定制的第一和第二次序统计基础运营商支持先进的核磁共振图像纹理分析

文摘

纹理分析是一个过程,突出主要特征从而提供一个详尽的和明确的数学描述的任何对象代表一个数字图像。每个特点是连接到一个特定的对象的属性。在某些情况下提到的属性代表方面视觉可感知的可检测到运营商基于计算机视觉技术的发展。在其他情况下这些属性不是视觉可感知他们的计算是通过开发运营商基于图像理解方法。像素构成高质量的医学图像可以被认为是一个随机过程的结果,因为他们代表形态或生理过程。实验观察表明,这些图像视觉可感知隐藏的重要方面。由于这些原因,运营商可以通过开发一个统计的方法。在本文中,我们介绍了一套基于定制的第一和第二次序统计量的运营商执行高级纹理分析磁共振成像(MRI)的图像。特别是,我们指定的主要规则定义操作符的作用及其与其他运营商的关系。广泛的实验进行的大数据集的MRI图像不同的身体区域说明提出方法的有效性和准确性也报道。

1。介绍

众所周知,没有意义明确的纹理的定义(1- - - - - -3]。这是由于不同的和异构方面涉及纹理分析的过程。特别是,两个方面的影响比其他结构检测和识别方法:图像分类和目标定义。首先是用于分类图像属于自然领域(例如,细胞运动)或人工领域(例如,齿轮运动)4,5]。虽然这种歧视可能是显而易见的,它可以存在歧义两种形象和获取方法。第二个方面方面的类型和细节提取主要特征来定义不同的纹理。在某些情况下,它可以充分提取粗信息突出(即宏观结构方面。macrotextures)的研究对象。在其它情形下,它可能需要获取更详细的信息(即描述微观结构方面。显微组织)(6- - - - - -10]。在本文中,我们分析了器官和组织的MRI图像(例如,大脑)。这些图片代表生物实体的形态方面,他们属于自然域(11,12]。在核磁共振成像中,像素组成一个图像可以被认为是一个可靠的代表的水在体内分布(13,14),获得的图像可以被看作是一个随机过程的结果。这最后的假设影响的选择参考模型用于支持结构元素的特征提取方法。模型通常是由以下三个描述性的方法之一:实现统计,结构,或混合动力(15- - - - - -19]。它还包括理论指导开发结构。后者是论文的核心,将在下一节详细窗口建立自上而下的图像浏览方法和定制的第一和第二的实现基于次序统计量的运营商将被描述。

操作符应用于大数据集包含在活的有机体内核磁共振图像检测怀孕宏观和微观结构特性支持一个完整的和明确的数学描述。工件的处理可以使纹理图像分析过程自宏观定性无效,microvariations结构结构都与这些图像的空间分辨率和对比度。幸运的是当前核磁共振扫描仪提供优质的免费图片相当严重的构件(20.,21]。

不同的文学作品有关的描述自然领域通过纹理分析过程(22- - - - - -28),以及我们的初步直觉支持一些预备试验观测像素排列的MRI图像,使我们关注简历和IU统计运营商。其中包括一些运营商估计人类视觉感知的著名的结构特性(例如,对比)和一些运营商检测重要的隐藏的结构特性(例如,熵)。随后,我们的方法被研究提炼一些显著的核磁共振图像纹理分析的工作。第一组的工作,详细的在29日- - - - - -31日),作者描述了方法模型中包含的对象的布局MRI图像。后一个训练阶段给定图像数据集上区分不同的目标对象(如脑质量、背景),方法是定制的实现既定的任务(例如,布局分割)支持一组合适的计算机辅助诊断(CAD)功能(如质量鉴定)。他们的系统体系结构是由三个主要模块。第一个(即。,recognition) performed a feature extraction process on a set of template images to define numerical classes able to describe the different target objects composing the image layout. The second (i.e., classification) analyzed the source images, using the numerical classes defined in the previous module, to provide a classification of the different image zones. Finally, the last (i.e., segmentation) defined the boundaries between heterogeneous zones and merged homogeneous ones. Although their method included a set of statistical operators similar to those used in the present work, the authors did not produce any adequate explanation about operator potentiality, limits, and functional characteristics. Moreover, they neither showed any relationship between operators nor explained rules for their use. All these last aspects that make possible the reutilization of the operators to define new tasks on new target objects are addressed in the present work. Another reference work is [32),在检测微纹理分析的能力——和macrovariations像素分布描述。作者介绍了一种方法对多发性硬化病变进行分类。在定量分析三种成像序列比较,包括比较解剖学的兴趣水平,方差之间的连续切片,和两个感兴趣的区域图的方法。他们专注于白质的分类和多发性硬化病变在确定的结构参数,从而提供精度高、可靠的分割结果。工作方向相同(33:概念、策略和MRI的考虑纹理分析。工作总结了纹理分析在多发性硬化症中的应用作为衡量组织的完整性及其临床意义。报告结果显示,基于纹理的方法可以作为盈利工具评估治疗的好处对患有这种类型的病理变化。另一个基本工作显示纹理分析应用于大脑的重要性是34),作者将努力集中在描述健康和人类大脑病理组织:白质,灰质,脑脊液、肿瘤和水肿。在他们的方法每个选定的大脑区域感兴趣的特点是它的平均灰度值和几个纹理参数。多元统计分析被应用于区分每个大脑组织类型由其自己的一组纹理参数。由于其丰富的形态方面,不仅大脑可以通过纹理分析方法也广泛研究其他器官和组织,在那里他们可以看上去不那么明显。在[35)结构的可行性分析的分类肝囊肿、肝血管瘤在MRI图像显示。纹理特征是由灰度直方图派生的,共存和运行周期矩阵,梯度,自回归模型和小波变换获得鼓励足以计划进一步的研究调查结果的价值基于纹理分类的其他肝脏病变(如肝细胞和cholangiocellular癌)。另一个工作遵循同样的主题是(36),定量双重对比增强磁共振图像的纹理特征分析分类介绍了纤维化。的方法,基于著名的分析软件(马自达,37]),实现计算大量的纹理参数为每个图像。统计正则化技术,广义线性模型路径,被用来定义一个有效的模型基于纹理特征的两个分类纤维化类别。不同的纹理分析方法对肝脏分割和分类报告(38]。来自核磁共振图像处理工作以及其他成像技术(如超声波)来支持完整的肝脏描述允许特定的算法开发解决不同诊断任务。进行研究与大脑和肝脏越来越表现在心脏调查其模式和结构。例如,在[39)心肌轮廓自动识别的方法来优化网格的检测和跟踪标记心肌内。心内膜和心外膜轮廓检测是基于纹理分析和主动轮廓模型的使用。特别是,作者采用了纹理分析定义能量映射支持整个分割过程,结果是很有前途的。提出了一个类似的工作在40],作者描述了一种基于动态纹理的运动分割方法解决具有挑战性的问题的核心定位,在四维时空的心脏图像分割。时间动态约束引入基于模型的分割方法,在时空上的优势产生分割的结果都一致。另一个有趣的方法集中在心脏特征描述的是(41),左心室的自动分割2 d标记磁共振图像对比度增强的基础上提出了。方法应用直方图修正与改进的局部对比度增强方法对比标记线和nontagged组织。心室的血液填充和标记的区域被减去灰色孤立在一个小窗口最小与最大。在这种背景下,广泛的特征值代表纹理区域,分别强调了均匀的和小值。最后,提取左心室的边界。最后一个案例研究集中在骨结构,似乎比别人更隐藏和弱结构模式。在[42)一种方法来评估特定纹理参数检测的能力锻炼load-associated MRI图像的差异代表颈部横截面。特别是,股骨颈骨小梁的关节囊的插入是手动划分为感兴趣的区域代表四个解剖部门:前,后,优越,伪劣。选择基于同现矩阵的纹理参数被用来评价运动负荷组之间差异明显的小梁结构和解剖部门股骨颈。报告结果显示,检测和分类定性和定量评估骨小梁的结构差异,与特定的运动负荷。另一个显著的工作(43),作者描述了一个统一的框架自动分割的椎间磁盘scoliotic刺从不同类型的磁共振图像序列。他们的方法利用统计纹理和光谱特性的组合来区分封闭区域代表椎间磁盘从脊柱获得背景图像。一组纹理特征提取每个封闭区域获得从一个自动分割过程基于分水岭的方法。作者通过监督他们的方法进行验证k最近邻分类器在大数量的图像。最后一个工作这个话题是44),胫骨和股骨的自动分割方法在临床磁共振图像的膝盖。纹理信息被纳入一个活跃的轮廓框架通过使用向量值测地线蛇与当地方差作为第二在每个像素的值,除了强度。使用这些额外的信息可以开发一个系统,以更好地处理噪声和非均匀强度中发现结构分段。除了上述提到的之外,其他作品(45- - - - - -49)都集中在对医学图像纹理分析,以实现异构任务;在这些我们只考虑方法相关的四个具体的解剖区域(大脑,心,肝,骨头),因为他们代表了图像,我们使用了定制的第一和第二基于次序统计量的运营商。与上述作品的引用,采用纹理分析来达到具体目标(例如,损伤检测、质量分类,和3 d重建),我们的目的是提供一套定制的第一和二阶统计基础运营商支持任何新任务的定义。我们设计了一个通用纹理分析的方法来评估每个运营商的行为建立了医学领域。此外,在每个运营商不同的数值反馈应用于图像时属于一个特定的领域,我们定义了一些主要规定经营者的作用及其与人的关系在区分不同的结构方面。所有这些原因,我们的方法并不直接与别人比较,因为任何运营商的工作关于角色和规则。此外,我们的方法来提取纹理特征可以被认为是小说艺术的当前状态。

本文的结构如下。部分2提议的细节纹理分析过程,包括第一和第二次序统计基础运营商。信息对自己的潜力、限制和功能特性也报道。部分3总结和讨论了广泛的实验结果显示每个操作符的应用MRI图像的大脑,心脏,肝脏和骨骼。最后,部分4总结了纸。

2。材料和方法

这部分细节纹理分析设计过程。提到的流程都是一样的(即建立在每个类型的图像。,大脑,心,肝,和骨头), where only the definition of some parameters has to be adjusted depending on both the specific type of image (e.g., brain or heart) and the fixed targets (e.g., brain mass or heart lesions identification). Being different targets heterogeneous and hugely numerous, our purpose is to provide a guideline on为什么和如何采用的开发方法及相关运营商没有一个具体的案例研究。在本文的其余部分,我们假设每一个图像(例如,大脑)分析了我们的方法以监督的方式来研究每个操作符的数值反馈根据不同图像的组成部分(例如,背景,大脑组织,在头骨)。这一步是至关重要的,因为它导致分割活动,支持每一个复杂任务的基本过程在生物医学图像分析50,51]。

每个图像完全浏览窗口(识别窗口,RW)的固定大小(例如,,),在没有重叠top-to-down和从左到右的方式。重要的是要注意,任何其他浏览器重叠策略会给出相同的结果。窗口的大小可以改变根据特定的目标,形象的类型,它的空间分辨率。第一个方面指出,相关的模式不同的结构分析过程(例如,心室病变的发现,半月瓣识别)在给定数据集的图像(如心脏)可以检测到一组合适的运营商训练来识别不同的像素配置。第二个亮点,微观的研究——和macrotextural组件依赖于特定的器官或组织。最后一个方面把人的注意力吸引到了扫描窗口和图像空间分辨率之间的关系。我们的方法是面对怀孕前两个方面,而在实验部分(部分3)我们显示的图像技术特点和相关假设浏览窗口大小。

每个RW包含一组像素(即,)阐述了整个组函数(即。运营商:)提供一套相应的数值(例如,),每一个代表提到的特征像素根据采用运营商(见下一小节)。正式,我们可以总结发达的一般操作功能如下: 在哪里代表了新的像素(即新形象。、功能图)根据函数。像素结构在哪里设置像素的空间位置集振幅值。代表运营商在域和域,代表阐述了像素的数量(即。在RW,像素包含)。代表一个像素RW中包含有相同的结构。

如图1,每个源图像的细化提供了子样品。这个新地图中包含的数值代表运营商的行为在处理不同的像素配置属于图像的不同组成部分。通过执行这个操作对整个数据集的图像,我们(即获得同等数量的子样品图像。特征空间,)相关算子;此外,在相同的方法,我们可以获得相关的特征空间每个特定操作符(,)。这些空间适当管理和解释代表了基本统计信息来实现一个特别的数学模型来实现不同的目标(例如,脑质量鉴定)。我们采用基于金字塔的纹理分析方法(52,53(即。,subsampling strategy) to avoid redundant values in modeling definition. Despite this, the proposed approach is fully parametric thus allowing RW shape and size modification, image browsing process setting (i.e., with and without overlap), and number of the pyramidal levels choice. In Section3我们详细并修复整个组参数。

2.1。运营商实现

本节显示了简历和IU结构运营商定制我们的调查经验关于建立域:大脑、心脏、肝脏和骨骼。自从浏览过程决定了新的像素的位置在地图相关的特性,在接下来的形式化我们可以省略它。最后,我们强调观测数值反馈相关的运营商需要考虑与既定的自然领域没有一般意义上不同类型的图像。

前两个运营商我们认为是基于一阶统计,具体地说,订单的时刻(),订单中心的时刻(): 在哪里代表了灰度的概率在RW出现,表示源图像的颜色的数量,和,代表的命令和,分别。

必须持有以下约束:

实际上,他们不是正确结构的运营商,因为他们的任务只是衡量不同的图像区域的信息内容。特别是,第一个操作符()计算的平均颜色相关的水平中包含的像素RW;第二个操作符()测量振幅色散中包含的像素RW相比,他们的平均水平(例如,)。两家运营商导致的顺序的动态和细节得到数值。在我们的情况下,这些操作符的背景主要是用来区分图像的图像。事实上,背景图像区域通常特点是非常低的值和低值。此外,这些运营商也用于支持歧视感兴趣的区域(roi),现在的高和高。最后使用这些操作符的检测区属于roi和背景;这通常发生在那些地区两种不同结构的区域(例如,大脑组织和头骨)低和高。

其余的运营商这一节介绍纹理完全因为他们工作都基于空间性格和振幅中包含的像素RW的价值。他们是基于Haralick等人的研究54,55)是面向区分不同的意义通过利用共生矩阵纹理特征。目前,有更先进的方法来发现在自然图像纹理特征(56,57];尽管如此,我们的初步研究建立了领域使我们在使用该方法似乎完全合适的和有利可图的。实验结果支持我们的努力。实际上,我们采用经典方法的一个变体旨在检测纹理特征通过考虑只有四个固定方向(即。0°、45°、90°、135°)。如图2中包含的每个像素,我们的方法认为RW的一个离散的周长为中心半径()可以自由定义(在图2:)。每一对点由当前中心点和一个位于围的周长将增加相关的同现矩阵中的位置。仔细分析该方法允许数值结果的获取结构两方面中包含的像素RW和RW周围的像素位置的上下文信息。通过这种方式,改变参数RW,我们可以分析结构的动态变化的一个重要社区RW。

前两个结构运营商属于二阶统计量是定制的模拟两个主要视觉感知相关简历字段(58),具体地说,同质性(),对比(): 在哪里代表两个像素的概率,与距离分别,和振幅值。,,代表广义的参数和。

必须持有以下约束:

相关措施的一致性程度不同的图像区域。它提供了高价值在这些区域有高同质性的层面上,而较低的值表示区域高度分离,以及区域包含不同的纹理。通过比较数值相邻图像的区域,操作员可以测量结构结构的改变图像的一部分。特别是高或低的变化分析了图像区域反射光线或宽的变化结构结构,分别。描述符的结果是高度依赖的设置半径因为在自然领域,包括建立的一致性是一个快速变化取决于当地的像素分布特征。最后,参数服务定义动态的结果:它必须是定制根据图像类型和特定的目标。

措施之间的振幅变化不同的图像区域。当应用于纹理像素在恒定的强度(即组成。,类似的振幅值),它提供了非常低的值。相反,运营商提供高数值图像区域高像素强度的变化,从而反映出振幅变化和密度转换。从不同的角度来看,这个操作符可以被视为衡量结构组件是如何结构在不同的图像区域。事实上,之间的通道非常高和非常低的值属于不同区域反映出一个明确的结构模式虽然常量值不显示任何重大修改。在这种情况下,半径的值影响操作的结果。这是由于可能的振幅变化的纹理。然而,操作员显示明显的多元化发展只考虑遥远的半径值。最后,参数和必须通过实验研究来定义的感性运营商发现相关模式的结构性变化。

在我们的情况下,和可以被视为衡量macrotextural方面的MRI图像与视觉感知立即识别中包含的基本组件的布局处理图像。

其他两个结构运营商定制属于二阶统计量来确定两个隐藏的重要特性有用的大小来确定时间和参与模式,具体地说,逆的区别(),熵(): 在哪里代表广义的参数和。其他条款被定义为(5)。

措施和特征图像内像素的局部分布区域。它所提供的一组数值可以用来定义一个特定像素配置及其重复。这个操作符的参数,,实验采用修复源图像中的一个或多个模式,考虑他们的规模、大小和旋转。这个操作符是构思吸引高水平的细节。因此它适用于定义的microtextural方面分析区。

措施相关障碍的程度不同的图像区域。其值是成正比的随机性分析区域内检测水平。在这种情况下的参数,,,要经验固定支持模式定义。特别是,提供有利可图的结果支持以下策略识别的像素配置:从图像区域有高同质性水平(),这个操作符的行为可以根据逐步增量进行分析;这样我们可以提供确定的分布组合模式的结构性变化。

在我们的情况下,和用于定义microtextural方面的基本特征图像的区域,特别是,区分不同的重要结构结构组成给定的图像(根据固定的任务)。

实证经验允许我们考虑另外两个结构运营商支持以往的工作。这些操作符没有特定的意义:他们是用来增加细节,提出了基于二阶统计的可靠性运营商,具体地说,相关(),不同的熵(): 在哪里代表广义的参数和。其他条款被定义为(5)。此外

和主要是用来识别遥控武器站附近和不同的发现模式之间的关系,分别。换句话说,第一可以用来识别遥控武器站的空间约束组合相同的模式,而第二个可采用确定的空间约束不同的结构模式。

在这种情况下,重要的是要注意,成套的运营商有不同程度的依赖。这意味着每个操作符必须被视为共同的结果与从他人提供。一个操作员只能描述一个复杂结构的一般特征。识别模式,不同的内部结构方面必须采用相同的数学模型。表1展示了运营商之间的依赖,可以被视为一个通用的指南采用自定义的一组结构运营商实现特定任务相关的域。参照表的第一行1,我们可以观察到操作员强烈的联合运营商吗;这意味着他们必须共同评估提供一个可靠的数值结果。随后,其他相关水平突出的秩序价值的来源必须与其他运营商提供。这种方法旨在改进结果。当两个或两个以上的经营者有类似的依赖程度,选择经验根据特定任务执行的。另一行可以被以同样的方式。最后,我们强调结果总结表1推导分析了运营商的行为建立域根据分割任务。出于这个原因,他们可以采用一般的指导方针在每个定义的新任务。

3所示。结果与讨论

为了定义定性和技术方面的建议的方法,实验结果从大数据集包含图像的脑、心脏、肝脏和骨骼。特别是,实验阶段分为三个交易日:基本参数定义,模型参数定义,和定性反应。先得确定源图像的基本参数必须浏览;第二集中在每个第一和第二次序统计量的参数定义基础运营商根据特定的自然领域;最后,第三集中在定性方面的方法(也就是对一个特定的基本任务。分割)。所有的实验课程进行了使用核磁共振横向加权,加权,质子密度(PD)图像有8位(即,),像素。

3.1。基本参数定义

表2总结了初步分析支持提出的几个重要参数的定义方法。我们使用110张图片,收集的41内四个自然不同病人适当的细分领域。如前所述,我们专注于细分任务,因为它代表了图像处理的基本步骤。尺寸和形状的RW代表至关重要的方面。RW过大导致损失的结构细节;一个RW太小无法检测纹理特征。在每个图像方差(即,)和基本的熵(例如,)的像素值分布实证评估,目的是最大化的同时最小化RW。这些观察表明,一个正方形RW大小像素可以提供最好的解决方案来吸引微和macrotextural方面研究领域。在某些情况下,当噪声和低信息发生在特定的图像区域,它可以有助于扩大或减少一个单位的RW大小。此外,这些观察结果也强调,图像浏览可以在传统模式下(即执行。,top-to-down and left-to-right) without overlapping, while maintaining the integrity of the extracted textural information content. Only in some cases, regarding bones (in particular, the hand) it can be necessary to browse the image with an overlapping strategy to infer information about structures and patterns. For the same reasons, overlapping strategy can be applied on images having very low textural variations. In this experimental session we obtained both base ()和第一()锥体的水平。基础水平被认为是分析方差和熵值,当第一级利用支持图像区域有较低的信息内容的定义。最后,我们还推断,第一级的有用性成正比的动力方面涉及纹理。事实上,大脑和心脏图像具有高结构结构的变化,金字塔的第一层可以提供显著的信息比肝脏和骨骼图像结构结构更复杂和异构。

3.2。模型参数定义

表3总结了第一次和第二次的参数定义统计基础运营商定义我们的统计模型。我们使用380张图片,收集的160个不同的病人。在这种情况下,图像中适当的细分四个自然领域。在这个会话,我们分析了不同的病人(和相关图片)之前的目标是获得一个更客观的调查。此外,本届会议通过开发实现一个特别的机器学习算法[监管59)能够突出所提供的数值反馈的差异分析过程中运营商的集合。最初,每个参数的每个操作符是固定1为了获得一个算法的初始状态。随后,一个熟练的用户修改的方差(即,)和基本的熵(例如,)值来识别不同的图像区域的最高数值反馈。从这些值熟练用户实现所有操作符组成的特征向量。中包含的参数向量被有条不紊地增加或减少产生不同的功能空间有用执行当前任务(在这种情况下,分割)。换句话说,熟练用户修改,以监督的方式,中包含的参数向量考虑角色表(表和依赖1每个操作符)。参数变化的主要目的是增加结构的数值反馈运营商降低“独立”之间的差异(或减少)的依赖运营商。一次几个功能空间(即计算。,states of the algorithm), the approach provided a final set of numerical intervals. These intervals can be considered as the mathematical model describing the fixed task. In particular, each object contained within the layout of an image can be defined by a specific set of numerical values obtained by considering the whole set of operators and related variations due to the different parameters. Despite the large amount of parameters shown in Table3,只是其中的一小部分限制的值定义对象的主要特征。例如,歧视的背景信息内容几乎总是由使用和与和,分别。另一个值是用来解决特定情况下由于噪声或工件。同样,半径采用不同的运营商来描述几乎总是固定在相关的结构特性和;其他值用于解决特定问题的边界检测两种不同结构区。然而,一系列的参数表所示3可以被视为一个准则来实现和定制综合运营商。最后,我们注意到,当一个熟练的用户定义了一个新任务(如质量检测)的领域,(例如,大脑)一个新的训练阶段必须定义执行新的引用数学模型。

3.3。定性反应

图3总结了该方法的定性反应与分配的基本任务:细分。为了获得类似的结果独立于特定的自然领域,图像的集合选择根据一些简单的形态规则:(a)高平稳性的质地,(b)实质性的目标对象的可用性,和(c)避免歧义与不同对象的转变有关。所有这些方面都可以合理满足考虑图像属于“中间”横向扫描平面,器官和组织代表了整幅图像的宽部分(不低于20%)。我们报告四个图形(图3)代表之间的定性比像素属于真正的属于分割的对象和对象。特别是,数据3(一个),3 (b),3 (c),3 (d)代表的定性测量大脑、心脏、肝脏、分别和骨头。注意,而前三个案例中的横坐标代表对象的越来越多由于横向扫描计划,在过去的情况下,代表对象的数量由于监督选择图像。四个数据显示,细分误差(和/或在细分)小于8%的图像通过使用相同的一组操作。

4所示。结论

核磁共振图像的纹理分析支持他们详尽的和明确的数学描述。这一过程的基础是由一组特征提取器来检测相关的主要特征中包含的对象图像布局。这些特征变化根据既定的任务(例如,体积评价、损伤识别);尽管如此,我们为特定的核磁共振图像(即参数设计方法。,大脑,心,肝,和骨头), the developed set of customizable textural operators can jointly provide a numerical interpretation of the images according to the specific task. This numerical interpretation represents a tool to describe different models to implement heterogeneous CAD functionalities (e.g., mass identification). To prove the usefulness and the accuracy of the proposed approach, we have fixed and tested the segmentation task on the analyzed domains; these experimental sessions allowed providing a set of information (i.e., roles, rules, and dependences) on the developed operators which can be used as guidelines to implement new tasks and CAD functionalities.

承认

作者感谢太太卡梅丽塔马里内利技术援助。

引用

1. m . Tuceryan和a . k . Jain“纹理分析,”模式识别和计算机视觉的手册,页235 - 276,世界科学出版、河流边,新泽西,美国,1993年。视图:谷歌学术搜索
2. n·m . s . Lew,“纹理特征进行基于内容的检索,”视觉信息检索的原则51 - 85页。Springer,伦敦,英国,2000年。视图:谷歌学术搜索
3. p·拉德”,通过分类比较纹理分析方法,”摄影测量工程和遥感,卷69,不。4、357 - 367年,2003页。视图:谷歌学术搜索
4. t·n·帕帕斯,a . Mojsilovićj . Chen和b . e . Rogowitz“自适应感知彩色纹理图像分割,”IEEE图像处理,14卷,不。10日,1524 - 1536年,2005页。视图:出版商的网站|谷歌学术搜索
5. a . k . Jain和f . Farrokhnia“使用伽柏过滤器、无监督纹理分割”《IEEE国际会议系统,人,控制论1990年11月,14 - 19页。视图:谷歌学术搜索
6. j·c·拉斯图像处理手册,CRC出版社,泰勒和弗朗西斯集团,2007年。
7. p . Soille形态学图像分析:原理及应用施普林格,纽约,纽约,美国,2010年。
8. 诉反和o .断,介绍结构分析:Macrotexture,显微组织和方向映射,CRC出版社,泰勒和弗朗西斯集团,阿姆斯特丹,荷兰,2000年。
9. m . e . Mavroforakis h .诉乔治奥n . Dimitropoulos d . Cavouras和s . Theodoridis“乳腺肿块基于局部纹理特征和数据集使用线性分形分析,神经和支持向量机分类器,”人工智能在医学上,37卷,不。2、145 - 162年,2006页。视图:谷歌学术搜索
10. t·霍夫曼,j . Puzicha和j . m . Buhmann”无监督纹理分割在确定性退火框架”,IEEE模式分析与机器智能,20卷,不。8,803 - 818年,1998页。视图:出版商的网站|谷歌学术搜索
11. g·k·冯·Schulthess形态和功能磁共振成像施普林格,伦敦,英国,2012年。
12. p . v .普拉斯磁共振成像:方法和生物应用胡玛纳出版社有限公司风险中,新泽西,美国,2006年。
13. d . Weishaupt v . d . Koechli, b . MarincekMRI是如何工作的呢?介绍了磁共振成像的物理和功能施普林格,纽约,纽约,美国,2006年。
14. g . PlacidiMRI:创新技术的必需品,CRC出版社,泰勒和弗朗西斯集团,2012年。
15. r . m . Haralick“统计纹理和结构的方法,”IEEE学报》,卷67,不。5,786 - 804年,1979页。视图:出版商的网站|谷歌学术搜索
16. s . w . Zucker”模型的纹理,计算机图形学和图像处理,5卷,不。2、190 - 202年,1976页。视图:谷歌学术搜索
17. j .张和t . Tan“不变的纹理分析方法的简单回顾,”模式识别,35卷,不。3、735 - 747年,2002页。视图:出版商的网站|谷歌学术搜索
18. a·r·拉奥纹理描述的分类和识别施普林格,柏林,德国,1990年。
19. n . v . Lobo t·卡斯帕里f . Roli j·t·郭m . Georgiopoulos和m . Loog结构、句法和统计模式识别施普林格,柏林,德国,2008年。
20. m·a·布朗和r . c . SemelkaMRI:基本原理及应用,2010年著名。
21. i大k·l·克里斯蒂安森,s·m·邓肯·b·黄平君a . w .歌曲和e . m . Merkle杜克大学的核磁共振的原则2012年,爱思唯尔处于。
22. h . Mobahi s . r . Rao a . y, y艾伦,s . s . Sastry y .马,“分割纹理和自然图像的边界压缩,”国际计算机视觉杂志》上,卷95,不。1,第98 - 86页,2011。视图:谷歌学术搜索
23. t . v . Papathomas r . s .喀什,A . Gorea”基于人类的视觉计算模型对彩色纹理隔离,”IEEE系统,人,控制论,B部分:控制论,27卷,不。3、428 - 440年,1997页。视图:出版商的网站|谷歌学术搜索
24. c .郑问:秦,g·刘,y,“基于多分辨率图像分割和模糊约束马尔可夫随机场在小波域,“专业图像处理》第六卷,没有。3、213 - 221年,2012页。视图:出版商的网站|谷歌学术搜索
25. j·马利克,s . Belongie t梁,j .史”为图像分割轮廓和纹理分析,”国际计算机视觉杂志》上,43卷,不。1,7-27,2001页。视图:出版商的网站|谷歌学术搜索
26. 问:徐、杨j .和美国叮,“颜色纹理使用隐马尔可夫模型的小波分析,“模式识别的字母,26卷,不。11日,第1719 - 1710页,2005年。视图:出版商的网站|谷歌学术搜索
27. m . Madanian a Vafaei, a . h . Monadjemi”纹理图像的分割和分类灵感来自自然的视觉系统和HMAX算法,”国际计算机科学的研究和评论》杂志上,3卷,不。1,第1472 - 1467页,2012。视图:谷歌学术搜索
28. g·f·麦克莱恩,”纹理分类矢量量化,”IEEE系统,人与控制论,23卷,不。3、637 - 649年,1993页。视图:出版商的网站|谷歌学术搜索
29. d·达沃l .五,g . Placidi”通过一个基于纹理的计算机辅助医学图像分析诊断框架,“国际生物统计学和生物信息学杂志》上》第六卷,没有。5,144 - 152年,2012页。视图:谷歌学术搜索
30. d·达沃、l·辛格和m . Di Girolamo”小说T-CAD框架来支持医学图像分析和重建,”第16届国际会议上进行图像分析和处理(ICIAP 11)卷,6979年,页414 - 423,施普林格,2011年。视图:谷歌学术搜索
31. d·达沃和l·五”,脑的结构的核磁共振图像分析解释,”第23届ACM学报》研讨会上应用计算(SAC 08年)ACM,页1338 - 1342年,2008年3月。视图:出版商的网站|谷歌学术搜索
32. l . c . v .哈里森m . Raunio k . k . Holli et al .,“MRI在多发性硬化症纹理分析:对临床分析协议,”放射学学术,17卷,不。6,696 - 707年,2010页。视图:出版商的网站|谷歌学术搜索
33. y, MRI在多发性硬化症纹理分析,“国际生物医学成像杂志》上ID 762804条,卷。2012年,7页,2012。视图:出版商的网站|谷歌学术搜索
34. s . Herlidou-Meme j . m .君士坦斯b . Carsin et al .,“核磁共振结构测试对象上的纹理分析,正常的大脑和颅内肿瘤,”磁共振成像,21卷,不。9日,第993 - 989页,2003年。视图:出版商的网站|谷歌学术搜索
35. m . e . Mayerhoefer w . Schima s Trattnig k .平克诉Berger-Kulemann和a . Ba-Ssalamah”Texture-based分类肝脏局灶性病变在MRI 3.0特斯拉:囊肿,肝血管瘤的可行性研究,“磁共振成像杂志》上,32卷,不。2、352 - 359年,2010页。视图:出版商的网站|谷歌学术搜索
36. g .巴尔Cruite, t·沃尔夫森et al .,“肝纤维化无创性分类基于纹理参数双重对比增强磁共振图像,”磁共振成像杂志》上,36卷,不。5,1154 - 1161年,2012页。视图:谷歌学术搜索
37. 2013年马自达软件,http://www.eletel.p.lodz.pl/programy/mazda/。
38. 拉索尔教授,m·a·伊夫提哈尔•m·侯赛因和a·贾利勒”纹理分析肝脏分割和分类:一项调查,”学报》第九届国际会议上前沿信息技术(适合的11)2011年12月,页121 - 126。视图:出版商的网站|谷歌学术搜索
39. a . Histace b Matuszewski, y,“心脏核磁共振心肌边界的分割标记使用主动轮廓:基于一个梯度方法将纹理分析,“国际生物医学成像杂志》上ID 983794条,卷。2009年,8页,2009。视图:出版商的网站|谷歌学术搜索
40. 黄黄j . x、d·迈塔克瑟白兰地和l·阿克塞尔“基于动态纹理在四维心脏心脏定位和分割图像,”《第四届IEEE国际研讨会上生物医学成像:从纳米到宏观(位ISBI ' 07)2007年4月,页852 - 855。视图:出版商的网站|谷歌学术搜索
41. 杨x和k . Murase”标记的心脏图像分割先生通过对比度增强和纹理分析,”学报》第九届国际会议在电子测量和仪器(ICEMI ' 09)2009年8月,页4210 - 4214。视图:出版商的网站|谷歌学术搜索
42. l . c . v .哈里森r . Nikander m . Sikio et al .,“股骨颈核磁共振结构分析:检测运动load-associated骨小梁的差异,“磁共振成像杂志》上,34卷,不。6,1359 - 1366年,2011页。视图:出版商的网站|谷歌学术搜索
43. c . Chevrefils f . Cheriet c .奥宾,g . Grimard”纹理分析自动分割的椎间磁盘scoliotic刺图像,先生”IEEE在生物医学信息技术,13卷,不。4、608 - 620年,2009页。视图:出版商的网站|谷歌学术搜索
44. l . m . Lorigo o . Faugeras w·e·l . Grimson r . Keriven和r . Kikinis”分割的骨头在临床使用texture-based膝关节MRI测地线主动轮廓,”国际会议进行医学影像计算和计算机辅助Interventation (MICCAI ' 98)卷,1496年,页1195 - 1204,施普林格,1998年。视图:谷歌学术搜索
45. m . c . de Oliveira和r . i Kitney纹理分析组织歧视的核磁共振数据,”《第十八届会议在心脏病学电脑1991年9月,页481 - 484。视图:谷歌学术搜索
46. v . a . Kovalev f . Kruggel h·格茨和d·y·冯·Cramon“MRI大脑的三维纹理分析的数据集,”IEEE医学成像,20卷,不。5,424 - 433年,2001页。视图:出版商的网站|谷歌学术搜索
47. c . k . Wu加尼叶、j . Coatrieux和h .蜀”的初步研究,基于当下医学图像纹理分析,“学报的年度国际会议IEEE在医学和生物学社会工程。IEEE在医学和生物学社会工程卷,2010年,第5584 - 5581页,2010年。视图:谷歌学术搜索
48. s . Nagaraj g . n . Rao, k . Koteswararao”的角色模式识别在计算机辅助诊断在医学成像和计算机辅助检测:临床验证,”国际期刊的计算机应用程序,8卷,不。5,在18到22岁,2010页。视图:谷歌学术搜索
49. k . Somkantha: Theera-Umpon, s . Auephanwiriyakul”边界检测在医学图像使用基于强度梯度的边缘后算法和纹理梯度特性,”IEEE生物医学工程,卷。58岁的没有。3、567 - 573年,2011页。视图:出版商的网站|谷歌学术搜索
50. n . Alamgir k . Myeongsu k . Yung-Keun k . Cheol-Hong和k . Jong-Myon“混合技术用于医学图像分割,”生物医学和生物技术杂志》上ID 830252条,卷。2012年,7页,2012。视图:出版商的网站|谷歌学术搜索
51. n . Sharma a射线,沙玛,k .舒克拉普拉丹,和l . Aggarwal“医学图像的分割和分类使用texture-primitive特点:BAM-type人工神经网络的应用,”医学物理学杂志,33卷,不。3、119 - 126年,2008页。视图:出版商的网站|谷歌学术搜索
52. j·s·德莎·博内特,”多分辨率抽样程序的分析和合成纹理图像,”《计算机图形学会议(SIGGRAPH ' 97)ACM,页361 - 368年,1997年8月。视图:谷歌学术搜索
53. 基于d . j . Heeger j . r .卑尔根,“金字塔结构分析/合成、”第22届ACM会议程序计算机图形和交互技术(SIGGRAPH 95)ACM,页229 - 238年,1995年8月。视图:谷歌学术搜索
54. r . m . Haralick k Shanmugam,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:谷歌学术搜索
55. b·塞巴斯蒂安·a·Unnikrishnan和k·“灰度共生矩阵:泛化和一些新功能,“国际期刊的计算机科学、工程和信息技术,卷2,不。2、151 - 157年,2012页。视图:谷歌学术搜索
56. a . r .回来,a·s·马丁内斯和o·m·布鲁诺”使用图形生成的纹理分析确定性部分自已避免走,”模式识别,44卷,不。8,1684 - 1689年,2011页。视图:出版商的网站|谷歌学术搜索
57. r . Suguna和p . Anandhakumar小说纹理的特征提取技术使用正交多项式运营商歧视,”欧洲科学研究杂志》上,51卷,不。4、550 - 563年,2011页。视图:谷歌学术搜索
58. h (s . Mori, t . Yamawaki“结构对应于视觉感知特性,”IEEE系统,人与控制论,8卷,不。6,460 - 473年,1978页。视图:出版商的网站|谷歌学术搜索
59. e . Alpaydini介绍机器学习,麻省理工学院出版社,第二版,2010年版。

版权

版权©2013达尼洛达沃等。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。