研究文章

在核磁共振成像特征选择基于机器学习海马分割

表7

的细节 特性产生的远期使用朴素贝叶斯分类器选择方法。

36的特性
提出了选择
Haralick特性 Haar-like特性 统计特性
取向 协调 面具尺寸 类型 面具尺寸 条目

对比 135年 Y 3
梯度 5
相关 135年 X 3
位置 坐标
归一化灰度 价值
相关 45 X 5
梯度 5
相关 90年 Y 9
相关 45 Y 7
偏态 7
同质性 90年 X 9
相关 0 Y 5
相关 90年 Z 5
相关 45 X 3
相关 135年 Z 9
相关 90年 Y 5
相关 135年 Z 5
相关 0 Z 7
相关 90年 Z 7
相关 90年 Z 9
相关 0 Y 3
相关 135年 X 3
相关 0 Z 9
模板 1
偏态 5
相关 90年 Z 3
相关 45 X 5
梯度 3
模板 2
相关 45 X 9
相关 45 Y 5
相关 90年 Y 7
相关 45 Z 5
梯度 9
同质性 0 Z 9
相关 0 Y 9

星号表示的条目列表中也存在 SBE特性。Haralick特征,倾向度,参考坐标,和报告使用的立方面具的大小。在Haar-like特性的情况下,输入值表示(参见图使用的模板类型2)。统计/位置类立方面具的大小或使用self-explained值是李斯特,这取决于特定的功能类型。尤其是梯度,列指定条目表示引用的部分对角线如图3。列出的所有特性的自顶向下的顺序包含在SFS过程执行。