质量检测的新GLLD运营商在数字乳房x光片

文摘

在过去的十年中,一些作品处理计算机自动诊断(CAD)的群众在数字乳房x光片。一般来说,主要的困难仍然是质量的检测。这项工作提出了一个有效的质量检测方法基于一种新的局部特征提取。局部二进制模式(LBP)算子及其变体Ojala提出的纹理分类的有力工具。然而,事实证明,这样的运营商无法按照自己的纹理模型质量。我们在本文中提出一个新的本地模式模型命名灰度(GLLD)和地方不同,我们考虑绝对灰度值与本地二进制特征以及当地的区别。人工神经网络(ANN)、支持向量机(SVM)和再邻居(资讯),然后,从nonmasses用于分类的质量,说明更好安分类器的性能。我们使用1000感兴趣的区域(roi)获得的数字扫描(DDSM)。曲线下的面积相应的方法已经被发现质量检测步骤。比较研究与先前的方法证明了我们的方法提供了最好的表演。

1。介绍

乳腺癌是世界上主要的公共卫生问题。它是女性中最常见的癌症(1]。由美国癌症协会的一项研究估计,在八分之一和十二分之一将在他们的生活时间被诊断出患有乳腺癌2]。欧洲共同体估计乳腺癌对应于19%的癌症死亡。此外,它代表了24%的癌症病例(3]。在突尼斯国家,乳腺癌是16,5%的癌症死亡(4]。大多数情况下,25%的乳腺癌病例死亡发生如果40岁到49岁之间的女性被诊断。尽管乳腺癌发病率增加了在过去的十年里,所有年龄段的女性乳腺癌死亡率下降了(5),由于发展乳腺癌的治疗和检查。

在不同成像技术用于检测乳腺癌的乳房x光检查仍是最常用的一个展示乳房异常。Vacek et al。14)表明,乳腺肿瘤检测的比例在佛蒙特州(美国),当应用筛查性乳房x光检查,在1995年至1999年间从2%上升到36%。

如今,数字乳房x光检查给的机会增加使用CAD系统为了帮助放射科医生在乳房x光检查的解释和诊断专家15]。

然而,全数字的快速改善乳房x光检查伴随着自然增长的系统。CAD是一组工具开发帮助放射科医生在乳腺图像的检测和解释16]。

早在2001年,自由和Ulissey16)提出了一个算法使用大量数据集包含12860例和得出结论,x光检查分析的CAD的应用可能会增加在早期恶性肿瘤检测。存在的CAD系统的主要缺点是缺乏通用算法为所有情况下生产好的结果和图像。质量和微钙化物质是常见的病变中发现乳腺图像。我们将本文关注相关质量损伤。为了发展一种改进计算机辅助临床决策分类肿瘤和癌症的识别阶段,我们必须确保它是一个区域是否包含质量。因此质量检测是一种有价值的诊断。我们的工作侧重于乳房的组织分类质量或质量免费。所以,质量检测系统能够协助卫生专业人员发现质量异常乳房x光片。

几个算法通常基于只有一个视图。然而,一些最近的方法使用多个视图(17),但这有三个主要的缺点。(我)形象的观点必须正确注册允许正确的地区比较。(2)灰度值也必须正确注册。(3)有一些情况比较是不可能的,因为没有相关的像素可以做到的(例如,病人遭受从先前的乳房手术)。

重要的是要注意,算法通常使用一个视图可以被应用到多个视图。结构信息已被用来解决这个问题,引入了在几个工作(6,10]。奥利弗等人提出了一个算法基于LBP的乳房摄影质量检测(18]。结果表明,枸杞多糖及其扩展的使用在不同的比较研究一直承诺,已经应用在不同的纹理分析任务(6,19]。然而,枸杞多糖描述符不能模型乳房x线照片纹理因为它们只映射像素灰度值的差异。所以,我们将在这里工作新方法考虑整个纹理信息,当地的差异和地方灰色值作为特征,即灰度和地方区别特征(GLLD)。因此,我们打算调查的效率GLLD基于特征提取的方法。我们执行一组实验1000从DDSM数据库获得roi。

本文使用一个视图中,提出了一种新的计算机辅助设计方法以达到更好的演出的假阴性和假阳性使用GLLD算子。其余本文组织如下。部分2显示了一些相关的乳房x光成像的质量检测工作。节3,我们简要回顾LBP算子和基于GLLD的分析方法。节4简要描述一组分类方法,即支持向量机(SVM),再邻居(资讯)和人工神经网络。部分5保留GLLD提出技术仿真的验证,并进行结果与讨论。在最后一节中,我们总结本文的贡献和结束我们的工作,一些结论和未来的工作。

2。背景

一些图像处理技术被制定为工具,可以帮助早期自动质量检测(20.,21]。乳房摄影质量检测算法使用一个图像视图是基于特征分类器方案:对于一个给定的数据库包含已知的情况下,决策系统学习如何区分两种ROI(质量和nonmass ROI)。此后,一旦给定的系统训练,一个新的ROI可以正确地分类。在所有这些检测算法,我们可以区分两种策略。第一个包括通常的算法提取特征相关的纹理ROI然后训练一个分类器。总结在表方法躺在这样的策略1。第二种策略这个问题转化为一个模板匹配。每个新ROI比较从数据库中获得的所有剩余的ROI图像为了最后归类为质量或nonmass。表2展示了不同的方法应用这一策略。

一方面,钱等。6]分析了一种自适应的实现CAD开发全自动程序质量分割和分类由小说卡尔曼滤波在训练神经网络分类特征提取小波分解(6]。另一方面,Christoyianni et al。7)基于独立分量分析(ICA)提取特征,灰度和纹理,以安训练分类器。此外,他们应用了主成分分析(PCA)的预处理步骤来克服问题的复杂性和增加维度。奥利弗et al。8)提出了不同的策略。后者是基于eigenfaces方法的翻译对于人脸检测/分类问题的质量检测。他们介绍了生成的ROI子空间的概念,原始图像空间。等结果的转换,他们得到一个向量描述每个eigenrau的贡献表示相应的图像。他们利用这些向量模型的建设步骤的培训。在[9],奥利弗等人已经扩展基于PCA方法通过使用二维主成分分析(2神龙公司)的技术。万利拉et al。10)提出了一个方法基于提取灰度形态学特征和分类,使用安,新的ROI。莱昂纳多et al。11)提出了一个算法在乳房x光片图像检测的质量。这项技术是基于形状和结构措施的使用k - means聚类算法和支持向量机,针对检测在乳房x光片图像质量。

如表所示2张的建议的方法等。12Tourassi]和et al。13)是基于一个模板matching-based方法。他们已经提出了分类进行比较的ROI剩下的ROI ROI描绘群众组成的数据库中。这些作品之间的差异出现在相似性度量函数。显示在表2,只有有限的出版物试图检测质量使用基于改进的方法。从两个表中,我们可以得出结论,这些近期作品的一个主要不同是roi描述异常之间的比例和总数量的裁剪图像。重要的是要注意,当正常的roi的数量增加,roi错误分类的数量可能会增加。每个人都应该记住,这项工作的目的是乳腺的分类质量和正常乳腺组织。所有的开发方法允许减少假阳性分数之间的权衡和假阴性率的增加。这种权衡可以确保当使用接受者操作特征(ROC) [22在绩效评估步骤。这是大部分的情况下表的方法1和2。中华民国曲线图形曲线代表真正的阳性率(灵敏度)与假阳性率(100特异性),广泛应用于分类器的性能评估。点代表ROC曲线对应于敏感性和特异性双阈值代表一个特定的决定。AUC(称为)是一个信息的总体性能的方法。此外,后者是一个指标,可以用来比较不同的特性,它允许减少ROC曲线的单个值总结预期性能。一个合理的测试应该

大部分的第一策略方法的缺点,需要计算大量的特性但只会选择最判别(7,8]。除此之外,第二个策略,相似性函数测量用于分类为每个元素需要重新计算。在我们的论文中,克服这种局限性,LBP算子被调查执行灰度不变的纹理分析的概念。后者已被证明是相关的在许多应用程序中。然而,它显示了一些限制,当应用于乳腺图像。例如,它给了相同的结果与两种不同的灰色绝对水平。知道在乳房x光检查灰度信息是非常重要的,我们的方法将添加枸杞多糖绝对灰度信息而不是灰度差异。我们将集中在我们的方法利用小尺寸特征向量以及可能的。在以下部分中,我们将介绍我们的质量检测方法基于纹理特征的提取的GLLD获得roi。

3所示。当地的枸杞多糖的方法和改进

如今纹理分类是一个具有挑战性的问题。它是在计算机视觉研究中一个活跃的话题。早期的纹理分类方法是基于统计分析的图像具有不同的纹理。最具代表性的是同现矩阵法(23)和过滤纹理分类方法(24]。在早期阶段,探索性模型是研究开发的旋转不变性纹理分类,如隐马尔可夫模型(25)和高斯马尔可夫随机场(26]。Varma和Zisserman27)提出了学习训练集旋转不变texton和分类根据其texton获得纹理分布。Varma和Zisserman28)后提出使用图像补丁为了表示直接的特性。最近提议一些作品已经发展为规模以及仿射不变的纹理分类。后来,Ojala et al。29日)提出了LBP直方图的应用程序为了实现旋转不变纹理分类。值得注意的是,枸杞多糖是有效的在描述当地的图像模式和它的性能在计算机视觉和模式识别是光明的。然而,它仍然需要改善乳房x光检查纹理建模。为了生成texton, Ojala et al。30.)应用绝对灰度差异(AGLD)每个像素和它的邻国之间。之后,获得的直方图被用来代表了图像纹理。然后,Ojala et al。29日)提出了枸杞多糖使用不同的符号表示的地方模式。在[31日],Ojala等人建议使用签署灰度差异(SGLD)及其多维分布的描述纹理和考虑简化SGLD枸杞多糖。这种变异的枸杞多糖,仍然需要回答的问题,比如在考虑代码信息丢失什么?如何表示丢失的信息来获得更好的纹理建模?在这里,我们提出一种新的特征提取器来改善系统性能,基于GLLD特性。

3.1。枸杞多糖的一个简短回顾

八个相邻像素在考虑使用的LBP算子中心灰度值作为阈值。这个操作符生成“1”如果认为邻居值大于或等于的中心。否则,它会产生“0”。

因此,指图1,枸杞多糖(29日代码可能是计算如下: 在哪里对应于中心像素的灰度值,的值对应于邻国,(),,对应数量的邻居和社区的半径,分别。然后用一个8位数字表示二进制代码。坐标是(和)。如果邻居不在图像网格,其灰度值可能被插值估计。后确定枸杞多糖的每个像素模式,我们副LBP直方图对整个图像,与给定图像大小(), 在哪里对应于最大灰度值。

让是一个函数的值对应于一个LBP模式,它被定义为过渡的数量(即。,从0到1或1更改为0)在以下模式: 模式对应于有限的转换或不连续,在一个二进制表示。否则,这些模式指出作为统一的枸杞多糖模式(29日]。从原始的映射来,知道上标指的是统一的模式,可以实现使用一个查找表,其中包含元素。

当地的旋转不变的模式定义如下(32]:

的映射来,知道上标对应于旋转不变的统一模式,可能使用查找表实现。

3.2。GLLD基于特征的方法

使用枸杞多糖代码的主要限制是它可能会给出相同的结果有两个完全不同的灰色水平的差异时邻居们都是一样的。

知道乳腺图像,灰度信息直接关系到乳腺组织密度、灰度和地方差异的两个重要特征纹理必须一起使用以更准确的结果。

在我们的方法中,我们提出计算平均为每个社区和中央像素属性。中央像素的新值是表示。

鉴于中央像素的新值和它的圆对称的邻居(见图2),减法的价值提出了如下: 因此,之间的区别和可以表示为和当地的差异可以用一个向量表示知道,在描述当地的图像结构。因为它的健壮性和效率,得到向量是分解的迹象和模组件以达到更好的纹理分类的性能。在我们的建议,对应于不同的符号,它是通过阈值的值表达(8)。然而,对应的绝对值表达(9)。我们获得,另外,两个向量,向量迹象和系数向量, 知道

图3显示了该方法的一个说明的例子。针对识别有力和有效的纹理图案,我们应该从像素灰度提取绝对和相对功能水平。

模组件提供了判别信息签署组件;中央像素强度值对应于其邻国的平均值可能也给我们有用的信息33,34]。它也将被编码符号,模量,和中央灰度特性添加到旋转不变的二进制代码和融合,结果可能会提供更好的性能在乳房x光检查比使用每一个本身纹理分类。这种融合提供了有用的局部灰度信息非常重要的阶段,在乳房x光片图像质量检测。

3.2.1之上。SGLLD、MGLLD CGLLD运营商

在本节中,我们提出了灰度和地方差异(GLLD)不同处理措施探索提出的三个特性,如图4。

我们先从乳腺图像中提取不同的roi。之后,在选定的ROI,每个中心灰度对应的意思是邻居和当地的区别。后者是分解为信号和模组件作为表达(7)。给定一个像素的图像,符号编码组件是指出(SGLLD)和计算通过比较它与邻国的值如下: 在哪里被定义为 在哪里是中央像素的平均值及其邻国。灵感来自编码的方法(SGLLD),组件级的编码是指出(MGLLD)和定义如下: 在哪里对应于一个全球灰度阈值自适应地决定。我们把它从整个图像的平均价值。

中央像素的新值,表示图像的灰度,还代表判别信息。所以,让它与前两个运营商SGLLD和MGLLD一致,我们的代码 在哪里已经定义在(13),对应的阈值,设置为整个输入图像的平均灰度。CGLLD定义提取图像局部灰度。图5说明了图像结果后的应用三个运营商和他们的融合。

三获得代码,实现旋转不变量定义的旋转不变的版本是分类。每个代码携带特定的纹理信息,这就是为什么我们将它们构建GLLD特性,它对应于一个向量。所以,获得的三个直方图被连接到一个直方图(cf图6)。

过程在于使用GLLD为了建立的局部描述符获得roi知道连接导致全球描述和获得全局和本地GLLD纹理描述符,然后,作为质量检测的功能。

下面的图片(图7为不同的roi)说明获得的直方图。在这个图中,我们已经考虑三个简单的例子,以及三个挑战由放射科医师分类错误的例子。所有的六个ROI例子正确分类由我们GLLD纹理特性。在进一步的部分中,我们将集中在验证我们的方法统计DDSM数据库。

4所示。分类

我们的建议是质量分类的最后一步。为了通用性和做一个分类器的最佳选择,三个分类器将进行的调查,即支持向量机(SVM),邻居(资讯)和人工神经网络。下面的小节给出简要回顾这样的分类器。

4.1。支持向量机

支持向量机是一种主要利用分类技术引入Vapanick [35]。学习如何区分正面和negativ(在我们的例子中质量和非质量),通过寻找一个超平面作为决定表面分离的类。超平面是由支持向量。支持向量机使用一个优化方法确定支持向量,重量和偏见用于向量的分类根据以下方程: 在哪里对应于一个内核函数。是指一个点积的线性内核。然后,如果,被归为一个成员属于头等舱。否则,它被列为一个成员属于第二类。

4.2。再邻居

然而,分类器是一个众所周知的方法在大量的应用程序。因为资讯是基于内存的,没有模型需要训练。对于一个给定的实例,然而,首先发现的最近的训练点对一个特定的距离度量。然后,它使用标签来分类的实例通过多数投票(36]。在这项研究中,我们使用欧式距离来确定最近的邻居查询元素的和被用作训练参数。为每个元素,输出分数对应的比例获得社区的总数中类元素对应的数据集。

4.3。人工神经网络

安已广泛应用于许多应用程序专家知识在哪里不明确37]。安的想法启发了生物神经系统,已成功应用于医学影像。这项技术是基于输入-输出的神经元之间的权重的调整函数近似。因此安,已广泛应用于数字乳房x光检查模拟计算能力和人类大脑的认知功能。

两种基本类型的安,多层感知器(MLP)以及径向基函数网络(RBF),经常用于近期作品。

一方面,多层感知器(mlp)前馈人工神经网络模型通常与静态反向传播训练。mlp找到进入许多应用程序需要静态模式分类。他们的主要优点是易于使用和逼近能力的输入/输出映射。

另一方面,径向基函数(RBF)网络的非线性混合网络包含一个隐层的处理元素。这一层使用高斯转移函数和全局使用的s形函数(38]。这种类型的安在时通常使用样品的数量是很小(< 100)。所以,RBF神经网络的限制是非常敏感的维度,并越来越困难如果单位的数量很大。

基于这样的假设,并知道GLLD特征尺寸是1352,我们打算利用向MLP调查结果使用安[39]。用MLP网络参数的细节展示在表3。让我们考虑输入向量,权向量,激活函数对应于一个s形的函数,因此网络输出定义如下: 对于每一个ROI样本,GLLD特性计算和使用的分类步骤作为神经网络的输入。图8说明了应用神经网络。

评估培训的有效性是基于网络的测量相对误差如下: 在哪里是一种由贪婪导致的ROI相应的质量或nonmasses安和对应于目标。使用人工网络可能会导致较低的错误率。培训后一步,泛化误差可能会评估的各种特性和网络条件。图9该方法地图的不同步骤。

在下一节中,结果为安,支持向量机,然而,分类器将用于比较说明。

5。实验结果

本部分由以下部分组成。首先,提出了评估中使用的数据库。后来,我们说明了结果不同的旋转不变行下设置。然后我们做一个调查相关的特性,通过使用预定的特性(SGLLD、MGLLD CGLLD)分别作为输入向量的分类器。在进一步的步骤中,我们做了分类器的输入连接向量由具有不同特征向量。获得特征向量可以比较不同的分类方法。然后,我们实验不同的ROI图像大小。最后,我们建议的比较研究的最先进的将做一个公平的评价。

5.1。乳房x光检查的数据集

我们的方法已被评估基于公开的数据库从DDSM数据库(40]。

DDSM包含2620个人,在43卷。一个卷对应于不同情况下的集合。案例的收集是一个病人的乳房x光检查考试的所有信息。DDSM数据库中的每个案件包含两个图像,每个乳房,也就是说,在每个案例中,乳房x光检查包括身高和中间外侧的斜视图(CC和枣疯病,resp)。DDSM数据库提供的元数据(日期的研究、乳腺密度评估类别,等等)的异常使用乳腺影像报告和数据系统(BI-RADS)词典,它提供,同时,相应的链码的可疑区域。这些链码的轮廓异常可能被识别。DDSM提供品质量的地区。然而,精确的描绘是不足够的验证我们的方法,因为它是缩减规模的图像DDSM数据库(8)的因素41),参见2。因此,我们穿着ROI提取的基于手工分割为两个专家放射科医生的30多年的临床经验Farabi成像。我们也应该注意到所有被认为是DDSM群众活检证实的。

5.2。影响下的旋转不变行设置

这项研究是基于1000年ROI提取从数据库DDSM乳房x光检查。这些roi是随机选择的,分为两组:500个样本进行训练和500个样本测试。在训练集以及设定集,我们使用250个样本对应的对应nonmasses群众和250的样品。评估我们的质量检测算法是通过执行一个分析方法,输入ROI的分类使用适当的分类方法和程序重新应用所有剩下的ROI作为输入。

从表中给出的结果4,我们可以得出这样的结论:,GLLD曲线下的面积从0.93增加到0.95。行设置下选择影响非常小的性能。在接下来的实验中,就会被使用。

5.3。调查方法的分类

从比较研究,如表所示5,我们注意安提供了最好的结果。这可以归因于其更高的性能函数估计值。

5.4。调查的相关特性

如图10和表6CAD系统达到更好的性能当使用比模量组件签署组件。然而,他们的融合可能提供更好的结果比使用符号或模量在纹理分类。的AUC融合后的三个运营商,,使用安作为分类器实验设置。

从表可以指出6,关于地方灰度特性提供了有用的信息是最重要的一个在乳房x光片图像质量检测。

5.5。结果不同ROI图像大小

根据病变的大小,我们使用六种不同的组的ROI图像,这是群众的正确分类的一个重要方面。这些类对应于以下指定的质量大小间隔(9大小:1:< 102:尺寸(60),大小3:(60 - 120),大小4:(120 - 190)第五、大小:和大小6:> 270 mm²。然而,使用数量的质量在每个班级规模,分别为28岁,32岁,37岁,57岁的69年,33群众。表7说明了值为每个类的ROI图像大小和获得的意思值。我们包括在这张桌子定量与奥利弗的工作等。8,9)被认为是相同的大小。奥利弗等人在8,9使用数据库的ROI比率(1/3),指定相同的质量大小间隔,每个班级规模相同数量的群众。

表中给出的结果7显示,功能是有效的质量检测在不同的ROI图像大小,而后者是正确分类的一个重要方面。我们的方法证明其性能在最困难的情况下,对应于较小的质量。注意,对于这个提议比,得到了更好的结果对所有大小间隔。

5.6。与一些顺向方法比较先进的质量检测

表8显示的是不同的性能值不同的方法中给出的最先进的部分2。这样是代表比较证明了该GLLD运营商质量检测的有效性。例如,[10,12,13),使用比例(1/1)一样在我们的情况下,值0.83,0.90和0.81,分别获得。

6。结论

CAD系统已经使用和近年来获得更大的效用,作为第二虚拟读者对医学图像,有助于提高乳腺癌的早期检测。这项工作提出了一种新的基于纹理特征的乳房摄影质量检测方法。我们的建议结合灰度以及当地的差异。合并后的描述符,分别,,提供最后一个名为GLLD纹理特征描述符,用来分类大众和大众免费的roi。ANN分类器提供更好性能的分类由于其较高的近似函数。不同大小的图像被认为是为更好的提高检测率。最后,比较研究与先前的作品是公平评价完成的。这样的比较说明了我们的方法会导致最好的性能。与我合作的专家发现,提出CAD改善乳房x光检查筛查的敏感性。事实上,CAD系统是有用的在interobserver高可变性的情况下,缺乏训练有素的观察员,或不可能执行双重阅读与两个或两个以上的放射科医生规定BIRADS类别。未来的工作将集中在大众的分类四个乳房Imaging-Reporting和数据系统(BI-RADS)类别。

确认

作者要感谢阿比德博士Riadh,突厥语族的博士•哈桑,Kassatr Fathi博士和博士Haddouk Bechir,放射科医生El Farabi成像中心,斯法克斯,突尼斯,在医学院学习的教师斯法克斯对他们有用的讨论和建议。衷心感谢yopougon MVG和VGG枸杞多糖的分享他们的源代码。

引用

1. 欧盟统计局,”卫生statistics-Atlas死亡率在欧盟,”欧洲委员会,2002年。视图:谷歌学术搜索
2. 美国癌症协会“2012年癌症的事实和数字,”美国癌症协会,亚特兰大,乔治亚州,美国,2012年。视图:谷歌学术搜索
3. j·埃斯a . Kricker j . Ferlay d·帕金,“事实和数字在欧洲共同体的癌症,”国际癌症研究机构,里昂,法国,1993年。视图:谷歌学术搜索
4. n Mourali,”哈罗德在洛杉矶首映引起de mortalite在《世界报》,“Livret桑特。2010年。视图:谷歌学术搜索
5. e·a·镰刀,“乳腺癌筛查结果在女性年龄在40至49:临床经验与服务使用现代乳房x光检查筛选,“美国国家癌症研究所杂志》上。专著,没有。22日,第104 - 99页,1997年。视图:谷歌学术搜索
6. w .钱,x的太阳,d .歌曲,r . a .云雀”数字mammography-wavelet变换和卡尔曼滤波的神经网络在大规模分割和检测,”放射学学术,8卷,不。11日,第1082 - 1074页,2001年。视图:谷歌学术搜索
7. Christoyianni, a . Koutras大肠Dermatas, g . Kokkinakis“计算机辅助诊断乳腺癌的数字化乳房x光检查,”计算机医学影像和图形,26卷,不。5,309 - 319年,2002页。视图:出版商的网站|谷歌学术搜索
8. A .奥利弗·j·马蒂,r·马蒂A .博世和j . Freixenet”一种新的乳腺肿块的分类方法和正常乳腺组织,”IAPR模式识别国际会议的程序4卷,第710 - 707页,2006年。视图:谷歌学术搜索
9. 答:奥利弗,x Llado、j·马蒂和r·马蒂”减少假阳性乳腺癌质量检测使用二维主成分分析,“在计算机科学的课堂讲稿,第161 - 154页,2007年。视图:谷歌学术搜索
10. c . Varela p·g . Tahoces a·j·门德斯m . Souto j。j·维达尔,“电脑检测数字化乳腺肿块的乳房x光检查,”计算机在生物学和医学,没有。2、214 - 226年,2007页。视图:谷歌学术搜索
11. o·m·达·芬奇b . j . Geraldo o . c . s . Arist c·p·安塞尔莫·g·马塞洛,“检测质量在数字乳房x光检查使用k - means和支持向量机,”ELCVIA,8卷,不。2,39-50,2009页。视图:谷歌学术搜索
12. 黄懿慧Chang l . a . Hardesty c·m·哈基姆et al .,“以知识为基础的计算机辅助检测质量数字化乳房x光检查:初步评估,”医学物理学,28卷,不。4、455 - 461年,2001页。视图:出版商的网站|谷歌学术搜索
13. b . Harrawood, Tourassi g·d·s·辛格,j . y . Lo和c·e·弗洛伊德“评价信息理论的相似性措施基于内容的检索和检测质量在乳房x光成像,”IEEE医学成像,34卷,不。1,第150 - 140页,2007。视图:谷歌学术搜索
14. p . m . Vacek b·m·盖勒·d·l·韦弗和r . s .福斯特“增加乳房x光检查使用及其对早期乳腺癌检测的影响在佛蒙特州,1975 - 1999,”癌症,卷94,不。8,2160 - 2168年,2002页。视图:出版商的网站|谷歌学术搜索
15. f . Winsberg m·艾尔j .梅西诉Bordaz, w .韦茅斯,“射线照相检测异常在乳房x光成像通过光学扫描和计算机分析,“放射学,卷89,不。2、211 - 215年,1967页。视图:谷歌学术搜索
16. t . w .自由和m . j . Ulissey”筛查性乳房x光检查和计算机辅助检测方法:前瞻性研究12860例患者的乳腺中心,“放射学,卷220,不。3、781 - 786年,2001页。视图:谷歌学术搜索
17. 美国范Engeland和n . Karssemeijer”结合twomammographic预测在一个计算机辅助质量检测方法,”医学物理学34卷,第905 - 898页,2007年。视图:谷歌学术搜索
18. 答:奥利弗,x Llado、j . Freixenet和j .马蒂“假阳性在乳房x光片质量检测使用局部二进制模式,减少”《医学影像计算和计算机辅助介入的国际会议,第293 - 286页,2007年。视图:谷歌学术搜索
19. j .张和t . Tan“不变的纹理analysismethods简短回顾,”模式识别,35卷,不。3、735 - 747年,2002页。视图:谷歌学术搜索
20. r . m . Rangayyan f·j·艾尔斯,j . e .狮子座Desautels”回顾计算机辅助诊断乳腺癌的:发现细微的迹象,”富兰克林研究所杂志》上,卷344,不。3 - 4、312 - 348年,2007页。视图:出版商的网站|谷歌学术搜索
21. a·罗哈斯和a .南帝”,检测质量在乳房x光成像通过基于统计学的增强,multilevel-thresholding分割,和区域选择,”计算机医学影像和图形,32卷,不。4、304 - 315年,2008页。视图:谷歌学术搜索
22. j·a·汉利和b·j·麦克尼尔公司”的意义和使用接受者操作特征(ROC)曲线下面积,“放射学,卷143,不。1,29-36,1982页。视图:谷歌学术搜索
23. r . m . Haralik k Shanmugam,汀斯坦,“纹理特征的图像分类,”IEEE系统,3卷,第621 - 610页,1973年。视图:谷歌学术搜索
24. t . Randen和j . h . Husy”过滤纹理分类:比较研究”,IEEE模式分析与机器智能21卷,第310 - 291页,1999年。视图:谷歌学术搜索
25. j·l·陈和a .茶室”,旋转和灰度变换不变的纹理识别使用隐马尔可夫模型和小波分解,“IEEE模式分析与机器智能,16卷,不。2、208 - 214年,1994页。视图:出版商的网站|谷歌学术搜索
26. h·邓和d . a . Clausi高斯VZ-MRF旋转不变特征的图像分类,“IEEE模式分析与机器智能26卷,第955 - 951页,2004年。视图:谷歌学术搜索
27. m . Varma和A . Zisserman”统计的方法从单一图像纹理分类,“国际计算机视觉杂志》上,卷62,不。1 - 2、61 - 81年,2005页。视图:出版商的网站|谷歌学术搜索
28. m . Varma和a . Zisserman“纹理分类:滤波器是必要的,”国际会议的程序在计算机视觉和模式识别,第698 - 691页,2003年。视图:谷歌学术搜索
29. t . Ojala m . Pietikainen, t . Maenpaa”多分辨率灰度和旋转不变的纹理分类与局部二进制模式,”IEEE模式分析与机器智能,24卷,不。7,971 - 987年,2002页。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日51-59,1996页。视图:谷歌学术搜索
31. t . Ojala k Valkealahti、大肠Oja和m . Pietikainen”纹理歧视多维分布的灰度差异,签署“模式识别,34卷,不。3、727 - 739年,2001页。视图:出版商的网站|谷歌学术搜索
32. t . Ahonen j . Matas c .他和m . Pietikainen”旋转不变图像傅里叶特征,与当地二进制模式直方图描述”《北欧图像分析会议卷,5575在计算机科学的课堂讲稿施普林格,页61 - 70年,柏林,德国,2009年。视图:谷歌学术搜索
33. m . Varma和a . Zisserman“纹理分类:滤波器有必要吗?“在《IEEE计算机学会学报计算机视觉与模式识别会议2003年6月,页691 - 698。视图:谷歌学术搜索
34. m . Varma和A . Zisserrman”统计方法使用图像补丁examplars材料分类,“IEEE模式分析与机器智能没有,卷。31日。11日,第2047 - 2032页,2009年。视图:谷歌学术搜索
35. 诉Vapanick,统计学习理论的本质施普林格,纽约,纽约,美国,1995年。
36. t . Hastie r . Tibshirani和j·弗里德曼,统计学习的元素:数据挖掘、推理与预测施普林格,2009年。
37. d . e . Rumelhart和g·e·辛顿学习内部表示误差传播,并行分布式处理,1卷,页318 - 362,麻省理工学院出版社,剑桥,质量,美国,1986年。
38. j . Padmavati”比较研究乳腺癌预测使用RBF和中长期规划,“国际科学和工程研究杂志》上,卷2,不。1,2011。视图:谷歌学术搜索
39. m . Oravec和j . Pavlovicova”基于前馈神经网络的人脸识别方法、主成分分析和自组织映射,”无线电工程,16卷,不。1,51-57,2007页。视图:谷歌学术搜索
40. d·k·m·希斯和k·w·鲍耶,“数字扫描图像的当前状态,”诉讼的第四届国际研讨会上数字乳房x光检查,1998年。视图:谷歌学术搜索
41. 大肠的歌,徐,徐x et al .,“混合分割质量的乳房x光检查使用模板匹配和动态规划,“放射学学术,17卷,不。11日,第460 - 457页,2010年。视图:谷歌学术搜索

版权

版权©2012 n . Gargouri et al。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。