在Transrectal超声图像纹理特征分类前列腺癌检测

文摘

前列腺癌是男性最常见的癌症之一。早期发现前列腺癌是成功治疗的关键。超声成像是一种最合适的方法对前列腺癌的早期检测。尽管超声波图像可以显示癌症病变,主观的解释是不准确的。因此,本文提出一种transrectal超声图像分析方法,针对描述前列腺组织通过图像处理来评估恶性肿瘤的可能性。首先,输入图像预处理的光密度转换。然后,局部二值化和高斯马尔可夫随机域用于提取纹理特征,并进行线性组合。最后,融合纹理特性提供了支持向量机分类器进行分类。方法已应用于数据集从医院获得342 transrectal超声波图像的准确性达70.93%,敏感性为70.00%,特异性为71.74%。实验结果表明,可以区分癌组织和非癌变组织在某种程度上。

1。介绍

前列腺癌是最常见的恶性肿瘤之一,男性泌尿生殖系统。近年来,其发病率和死亡率在中国一直在增加。2018年,中国癌症研究中心发布了最新一期的《国家癌症统计数据,指出前列腺癌发病率排名第六的男人在中国,仅低于肺癌、胃癌、肝癌、食道癌、肠道癌症(1]。第二年,美国癌症协会公布的数据分析报告,表明前列腺癌男性发病率是第一个和第二个死亡(2]。前列腺癌男性健康构成了严重的威胁,因此早期诊断尤为重要。

目前,直肠指诊,前列腺特异性抗原,核磁共振成像,transrectal超声波是常用的方法检查前列腺癌(3]。其中,数字直肠检查是最常见和最便宜的方法检查前列腺癌。然而,直肠指诊不能达到肿瘤的前一部分前列腺,这很容易错过诊断(3]。前列腺特异性抗原浓度是一个敏感的指标的诊断前列腺癌,但一些患者良性前列腺疾病也会增加前列腺特异性抗原浓度(4]。因此,前列腺特异性抗原检查很容易导致过度诊断,导致不必要的活检和潜在的治疗方案(5]。核磁共振成像(MRI)是一种重要的无创性检查技术评价前列腺及其周围组织,这对前列腺癌具有较高的诊断准确性。一些研究表明,相比之下,transrectal超声引导下前列腺穿刺活检,mri引导下前列腺活检穿刺准确性较高的有针对性的结节(6]。然而,由于mri引导下活检需要专用设备,耗时和昂贵的,它不能被推广。

Transrectal超声波通常是用于指导前列腺活组织检查,因为它的可视化前列腺,nondamage、低成本、和实时特性。一个transrectal超声引导下的前列腺活检是诊断前列腺癌的黄金标准。尽管transrectal超声波是目前应用最广泛的成像方法,不幸的是,经直肠超声图像的视觉解释贫困并不是很可靠的前列腺癌与正常腺体组织区分开来。诊断过程将不可避免地需要的形式组织活检。然而,transrectal超声引导下活检是腺体均匀样品,没有前列腺癌7),其阳性诊断率虽浅,尤其是对早期前列腺癌的病变(8]。获得可靠的结果在组织学分析中,常常需要多个穿刺活检(9]。然而,穿刺次数的增加会带来很多痛苦的病人(如术后感染并发症的概率,血尿、便血,等将会增加)。与此同时,更多的临床意义癌症也将发现,导致过度诊断和治疗(10]。

虽然积极的结果的预测价值经直肠超声检查非常低(甚至是训练有素的泌尿科医师很难检测前列腺癌的超声图像),这是目前最常用的图像检测方法诊断前列腺癌(3]。提高检测精度经直肠超声有助于减少穿刺活检。因此,一个可能的方法来改善transrectal经直肠超声引导下前列腺穿刺是利用计算机辅助分析超声图像。

由于散斑噪声、工件、衰减和信号损失transrectal超声图像固有的超声医生很难分析纹理的图像水平来确定图像的正面(患有前列腺癌)或负面(正常)。因此,本研究使用一个纹理特征分析方法,试图从transrectal超声波图像获取有用的信息,以提高前列腺癌检测的准确性。

我们意识到我们的研究是非常困难的,因为具体的像素不是正确的标记。超声医生无法分析显微组织级别的图像来确定像素是积极的还是消极的,和组织学分析提取组织不能转换成像素标记的地图。因此,我们只能使用一个不完美的标签活检中的所有像素区域。尽管这个问题,我们取得了一些结果,表明它可以区分癌症组织和癌组织在一定程度上。

2。相关工作

纹理特征考虑像素强度的分布和相邻像素之间的关系11,12]。不同的纹理测量常常从不同的角度描述了相应的纹理。在医学成像,由于病变的内部结构可以定量描述,每一个纹理特征被认为是图像模式识别的一个重要指示功能(13,14]。之前的研究表明,异质性反映在纹理特征可以用来识别病变的性质诊断精度高(15,16]。

近年来,随着人工智能技术的蓬勃发展,计算机科学技术日益成熟。许多基于计算机辅助诊断方法诊断为医学诊断提供便利。视觉研究领域,医学影像的研究主要是火车经典的机器学习分隔符(如支持向量机、决策树)来提取人体工程学特性(如纹理和形状)。到目前为止,这些算法已经成功应用于各种医学应用如肝脏(17)、甲状腺(18),和膀胱癌19,20.]。然而,尽管早期发现前列腺癌是非常重要的,还有小研究计算机辅助检测前列腺癌。此外,由于使用的患者数量和实验技术采用,其中许多是有限的范围,或结果不能被认为是代表。Llobet et al。3)提出了一个方法经直肠超声图像分析计算机辅助诊断前列腺癌。这种研究方法的最佳分类结果ROC曲线下的面积达到61.6%。然而,泌尿科医师使用计算机辅助系统的识别能力相比还是略提高专家不使用这个系统。Huynen et al。21)开发了一个系统的自动分析和解释前列腺超声图像。系统从超声图像中提取五个参数的同现矩阵对良性和恶性前列腺组织进行分类。该方法的敏感性和特异性分别为80%和88%,分别取得了很好的效果。Kratzik et al。22)发表了一项关于前列腺癌的研究测试。该研究使用纹理特征分析来获得好的结果(特异性和敏感性均超过80%),但没有说明如何评估。汉et al。23前列腺癌)提出了一种检测方法,它使用多分辨率自相关结构特点和临床特征。该方法能有效检测癌症组织特异性约90%,约92%的敏感性。然而,这种方法只适用于类似的数据库。如果使用其他数据库数据,如此高的敏感性和特异性可能无法实现。Glotsos et al。24)建立了一个基于纹理分析的计算机辅助诊断系统经直肠超声图像。系统23纹理特征提取感兴趣区域的图像,使用穷举搜索(结合5功能)和遗漏的方法选择和训练分类器的特性。系统整体性能而言,最好的分类准确率识别正常,感染,和癌症病例的89.5%、79.6%和82.7%。然而,这种研究方法只适合当数据使用稀缺。Gomez-Ferrer和Arlandis25)记录288例经直肠超声引导下活检和三个静态图像中提取活检。超声图像的纹理特征通过“简单的映射”灰色和空间灰色关联矩阵。最后,两种方法基于近邻和隐藏马尔可夫模型用于分类。最近的邻居的ROC曲线是59.7%,和隐藏马尔可夫模型的分类是61.6%;ROC曲线面积同现矩阵是60.1%的近邻,和隐藏马尔可夫模型是60.0%。解决的问题不清楚前列腺边界数据不足,朱et al。26)提出了一个boundary-weighted域自适应神经网络(BOWDA-Net)。

3所示。材料和方法

3.1。采购数据

在漳州医院,transrectal超声引导下前列腺穿刺活检患者通常表现为所有前列腺癌症相关的症状(如高PSA值和异常DRE结果)。插入transrectal超声波探头显示前列腺的矢状面图像。当发现可疑区域,活检针连接到探测器将引发组织提取和后组织学分析。一般来说,多个活检将如果没有找到特别可疑区域。根据超声医生的指导,我们的实验数据主要是在活组织检查(图照片1)。因为组织学只能切除组织,确定穿刺位置必须准确地知道。为了达到这个目标,我们使用第二个图像,记录从腺活检针收回之前(图2)。有一个白色的针在每个图像跟踪。在每个切片,我们定义了一个第一针点探测器出现在前列腺癌和前面定义的第二点位置探测器插入前列腺两尺度从第一点。基于这两点我们定义了一个矩形(如图2)。由于没有明显的病人运动在活组织检查,之前的图像中像素标记定义的矩形。人物的形象1是我们的实验数据。在图1,我们手动切一个矩形图像一样的人物2,这是我们的实验感兴趣的地区。

组织学分析可以表明提取的组织是否有前列腺癌,如果是这样,它的位置也可以知道。然而,在临床环境中,很难进行可靠的物理提取的组织,然后地图上标注的物理像素标签的标签。因此,我们将使用一个标签定义像素在所有活检领域,这意味着一些图像标记为阳性样本可能包含正常组织。然而,幸运的是,一个图像像素标记-总是对应于正常组织,因为整个活检组织学检查可以确保区域是免费的前列腺癌。

3.2。方法

图3显示了流的分类方法。整个方法流程主要包括四个部分:图像预处理,特征提取,特征融合,分类。光密度的主要贡献在于使用转换技术来提高图像的对比和减少噪音。高斯马尔可夫随机场和局部二值化用于提取图像的两个纹理特征,然后两个特性是线性的总和。最后,融合特性放入SVM分类器进行分类。

3.2.1之上。光密度图像处理技术

从原始图像去除噪声在图像处理仍然是一个具有挑战性的研究课题。一般来说,没有常用的降噪增强方法。通常,选择适当的降噪方法根据图像特征。限制了超声成像的原理和硬件本身,超声图像的质量不满意。主要表现是低对比度和散斑噪声。因此,本文采用光学密度转换技术(27]干所选地区的兴趣和增强对比度,使图像的细节更清晰和更明显,这有利于后续的分析和处理的图像。每个像素的光密度转换 对象的区域被定义如下: 在哪里是像素的强度值,平均强度。在这种方法中,灰色的强度图像转换成光学密度,和每个光密度值是线性映射到与8位图像深度信息,因此可以获得光密度图像。如图4。

3.2.2。特征提取

纹理特征可以反映整体变化的灰色图像中像素值,和不同的组织有不同的纹理。因此,通过区分和识别纹理特征transrectal前列腺超声图像,疑似病例样本与确诊病例样本纹理结构相似可以检测到,因此为医生提供决策支持。作为全球使用最广泛的和基本的图像特征,纹理特征提取方法有很多,常用的医学超声图像分析:灰度级同现矩阵应用灰度共生矩阵建立()(28),面向的柱状图的梯度(猪)29日],局部二值模式(LBP) [30.)等,每种方法都有其优点和缺点。在实际使用中,常常需要选择相应的特征提取方法,根据实际应用的需求。

根据近年来的相关研究成果,不同类型的纹理特性通常是互补的。在图像分类任务中,不同的特征提取方法的结合往往比单独使用时获得更高的分类精度。因此,我们使用局部二值化和高斯马尔可夫随机场模型来提取纹理特征。(1)枸杞多糖。枸杞多糖(局部二进制模式)(30.)是一个操作符用于描述当地的图像的纹理特征。的八个字段中定义的基本思想是像素(3 x3窗口)。中心像素的灰度值作为阈值,和周围的8个像素的值进行比较。如果周围的像素值小于中央像素的灰度值,像素值标记为0;否则,它被标记为1。这样,8点3 x3的域大小可以比作生成8位二进制数(通常转换为十进制,即。枸杞多糖代码,总共256种)。每个像素获得二进制组合,即。,枸杞多糖value of pixel point in the centre of the window, and this value is used to reflect texture information of the region. However, as the image rotates, the pixels in the neighbourhood will recombine, and the LBP value will change. To keep LBP rotation unchanged, Ojala et al. [30.)提高了LBP算子。公式如下: 在哪里是附近圆的半径,是像素的数量在小区里均匀分布。代表像素集中在 。(2)GMRF。高斯马尔可夫随机场(GMRF)模型(31日)是一种概率模型来描述图像结构和是一个更好的方法来描述纹理。它最初被伦纳德·e·鲍姆和其他作者的一系列统计论文下半年的1960年代。之间有一定的关联的类别图像的像素,像素的范畴在周边地区。这种关系被称为马尔可夫相关性。一个图像可以被看作是一个二维随机过程,和图像数据的分布可以用条件概率描述。磁流变液假定图像中每个像素的像素值只取决于其域内的像素的像素值。马尔可夫随机场通常是被下面的当地条件概率密度(PDF): 邻里中心像素的像素点。如果PDF服从高斯分布,MRF叫做GMRF。其突出特点是,它介绍了通过一个适当定义的社区系统结构信息和提供了一个模型常用来表达之间的交互空间相关的随机变量。从这个模型生成的参数可以描述纹理的聚合特征在不同的方向和形式。

3.2.3。特征融合

LBP纹理特性和GMRF质地特性具有很强的功能特征提取经直肠超声前列腺图像,但他们在实际应用有一定的局限性。在特征提取过程中,枸杞多糖只考虑灰色其他周围像素的值,但没有充分考虑中心像素之间的相互作用和相互依存和周围的像素。这些依赖项可以是随机的、功能或结构和可以用高斯马尔可夫随机场模型。因此,本文首先从transrectal超声波提取枸杞多糖功能前列腺图像,然后提取的枸杞多糖特性的计算条件概率密度图像。

3.2.4。分类器设计

图像分类是一个重要的研究领域,并实际应用在许多领域,如模式识别、人工智能医学、和视觉分析。图像分类,我们采用支持向量机分类器,详细描述如下。

支持向量机是基于统计学习技术和现代统计学习理论的基础。1995年科尔特斯和Vapnik提出的(32]。支持向量机算法是一个监督机器学习算法通过最小化经验误差和几何边缘最大化完成模式分类和回归分析。广泛用于统计分类和回归分析。它有独特的优点在解决小样本、非线性高维模式识别,可以广泛应用于机器学习问题,如函数拟合。修改后的方法的基本原理是找到训练集的分形超平面在样本空间,最大限度地将类别。此外,支持向量机,作为一个二次规划问题,可以找到一个全局唯一的最优解,从而避免局部最小值的出现。原理和求解过程如下:

给定一个数据集:

然后,支持向量机的判别函数如下: 在哪里 是内核函数,是支持向量机的数量。核函数的支持向量训练是至关重要的。它能有效地克服维数灾难问题。合适的核函数可以提高分类模型的预测精度。常见的内核函数包括高斯函数、多项式函数,乙状结肠函数、线性函数。本文选择输入向量组成的纹理特征作为高斯函数。SVM的分类结果是用来区分正样本负样本transrectal超声图像。

在这篇文章中,支持向量机分类数据使用一个线性超平面之间数据转换成两个独立的类。这个超平面使用高斯核函数计算。邻居的数量再邻居(资讯)33)设置为5。决策树的信心因素(DT) [34设置为0.25,最小情况下树的每片叶子被设置为2。随机森林(RF) (35是随机森林使用matlab工具箱,树500年和61年mtry可供选择。

4所示。实验结果

4.1。实验数据

这项研究已经被当地伦理委员会批准和审查,和所有相关主题与许可通知。Transrectal前列腺超声图像中使用这个实验被从漳州医院福建医科大学附属,共有48例。所有活检,病理例超声指导下由经验丰富的病理学家和组织学检查证实。数据收集时间是2019年3月至2019年11月,和每个病人文件包含多个图像。根据病理结果的数据进行分类。有36例训练集和测试集的12例。实验在前列腺癌诊断区分transrectal超声波图像是否有前列腺癌。因此,负样本训练数据的18例(126张照片),和积极的样本18例(130张照片)。剩下的12例用作实验测试集,其中6例(40张)阳性样本,和6例(46图像)负样本。

4.2。实验设置和绩效评估

实验是基于Windows10操作系统完成。计算机硬件配置如下:英特尔(R) (TM)核心i7 - 8700是用于CPU, NVIDIA GeForce gtx公司- 1080 - ti用于GPU,视频11 g内存和内存32 g。Matlab2017a编程环境。

疾病分类结果是真阳性,真阴性,假阳性和假阴性。为了促进与现有方法的比较分析,我们认为三个指标:准确性(ACC),灵敏度(SEN)和特异性(规范)36),如表所示1。其中,TP、TN、FP和FN真阳性的数量,真正的负面,假阳性、假阴性,分别在分类结果。精度比较的直接测量方法。敏感性和特异性描述诊断测试如何捕捉疾病的真正的存在与否。这些评价指标描述的准确性和错误率图像分类和识别方法。其中,准确性越高,敏感性,特异性,降低出错率的方法。

4.3。比较特征组合的性能

为了测试的有效性结合高斯马尔可夫随机场和局部二值化,我们分别使用不同的纹理特性进行实验,比较了该方法的准确性。在所有的实验中,我们使用支持向量机分类。不同的方法的分类性能如表所示2。所有表中的值2获得使用我们的数据集,从表中可以看出,相比之下,个人特征,特征融合的分类精度显著提高,和其他指标也被不同程度的改善,尤其是特异性指标更加明显。相比之下,不同的纹理特征的分类结果表2,纹理特征融合分类的结果提出了在本文中是最好的,分类准确率达到70.93%,敏感性70.00%,特异性71.74%。使用高斯马尔可夫随机域提取纹理特征本身没有提供有意义的结果对我们的数据集,可以看到从表2,我们的方法具有较高的特异性,同时保持高灵敏度。

4.4。性能比较的方法

为了测试我们的方法的有效性,我们将我们的方法与以下三种方式:(a)资讯分类器(33),(b)决策树(DT)分类器34),(RF)和(c)随机森林分类器(35]。具体来说,在每个实验中,光密度转换技术的图像预处理,然后是高斯马尔可夫随机场和局部二值化特征提取和融合。最后,上述三个分类器是用于分类。

相比之下,不同的分类器的分类结果表3支持向量机的分类结果高于其他分类器,分类准确率达到70.93%,敏感度达到70.00%,特异性达到71.74%。第二个是DT,分类准确率为63.96%,敏感性为55%,特异性为71.72%。资讯的分类精度为63.95%,敏感性57.50%,特异性69.57%。射频的分类精度为62.78%,敏感性62.50%,特异性63.04%。从结果可以看出表所示3,我们的方法比其他方法更好的性能。

通过比较实验结果表2和3,可以发现,枸杞多糖+ GMRF + SVM提出了充分发挥了纹理特征的互补性。该方法的分类精度为4.65%高于单一特征的最高精度。同时,该方法的精度是6.97%高于其他分类器的精度最高。

4.5。图像预处理的效果分析

实验数据预处理,纹理特征分析了SVM分类器。如表所示4,预处理有助于从图像中提取更多的有用特性,有效地提高了分类精度。

4.6。绩效评估方法

针对少量的数据集的问题,5倍交叉验证用于验证该方法的有效性。也就是说,整个数据集分为五个不同的子集。每次一个子集作为测试集和其他四个子集作为训练集,这个过程重复五次。最后,五个实验结果的平均值计算评估分类器的性能。

通过比较表3与表5,它可以发现错误5倍交叉验证的结果和实验结果之间的将数据集分为训练集和测试集不是很好。这验证了该方法的有效性。

5。讨论

因为TRUS不能可靠地确定前列腺癌(8),6 - 18以上穿刺活检(9)是用于检测癌症病变。然而,一些男性患者活检样本不包含癌症。同时,临床上重要的PSA不一定有前列腺癌4]。

前列腺癌是在超声波图像呈38]。因此,TRUS可怜的目视判读,不能准确地确定肿瘤区域。Gomez-Ferrer和Arlandis25)在他们的工作,发现只有12.6%的病灶呈低,被发现在大多数(68%)良性的组织。确认需要这些数据来分析transrectal超声图像与计算机的帮助。因此,本文提出了一种基于纹理特征融合图像分析方法。

医学诊断的敏感性是一个重要的标准,尤其是在疾病的早期阶段考试。积极的临床检查样品应尽可能避免错过了诊断。在这个实验中使用的纹理特征融合方法。融合纹理特征的敏感性是70.00%,比67.50%的枸杞多糖和57.50%的GMRF。这表明有一个图像中纹理描述与灵敏度之间的相关性:纹理描述越多,越明显的特点积极的病变。然而,对于transrectal超声图像小类之间的差异,整体分类性能也会下降。实验表明,纹理特征融合对分类有重要影响经直肠超声图像。

根据我们的实验方法和结果,是很难在未来开发软件实时图像识别。因为图片必须实时分析和可疑区域的确定,我们认为,这可能是由于几个因素:方法或疾病本身。它可能是前列腺癌和正常腺组织学变化有不同的结构。我们正面临另一个问题是不完整的标签做这样的研究时,因为它是几乎不可能准确地确定癌症的确切位置transrectal超声图像与当前的技术。在我们的研究中,通过研究获得了该注释组织学分析和穿刺网站的位置。然而,这可能或多或少受到影响,因为我们很少提取感兴趣的区域的长度对应于癌症。

6。结论

提出了一种纹理特征分析方法来提高分类精度经直肠超声前列腺图像。首先,transrectal超声图像预处理的光学密度转换技术,然后高斯马尔可夫随机域和地方提取二值化特性。这两个特性是线性组合,然后使用支持向量机分类器分类实验。最后,几个比较实验在我们收集的数据集,并给出了实验结果和分析。实验结果表明,该方法具有良好的分类精度(70.93%)、敏感性(70%)和特异性(71.74%)。这提供了一种低成本、快速、可重复的分析方法transrectal超声引导下前列腺穿刺。在未来的工作中,我们计划与医院开展更有效的合作,获得更多的数据集,然后完善该方法,使之更适合医学领域的实际需要。

数据可用性

(transrectal超声图像)数据用于支持本研究的发现是由漳州福建医科大学的附属医院,许可制中国,所以不能免费提供。

的利益冲突

作者宣称没有利益冲突有关这篇文章的出版。

确认

这项工作是在福建省自然科学基金的支持下,中国(批准号2017 j01386),部分中青年教师在科学和技术研究华侨大学(没有。ZQN-PY518),部分由福建省大数据研究所智能制造、部分和泉州科技计划项目(c113r 2018号和2017号g024)和中国国家自然科学基金的资助(61605048号),部分研究生“创新基金的资助项目下的华侨大学科研拨款18014084002。

引用

1. w·陈,k .太阳,r .郑et al .,“癌症发病率和死亡率在中国,2014年,“中国癌症研究杂志》上,30卷,不。1、1 - 12,2018页。视图:出版商的网站|谷歌学术搜索
2. r·l·西格尔,k·d·米勒和a . Jemal癌症统计数据,2019年,“CA:临床医生的癌症杂志》上,卷69,不。1,7-34,2019页。视图:出版商的网站|谷歌学术搜索
3. r . Llobet j . Perezcortes a Toselli,胡安,“计算机辅助检测前列腺癌,”国际医学信息学杂志》上,卷76,不。7,547 - 556年,2007页。视图:出版商的网站|谷歌学术搜索
4. 罗卜和w·j .加泰罗尼亚”前列腺特异性抗原在临床实践中,“癌症的信,卷249,不。1 - 39,2007页。视图:出版商的网站|谷歌学术搜索
5. g . s . Sandhu g . l . Andriole“过度诊断前列腺癌,”美国国家癌症研究所杂志》的专著,卷2012,不。45岁,146 - 151年,2012页。视图:出版商的网站|谷歌学术搜索
6. j . p . Radtke c·施瓦布m . b .狼et al .,“Multiparametric磁共振成像(MRI)和MRI-transrectal超声波融合指数检测肿瘤活组织检查:相关性与根治性前列腺切除术标本,”欧洲泌尿学,卷70,不。5,846 - 853年,2016页。视图:出版商的网站|谷歌学术搜索
7. g . j . Kelloff p . Choyke d·s·科菲和前列腺癌成像工作小组,“挑战临床前列腺癌:成像的作用,“美国放射学杂志》,卷192,不。6,1455 - 1470年,2009页。视图:出版商的网站|谷歌学术搜索
8. l·h·s·汉h . j . Lu, h .问:钟和s . b .王”的价值经直肠的实时组织弹性成像结合多参数磁共振成像在前列腺活检,”中国超声医学杂志,14卷,不。9日,第710 - 706页,2017年。视图:谷歌学术搜索
9. 诉Scattoni, a . Russo e·迪特拉帕尼Capitanio, g . la Croce f . Montorsi,“重复活检在检测前列腺癌:当有多少核心,”Archivio犬di Urologia e Andrologia,卷86,不。4、311 - 313年,2014页。视图:出版商的网站|谷歌学术搜索
10. a . Anastasiadis l . Zapala e . Cordeiro a . Antoniewicz和t . d . Reijke”前列腺活检并发症。”专家评估抗感染治疗,13卷,不。7,829 - 837年,2014页。视图:谷歌学术搜索
11. 可以见到效果,l . Bonilha l·m·李和f . Cendes“医学图像纹理分析,”临床放射学卷,59号12日,第1069 - 1061页,2004年。视图:出版商的网站|谷歌学术搜索
12. s . Alobaidli s McQuaid c .南诉普拉卡什,p . Evans和a·尼斯贝特认为,“在影像纹理分析的作用结果预测放疗治疗计划和潜在的工具,”英国放射学研究所,卷87,不。1042年,20140369条,2014年。视图:出版商的网站|谷歌学术搜索
13. 杰•麦克伦尼t和d Terzopoulos”,可变形模型在医学图像分析:一项调查,“医学图像分析,1卷,不。2、91 - 108年,1996页。视图:出版商的网站|谷歌学术搜索
14. b . Ganeshan和k .英里”,与CT定量肿瘤异质性,”癌症成像,13卷,不。1,第149 - 140页,2013。视图:出版商的网站|谷歌学术搜索
15. 李z l . Yu x王et al .,“诊断乳腺结构的性能分析在乳腺良、恶性肿瘤的鉴别诊断,”临床乳腺癌,18卷,不。4,pp. e621-e627, 2018年。视图:出版商的网站|谷歌学术搜索
16. r, s . Kido, k .日本须贺et al .,”18日纹理分析f-fdg PET / CT图像区分恶性和良性骨和软组织损伤,”《核医学,28卷,不。9日,第935 - 926页,2014年。视图:出版商的网站|谷歌学术搜索
17. l·萨巴,n .戴伊Ashour et al .,“自动分层的肝病超声:在线准确特性分类模式,”计算机在生物医学方法和项目卷,130年,第134 - 118页,2016年。视图:出版商的网站|谷歌学术搜索
18. 美国r . Acharya副研究员,美国诉Sree et al .,“回顾ultrasound-based甲状腺癌组织特征和自动分类,“技术在癌症研究和治疗,13卷,不。4、289 - 301年,2014页。视图:出版商的网站|谷歌学术搜索
19. 问:朱,Du, p, h . Lu和l .张”形状约束膀胱壁MRI分割算法模型之前,“Neurocomputing卷。294年,19-28,2018页。视图:出版商的网站|谷歌学术搜索
20. x, Du,徐,y, l . Zhang和d .道,“强劲的学习与不完美的特权信息,”人工智能第103246条,卷。282年,2020年。视图:出版商的网站|谷歌学术搜索
21. a . l . Huynen r . j . b . Giesen j·j·m·c·h·德拉玫瑰,r . g . Aarnink f·m·j·Debruyne和h . Wijkstra”分析超声检测前列腺癌的前列腺图像:自动泌尿道的诊断专家系统,”超声波在医学和生物学,20卷,不。1、1 - 10,1994页。视图:出版商的网站|谷歌学术搜索
22. c . Kratzik e·舒斯特尔a . Hainz w . Kuber和g . Lunglmayr”纹理分析-一种新的微分方法从前列腺肥大前列腺癌,”泌尿道的研究,16卷,不。5,395 - 397年,1988页。视图:出版商的网站|谷歌学术搜索
23. s·m·汉、h·j·李和崔j.y.“计算机辅助检测前列腺癌在超声图像,使用纹理特征和临床特征”数码影像杂志,21卷,不。S1, 121 - 133年,2008页。视图:出版商的网站|谷歌学术搜索
24. d . Glotsos Kalatzis, p . Theocharakis et al .,“multi-classifier系统正常的特征,感染,和前列腺癌组织雇佣transrectal超声图像,”计算机在生物医学方法和项目,卷97,不。1,53 - 61年,2010页。视图:出版商的网站|谷歌学术搜索
25. a . Gomez-Ferrer和s . Arlandis“计算机辅助分析经直肠超声前列腺的图像,”找Urologicas诺拉(英语版),35卷,不。7,404 - 413年,2011页。视图:出版商的网站|谷歌学术搜索
26. 问:朱、b Du和p .严”Boundary-weighted域自适应神经网络对前列腺图像分割先生”IEEE医学成像,39卷,不。3、753 - 763年,2020页。视图:出版商的网站|谷歌学术搜索
27. 研究所。大,Z.-S。陈,W.-T。蔡”,一个自动质量检测系统在乳房x光成像基于复杂的纹理特性,”IEEE生物医学和卫生信息学杂志》上,18卷,不。2、618 - 627年,2014页。视图:出版商的网站|谷歌学术搜索
28. r . m . Haralick k Shanmugam,即h·汀斯坦”纹理特征的图像分类,“在媒体和交流学习,SMC-3卷,不。6,610 - 621年,1973页。视图:谷歌学术搜索
29. n .中间人和b区格”的梯度直方图的人体检测,”2005年IEEE计算机学会计算机视觉与模式识别会议(CVPR ' 05)圣地亚哥,页886 - 893,美国2005年。视图:出版商的网站|谷歌学术搜索
30. t . Ojala、m . Pietikainen和d·哈伍德”纹理措施的比较研究与分类分布特点的基础上,“模式识别卷,29号1,51-59,1996页。视图:出版商的网站|谷歌学术搜索
31. d .明、j . c .罗和z . f .沈”地区分区研究高分辨率遥感图像基于GMRF-SVM,”测绘科学,34卷,不。2,33-37,2009页。视图:谷歌学术搜索
32. c·科尔特斯和诉Vapnik支持向量网络。”机器学习,20卷,不。3、273 - 297年,1995页。视图:出版商的网站|谷歌学术搜索
33. r . Min d·A·斯坦利z元,A·邦纳和z,“深度非线性特性映射大幅度资讯分类,”2009年第九IEEE国际会议数据挖掘,页357 - 366,迈阿密,佛罗里达,美国,2009年。视图:出版商的网站|谷歌学术搜索
34. r·沙法维恩因为和d . Landgrebe“决策树分类器的调查方法,”人与控制论IEEE系统,21卷,不。3、660 - 674年,1991页。视图:出版商的网站|谷歌学术搜索
35. l . Yu和巴甫洛夫,“随机森林”,卡累利阿俄罗斯科学院彼得罗扎沃茨克中心,45卷,不。1,5-32,1997页。视图:谷歌学术搜索
36. p .秋”的统计评价医疗测试分类和预测,“美国统计协会杂志》上,卷100,不。470,705年,页2005。视图:出版商的网站|谷歌学术搜索
37. y s h . Liu, y . h . Zhang和h e . Zi-Fen”纹理特征提取火焰图像的基于灰色差异统计,“中国控制工程,20卷,不。2、213 - 218年,2013页。视图:谷歌学术搜索
38. k .筱原t·m·惠勒和p . t . Scardino”的出现在transrectal超声前列腺癌:相关的成像和病理检查,”泌尿学杂志,卷142,不。1,第82 - 76页,1989。视图:出版商的网站|谷歌学术搜索

版权

版权©2020黄小傅et al。这是一个开放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。