阿马拉尔a . l . Goldberger s Havlin p·c·伊万诺夫和c k .彭”统计物理学和生理学:monofractal和多重分形方法,”自然史一,卷270,不。1,第324 - 309页,1999。视图:出版商的网站|谷歌学术搜索
  9. j·s·r·g·叶g . y . Chen Shieh,和c d .郭”参数的调查去趋势波动分析短期人体心率变异性,”医学和生物工程杂志》上,30卷,不。5,277 - 282年,2010页。视图:出版商的网站|谷歌学术搜索
  10. t .中村公司总裁堀尾h, s . Miyashita y千叶,和s .佐藤”识别的发展和自主神经活动从心率变异性在早产儿中,“生物系统,卷79,不。1 - 3、117 - 124年,2005页。视图:出版商的网站|谷歌学术搜索
  11. n . g .马洪a·e·海德曼m . Padula et al .,“分形的rr间隔动力学的相关性属性扩张型心肌病患者无症状的亲戚,”欧洲心脏病杂志》上,4卷,不。2、151 - 158年,2002页。视图:出版商的网站|谷歌学术搜索
  12. t·h·Makikallio j . Koistinen l . Jordaens et al .,”前心率动态自发出现心室颤动患者治愈心肌梗塞,”美国心脏病学杂志》,卷83,不。6,880 - 884年,1999页。视图:出版商的网站|谷歌学术搜索
  13. c . k .彭s . v . Buldyrev Goldberger et al ., a . l .“在核苷酸序列长程相关性,”自然,卷356,不。6365年,第170 - 168页,1992年。视图:出版商的网站|谷歌学术搜索
  14. s . Bahar j . w . Kantelhardt a Neiman et al .,“远程颞anti-correlations白鲟电感受器,”Europhysics字母卷,56号3、454 - 460年,2001页。视图:出版商的网站|谷歌学术搜索
  15. s . Blesićs Miloševićd Stratimirović,m . Ljubisavljević”去趋势波动分析的时间序列解雇fusimotor神经元,”自然史一,卷268,不。3 - 4、275 - 282年,1999页。视图:出版商的网站|谷歌学术搜索
  16. j·m·豪斯多夫·米切尔,r . Firtion et al .,“改变分形动力学的步态:减少stride-interval相关性与衰老和亨廷顿氏舞蹈症,”应用生理学杂志,卷82,不。1,第269 - 262页,1997。视图:谷歌学术搜索
  17. j·m·李·d·j·金,即y . Kim k . s .公园和美国金,“去趋势波动分析的脑电图睡眠呼吸暂停使用MIT /波黑多导睡眠图数据,”计算机在生物学和医学,32卷,不。1,37-47,2002页。视图:出版商的网站|谷歌学术搜索
  18. j·m·李·d·j·金,即y . Kim k Suk公园,和美国金,“人类睡眠脑电图使用去趋势波动分析的非线性分析,“医学工程学和物理学,26卷,不。9日,第776 - 773页,2004年。视图:出版商的网站|谷歌学术搜索
  19. m . Staudacher上,阿曼,h . Hinterhuber和m . Ritsch-Marte”变点检测的新方法开发的在线分析心率变异性在睡眠中,“自然史一,卷349,不。3 - 4、582 - 596年,2005页。视图:出版商的网站|谷歌学术搜索
  20. c·j·斯塔姆,t·兹b·f·琼斯et al .,“干扰波动的静息状态的脑电图同步在阿尔茨海默氏症,”临床神经生理学,卷116,不。3、708 - 715年,2005页。视图:出版商的网站|谷歌学术搜索
  21. p . Grau-Carles“远程幂律在股票收益的相关性,”自然史一,卷299,不。3 - 4、521 - 527年,2001页。视图:出版商的网站|谷歌学术搜索
  22. r·纳和r . g . Kavasseri最小化的影响周期和准周期趋势去趋势波动分析,“混乱,孤波和分形,26卷,不。3、777 - 784年,2005页。视图:出版商的网站|谷歌学术搜索
  23. r . Weron,“估计远程依赖:有限样本属性和置信区间,”自然史一,卷312,不。1 - 2、285 - 299年,2002页。视图:出版商的网站|谷歌学术搜索
  24. r·g·叶j . s . Shieh韩y y y . j . Wang和s . c .曾“去趋势波动分析短期心率变异性在外科重症监护病房,“生物医学工程,18卷,不。2、67 - 72年,2006页。视图:出版商的网站|谷歌学术搜索
  25. r·g·叶韩y y j . s . Shieh y . j . Wang s c .曾和y . c .傅”Nonrandomness指数申请心率变异性在外科重症监护病房使用频率和排序统计,“生物医学工程,19卷,第311 - 303页,2007年。视图:出版商的网站|谷歌学术搜索
  26. g·f·顾和w x周”,为在高维分形和多重分形去趋势波动分析,“物理评论E,卷74,不。6、文章ID 061104, 2006。视图:出版商的网站|谷歌学术搜索
  27. w x周”,多重分形去趋势互相关分析两个非平稳的信号,”物理评论E,卷77,不。6、文章ID 066211, 2008。视图:出版商的网站|谷歌学术搜索
  28. k .董和p .商”,统计特性的去趋势互相关分析,“北京交通大学学报,34卷,不。6,64 - 67年,2010页。视图:谷歌学术搜索
  29. b . Podobnik h·e·斯坦利,“去趋势互相关分析:两个非平稳的时间序列分析的新方法,”物理评论快报,卷100,不。2008年8篇文章ID 084102。视图:出版商的网站|谷歌学术搜索
  30. 江z .问:和w x周,“多重分形消除趋势移动平均线互相关分析,“物理评论E,卷84,不。1,文章ID 016106, 2011。视图:出版商的网站|谷歌学术搜索
  31. t .安藤m . Suguro t .堆,t .小林h .本田和m .濑户”模糊神经网络应用于基因表达分析预测弥漫型大b细胞淋巴瘤的预后,”日本癌症研究杂志》上,卷93,不。11日,第1212 - 1207页,2002年。视图:谷歌学术搜索
  32. g·赖特,B, A·罗森沃尔德e·h·伤害,A . Wiestner和l . m . Staudt”基因表达式的方法来诊断弥漫性大B细胞淋巴瘤临床不同的子组,“美国国家科学院院刊》上的美利坚合众国,卷100,不。17日,第9996 - 9991页,2003年。视图:出版商的网站|谷歌学术搜索
  33. c·p·汉斯·d·d·Weisenburger t·c·格林尼et al .,“确认的分子分类弥漫型大b细胞淋巴瘤的免疫组织化学使用组织微阵列,”血,卷103,不。1,第282 - 275页,2004。视图:出版商的网站|谷歌学术搜索
  34. c·贝兰l .斯特凡诺·d·f .会e·a·Rogena l·洛伦佐,”伯基特淋巴瘤与弥漫型大b细胞淋巴瘤:一种实用的方法,”血液肿瘤,28卷,不。2,53-56,2010页。视图:出版商的网站|谷歌学术搜索
  35. n .中村h . Nakamine j . i Tamaru et al .,”伯基特淋巴瘤之间的区别和弥漫型大b细胞淋巴瘤与原癌基因重排,”现代病理学,15卷,不。7,771 - 776年,2002页。视图:出版商的网站|谷歌学术搜索
  36. x f .赵哈桑,a·佩里y Ning, s . a .换成和l . p . dehn”原癌基因重组频繁与非典型形态积极成熟的b细胞淋巴瘤,”国际临床与实验病理学杂志》上,1卷,不。1,第74 - 65页,2008。视图:谷歌学术搜索
  37. 崔x, c·w·林,m . f . Abbod问:刘,和j·s . Shieh”弥漫型大b细胞淋巴瘤分类使用语言分析和整体人工神经网络,”台湾化学工程师学会杂志》上,43卷,不。1、15 - 23,2012页。视图:出版商的网站|谷歌学术搜索
  38. a . l . Goldberger l·a·n·阿马拉尔j·m·豪斯多夫·c·伊万诺夫c . k .彭和h·e·斯坦利“分形动力学生理学:与疾病和衰老改变,”美国国家科学院院刊》上的美利坚合众国,卷99,不。1,第2472 - 2466页,2002。视图:出版商的网站|谷歌学术搜索
  39. t·h·Makikallio t . Seppanen k . e . j . Airaksinen et al .,“动态分析心率可能预测随后的心肌梗死后室性心动过速,”美国心脏病学杂志》,卷80,不。6,779 - 783年,1997页。视图:出版商的网站|谷歌学术搜索
  40. t·h·Makikallio t . Ristimae k . e . j . Airaksinen c . k .彭a . l . Goldberger和h v . Huikuri”患者的心率动态稳定心绞痛和分形的效用和复杂性的措施,”美国心脏病学杂志》,卷81,不。1,第27 - 31页,1998。视图:出版商的网站|谷歌学术搜索
  41. a .痈”算法来估计高维分形的赫斯特指数,”物理评论E,卷76,不。5、文章ID 056703, 2007。视图:出版商的网站|谷歌学术搜索
  42. g·f·顾和w x周”,多重分形消除趋势移动平均算法”,物理评论E,卷82,不。1,文章ID 011136, 2010。视图:出版商的网站|谷歌学术搜索

版权©2012 Rong-Guan叶等。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。

更多相关文章

PDF 下载引用 引用
下载其他格式更多的
ePub
XML
订单打印副本订单
的观点2332年
下载1409年
引用

相关文章

文章奖:2020年杰出的研究贡献,选择由我们的首席编辑。获奖的文章阅读。