使用多通道数据自动直方图规定化神经胶质瘤分级

文摘

多中心共享是一种有效的方法来增加神经胶质瘤研究的数据大小,但数据不同机构之间的矛盾阻碍了效率。本文提出一种直方图规定化的自动选择参考帧磁共振图像(HSASR)来缓解这个问题。参考帧的选择是自动执行的优化与粗和细网格搜索策略搜索。首先缩小搜索范围的粗搜索intraglioma样本,然后选择合适的参考帧直方图的样本选择粗内细搜索搜索。验证实验是进行两个数据集GliomaHPPH2018和BraTS2017执行神经胶质瘤分级。结果证明该方法的高绩效。复杂的数据集,平均AUC,准确性,敏感性,特异性和0.9786,分别为94.13%,94.64%,和93.00%。高出约15%在所有指标相比之下,那些没有HSASR有点优势的结果由放射科医生手动选择的参考系。结果表明,我们的方法可以有效地缓解多中心数据不一致和提高预测模型的性能。

1。介绍

大脑神经胶质瘤是一种流行的致命疾病,大多数恶性肿瘤,占大约24.7%的大脑和其他中枢神经系统原发性肿瘤和恶性肿瘤的74.6%1]。世界卫生组织神经胶质瘤诊断和治疗指南分为四层,即i ii和iii iv低级神经胶质瘤(LGG)和高级神经胶质瘤(HGG) [2]。在临床应用中,生物学行为、神经胶质瘤患者的治疗方案,预测不同等级是明显不同的。因此,准确的试运行分级胶质瘤是很重要的。磁共振成像(MRI)的特点是多方向的断层扫描和多参数高分辨率软组织成像和被广泛用于评估肿瘤异质性(3]。MRI在胶质瘤分级是常用的,因为它可以准确地显示的位置和大小,和它关联的组织学特征。在医学研究,高质量的数据是很难获得在一个单一的机构,因此,需要通过多中心共享。然而,多中心数据的差异是一个严重的挑战。

在多中心神经胶质瘤MRI数据的采集,由于采集设备和参数的差异造成显著差异在样本数据的规范中,大小、对比度和亮度。数据差异导致神经胶质瘤的分级效果偏差(4]。图1显示多中心数据之间的差异。图1(一个)显示,一些数据包含的头骨和其他人不包含。图1(b)显示,这些数据有不同的尺度和片的数量。一项研究表明,像素大小和切片厚度显著影响空间和强度特征的计算5,6]。因此,体素的大小必须统一,以减少计算误差特征。图1(c)提出了六个不同的对比图片。这些差异是由于偏差在采集设备和参数。

为了缓解矛盾的多中心数据的对比,有必要适当地提高图像数据。直方图修正是一种常用的技术在图像增强7]。其中,直方图均衡化(他)和归一化技术8,9)通常被用来调整图像的整体亮度。这种类型的方法主要是扩大范围的灰度值直方图没有调整其强度。这些方法只能提高整体形象,提高它的亮度,但是肿瘤和其他组织之间的对比不明显增强(10,11]。直方图规定化(HS)的频率可以改变灰度值和亮度增强任何地方12,13),但它主要是调整当地的亮度根据参考系。一般来说,由放射科医生选择参考系。然而,这个过程会消耗大量的时间和最后的参考帧可能不是最好的选择。因此,这是一个紧急的问题自动搜索的最佳参考帧直方图由放射科医生而不是搜索。

本文提出了直方图规定化的自动选择参考帧磁共振图像,称为HSASR,专门用于替换放射科医生手动选择参考系。这种方法可以提高肿瘤的一致性强度在整个医学图像。在这项工作中,我们应用HSASR神经胶质瘤多中心数据的预处理,并证明了该方法的有效性,神经胶质瘤分级实验。结果表明,该方法在神经胶质瘤分级研究中有一定的实用价值。

本研究的主要贡献如下:(1)本文提出一种直方图规定化的自动选择参考系(HSASR)。这种方法可以自动选择合适的参考帧直方图代替放射科医生在图像增强,以提高脑肿瘤图像对比的一致性。(2)本文提出一组图像标准化算法预处理多中心数据具有更好的一致性,提高数据的适应性,改善神经胶质瘤预测模型的准确性。

2。相关的工作

近年来,研究者们逐渐采用多中心数据取代单一机构在临床医学研究。然而,多中心数据也面临许多挑战。Berenguer et al。14)进行了两次试验法的幽灵的研究个人图像采集参数。图像参数对图像的影响无法分析,因为模型的差异或机器制造商。因此,变化,因为使用的图像被完全消除扫描幻影。此外,雨果et al。15]表明,多中心结构磁共振成像研究具有较强的统计功效比单一机构的研究。然而,中央对比敏感度的差异和空间均匀性导致组织分类的差异或图像配准,可能减少或完全抵消增强的多中心数据的统计功效。因此,保持数据在标准的环境是很重要的。Nyul et al。16)所提到的一些问题在最初的MRI规模预处理方法和其他试图使用中值和百分位数值方法,如具有里程碑意义,解决这些问题;他们获得强劲的预处理后的结果。标准化的新地标的有效性还提到在这项研究中,之后的图像亮度和对比度的一致性有显著改善。巴卡et al。17,18)集中在数据预处理方法,该方法的预处理方法有一定的启发作用。

在预处理、多中心数据图像的对比度增强是一个重要的挑战。这是表明,高对比度的医学图像可能会导致一个更好的解释不同的相邻组织成像部位(19,20.]。因此,由此产生的增强图像,不同组织的信号强度,可以促进自动分割,特征提取,分类这些组织。现有的图像增强技术(经验或启发式)是显著相关的特定的形象,通常旨在改善图像对比度。然而,没有统一的标准来衡量图像增强的质量效应(21- - - - - -24]。

图像增强可分为两类:空间域法和频率域法。在空间域图像增强通常纠正直方图。全球灰度直方图均衡化是一种常用的图像增强技术,和灰度值均匀分配是基于直方图的累积密度函数(25]。然而,均衡未能考虑灰度值的强度。图像的平均亮度可以让地区大型原始强度减弱,而将照亮黑暗的区域均衡后图像。Sengee et al。26)建议延长BBHE基于邻近度量的方法。这种方法涉及几个步骤:首先,一个大型直方图分为独立使用地区的次区域度量和过程。这种方法可能导致边界噪声和亮度不均匀直方图在两部分。此外,MedGA [24)是一种增强方法,他结合遗传算法直接提高频率直方图的图像,取得了明显的成果。然而,这种方法只能局限于两个灰度级的地区性组织的存在,而不是提高复杂的脑部肿瘤。

3所示。材料和方法

3.1。数据收集

神经胶质瘤数据研究中使用了两个独立的来源,BraTS2017 GliomaHPPH2018数据集。BraTS2017数据集来自各种各样的扫描仪器从19医疗机构。BraTS2017数据集包括210 HGG数据和75年LGG数据;已经分段时获得的数据。GliomaHPPH2018数据集获得了来自多个不同的模型从多个设备制造商,包括4西门子设备(1 1.5 t设备、3 3 t设备)和4通用电气设备(2 1.5 t设备,2 3 t设备),如表所示1。磁共振在这些设备上收集的数据是不同的。数据检验之后,有多达186默认检查协议设备,和对比度增强t1加权成像(CET1)是用在这项研究中,包括35 CET1序列(见下表2),层厚度5毫米到6.5毫米,重复的220 - 1970毫秒,回波时间2.46 - -28.60,女士和分辨率为256×256×320×290×320×320×384×384×448×408×18日和512×512×18。GliomaHPPH2018数据集包括161 hgg数据和77 LGG数据。三维感兴趣的区域(ROI)的肿瘤GliomaHPPH2018描绘了两位放射科医生在河南省人民医院。roi是分段挤牙膏式的轴面使用CET1序列。两个放射科医生之间的讨论后,最终决定选择最优分割文件。

3.2。直方图规定化

海关,一个有效的图像增强技术,是直方图均衡化的扩展,可以有效地缓解直方图均衡化的问题。让r=是一个H×W离散输入数字图像l灰色的水平,让l= {0,1,…,l−1}。图像的直方图和灰度概率密度定义如下: 在哪里N=H×W和N与灰度的像素数量。累积分布函数(CDF)提出了如下:

类似地,如果指定的参考图像z,灰色的累积分布函数 在哪里米和N与灰度像素的数量吗l。HS试图获取转换函数y=F(x灰度)和地图x原始图像的灰度y,转换后的图像可以参考直方图直方图相似。保留原始图像的固有信息的功能F应该是单调递增的函数。这个函数可以通过使用以下方程:

因此,地图的灰度可以获得通过 在哪里的逆 。

在离散情况下,逆函数通常是不存在的。逆函数通常是最好的目标函数近似代替了y的一个特定的灰度x如下:

方程(6)代表原始图像之差的绝对值的累积直方图和灰度函数指定参考直方图,然后选择最小值为y价值。使用这种转换规则,每个灰度x可以映射到y。因此,图像将映射类似于所需的直方图。

的参照系选择的柱状图通常是医生。然而,选择的参考图像可能不适合,从而消耗大量的放射科医生的时间。为了解决这个问题,一个优化的网格搜索策略与粗和细搜索,提出了自动选择合适的参考系。

3.3。HSASR

在这项研究中,提出了一种改进的网格搜索方法解决的问题选择一个指定的参考图像。网格搜索通常被用来划分网格长度相同的在一定空间范围的基础上,提出坐标系统。搜索每一个坐标点代表一个参数,这些参数计算和分析了基于步长。最后,最优参数被认为是输出。鉴于该方法必须遍历所有的网格中的对应点,许多不必要的无效计算生成,导致一个指数增加。

减少时间消耗,本研究提高定向网格优化搜索基于数据特征。神经胶质瘤本身的特点的基础上,该方法提高了使用粗分割和细分。水平和垂直搜索用于粗分割和细分,分别。改进的方法的具体步骤如下:(1)集群的数量N和片的数量K每个肿瘤的决心。每个集群设置我和初始化的步骤大小K/ 2。建立一个二维网格通过使用N和K,网格节点对应的参考片N和K。(2)粗搜索,每次搜索步长由每组的开始(水平),在每个集群中位数片被选为参考框架。然后,30%的数据在所有的数据集都随机选择直方图规定化(每次选择相同的样本),然后数据直方图规定化后的性能测试。(3)最好选择集的所有曲线下的面积(AUC)根据阈值T并执行接下来的精细搜索。(4)细搜索:在最佳的集群中,搜索开始从中间部分(两个指针将指向中间部分),和指针向上先后1搜索。如果参考帧不包含肿瘤,然后停止搜索。如果当前和先前的值之间的差异大于T,然后停止搜索,选择最优值。与此同时,类似于前一步,指针2是向下搜索。(5)最优参考片地图是最终的输出。如果存在多个最优值,然后选择基于准确性和特异性指标。如果存在几个最佳参考帧,那么第一个最佳参考系是选为最终的参考系。

算法1描述了HSASR算法。的参数T在步骤1中防止额外的最优值的集合被错过。的T在步骤2中节省搜索时间。图2提出了改进的二维图优化网格搜索。在这项研究中,N表示数据样本的数量,K每个样本表示的片数,K/ 2的中间片样品。首先,执行水平粗搜索。淡蓝色圆圈表示在每个集群的性能值中间片。的最优选择集群纵向细搜索,中间部分被认为是初始值,两端同时搜索。垂直的圆形和深蓝色方形代表着性能值的最优设置和选择最后的参考系,分别。

3.4。实验

图3显示了多中心数据分级预测的整个过程。首先,数据导入,数据预处理,特征提取的使用特性计算方法,特征选择和模型训练终于进行了。本研究的贡献点是在预处理阶段。HSASR的预处理方法是最重要的一部分。

3.5。预处理

多中心数据的存储格式通常是不一致的。本研究的数据格式包括NIfTI和DICOM格式的文件。因此,为了规范多中心数据格式,本研究采用基于Convert3D工具统一格式转换方法的所有数据样本格式为NIfTI格式。大多数患者在GliomaHPPH2018数据集有18 DICOM文件CET1序列,和少数患者有36个文件。格式转换后,所有片每个病人的CET1 NIfTI格式文件转换成序列,从而在随后统一数据处理提供方便。

此外,统一的多中心数据预处理,维持脑组织结构的一致性也很重要。GliomaHPPH2018数据集包含颅骨图像,在这项研究中,被收购的时候BraTS2017数据集。这种情况不仅一定对商品的影响,还介绍了困难,结合这两个数据集,由于它们之间的差距。在这项研究中,目前工具首先用于位置登记,然后是头骨被基于赌注的脚本。在这项研究中,238年的数据头骨被移除,和大脑组织的利益和地区相对完好无损。

此外,空间数据的一致性维护形象。多个立体像素范围发生在两个数据集。Convert3D的基础上,我们采用最短的距离插值重采样技术进行规模在每个数据样本重采样。每个数据样本的大小是240×240×155统一,和标签样本也转换成相同大小的文件。此外,统一片之间的距离是1毫米,最初的立场是[0,239−0]。

解决问题的多中心数据的不一致的亮度和对比度,提出了直方图规定化,自动选择参考系的磁共振图像。神经胶质瘤本身的特点的基础上,提出了一个优化与粗和细网格搜索策略搜索。首先,在粗搜索,选择所有数据样本作为参考的对象选择在这个研究。每个文件被认为是一个收集和步长设置为中间的数的集合(78),从每一个收集每一次的开始。中间部分(78)的每个集合作为参考片HS, 30%的图像样本是随机选择从所有数据,并通过海关进行图像增强,然后导入到本研究的模型验证过程。T设置为1%,最高的一组AUC值和AUC值误差不到1%被选中。进行细搜索,此外,研究步长改为1,数据从中间的数向上和向下搜索,搜索是根据结束条件。

3.6。工程特性

正在处理的所有数据被导入到特性计算。对于每一个感兴趣的区域,557年通过Pyradiomics radiomics特性计算(Pyradiomics是医学图像的计算特点的工具)。在这项研究中,包括9空间几何特性,仅计算在原始空间。十八43一阶统计特征和纹理特征计算的原始数据和八个小波分解空间,分别。对所有图像组织学特性,模型训练后直接进行缺失值的处理。

计算特性导入到本研究预测模型脚本。模型脚本分为两部分,即特征选择和分类器。五个选择方法和9个分类器建立分类器相结合,和训练集和测试集导入到预测模型。实验2和3的设计在下一节中,80%和20%的数据从数据表被选中作为训练集和测试集,分别。预测然后重复10次。最终结果的平均值,和分类器选择方法与评级最好的结果最终选择设备。选择方法用于研究SelectKBest (f_classif)分类标签功能任务之间的方差分析f值,主成分分析(PCA),核主成分分析(KPCA),独立分量相关算法(ICA),因子分析(FA)。在这项研究中使用的分类器决策树(DT),随机森林(RF),装袋(袋)、二叉搜索树(BSA),朴素贝叶斯(NB),多层感知(MLP)、支持向量机(SVM),物流(LR),再邻居(资讯)。实验1中的两个不同的数据集,选择稳定的培训模式通过使用10倍交叉验证计划,然后分级预测是最后执行。

3.7。实验比较设计

验证多中心数据处理的有效性,本研究提出以下流程设计:(1)把加工GliomaHPPH2018 BraTS2017数据集作为训练集和测试集,分别。然后,使用两个unpreprocessed数据集作为对比实验。(2)混合在一起的521个数据样本GliomaHPPH2018 BraTS2017,预处理数据,进行特征选择和模型训练,并分析结果。(3)使用和加工GliomaHPPH2018单一序列和BraTS2017比较实验。(4)之间进行比较实验研究方法和常用的图像增强方法复杂的数据集。最后,这些结果与未经处理的数据进行比较。此外,为了验证HSASR的有效性,比较研究结果与参考图结果由放射科医生。

4所示。结果与讨论

4.1。分析的图像增强

削弱了多中心数据的目的是缓解组和保留个人特征之间的区别。也就是说,留住肿瘤形态特征的前提下,不同医疗机构的图像数据有类似的对比度和亮度。在这项研究中,多中心神经胶质瘤数据图像的对比度和亮度显著提高预处理后图像增强。图4显示了在12例MRI CET1序列的结果。图的左边4礼物,第一行和第二行没有HSASR LGG,第三和第四行没有HSASR HGG。所有加工神经胶质瘤数据是显示在右边的图。的例子显示左右一一对应。从图像的角度,对比度和亮度的范围没有HSASR图的数据4相对复杂和肿瘤区域模糊,难以区分。HSASR后的数据是一致的和亮度相比,肿瘤面积显著提高,基本特征(肿瘤形态学和病变范围)可以保留原始图像。

4.2。神经胶质瘤的分级

本文旨在间接反映了这些方法的有效性通过使用模型预测指标。验证进一步多中心数据处理的影响,本节进行分级结果的验证基于以下指标:AUC,准确性(ACC),灵敏度(SEN)和特异性(SPE)。

实验1的表3礼物的结果GliomaHPPH2018and BraTS2017数据集作为训练和测试集,分别。HSASR的结果表明,该数据是更好的预测,以及指标显著提高与未加工的数据相比,如图5。图5(一个)显示BraTS2017的ROC曲线是一个训练集和GliomaHPPH2018测试集,和图5 (b)显示了ROC曲线的测试集和训练集交换。从图可以观察到,当测试集和训练集交换,也可以获得更好的结果。结果表明,数据由HRASR处理方法有很好的适应性,可以减轻多中心数据图像之间的差异。

实验2在表3介绍了混合数据集的结果。计算特征被导入到10迭代的随机预测,提出了分级模型,随后获得的平均价值。最后,模型最好的平均表现是选为最终的模型。处理后的结果表明,AUC一般增长超过15%,和其他指标也显著提高。实验3表3HSASR所处理的数据表明,在单个数据集也达到一个良好的分级效果。

实验4表4显示了比较实验由三个不同的混合数据集的方法。这些方法包括他的方法,由放射科医生手动选择的参考系方法,本文提出的方法。结果表明,与其他两种方法相比,本文方法明显提高了神经胶质瘤的分级效果。参照系选择的放射科医生根据经验显示在胶质瘤分级显著改善,但从结果可以看出,所选择的参考系的性能比这更糟的自动选择。

表5给出了性能比较相似的工作引用数据集使用神经胶质瘤。在[27),数据预处理后,他们使用一个修改版的AlexNet先生的大脑图像分类为三个类像健康的大脑,LGG, HGG。然而,这些工作的数据量太小,无法验证该方法的鲁棒性。文献[28)还包括数据预处理,但我们的数据的两倍大,结果验证了分级模型是比这更好的方法。

图6是最后的混淆矩阵对应的模型混合神经胶质瘤数据在实验2中,和LGG HGG代表底层标签和高级标签,分别。图6(一)显示了混淆矩阵在处理之前,图6 (b)显示处理后的预测数据分布。图6显示的数量明显降低神经胶质瘤预处理后预测错误。与此同时,为了直观地评估模型的性能差异之前和之后的预处理,数字7和8列表的性能热点图评分预测预处理前后,分别。水平和垂直坐标和相应的结果代表了分类器,特征选择或降维方法,分别和最大平均AUC值。这些数据表明,预处理后的整体性能数据高出15%,没有HSASR处理。

图9的实验结果说明了网格搜索在这个研究。在这项研究中,5个参考片最高的性能指标选择通过粗略的搜索,从两个数据集和参考片最佳性能筛选出来。的N轴,K、圆和正方形表示样本的数量,切片的数量在每个样本集,AUC的价值选择的参考图像HSASR,和预测性能的价值选择的参考图像医生,分别。获得的性能选择的参考系方法的低和高,表明引用对象的差异对评分的结果产生重大影响。该方法可以代替放射科医生在选择最好的参考系和节省大量的时间。因此,该方法在临床试验中有一定的应用价值。

5。结论

防止多中心数据间的不一致性玩其共享的优势。本文提出了直方图规定化方法自动选择的参考帧磁共振图像缓解对照多中心数据间的不一致性的问题。直方图规定化的核心是改变图像的局部亮度根据参考系,但传统直方图规定化的参考系通常由放射科医生手动选择。这种方法不仅增加了放射科医生的工作量,但也不能保证最优参考框架。在本文的方法中,首先由粗搜索缩小搜索范围intraglioma样本,然后选择合适的参考帧直方图的样本选择粗内细搜索搜索。最后,验证了该方法的有效性和可行性,分级实验基于两个数据集。结果表明,多中心数据处理方法有良好的适应性,提高了分级结果和临床预测有一定的实用价值。

数据可用性

本文使用的数据集是公共数据集(BraTS2017)和河南省人民医院(GliomaHPPH2018)数据集;可以通过以下URL: BraTS2017https://www.med.upenn.edu/sbia/brats2017/data.html。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由中国国家自然科学基金支持下拨款81772009,河南省科学技术研究项目拨款182102310162。

引用

1. 徐问:t·奥斯特罗姆h . Gittleman j . et al .,“CBTRUS统计报告:主要大脑和其他中枢神经系统肿瘤诊断在美国2009 - 2013年,“Neuro-Oncology,18卷,不。5,pp. v1-v75, 2016年。视图:出版商的网站|谷歌学术搜索
2. d . n .路易斯·h·Ohgaki o . d . Wiestler et al .,”2007年的中枢神经系统肿瘤分类,“Acta Neuropathologica,卷114,不。5,547年,页2007。视图:出版商的网站|谷歌学术搜索
3. w·山和X.-L。王”,临床应用价值的3.0 t先生扩散张量成像在年级神经胶质瘤的诊断,“肿瘤的信件,14卷,不。2、2009 - 2014年,2017页。视图:出版商的网站|谷歌学术搜索
4. 诉Kumar y顾,s Basu et al .,“Radiomics:过程和挑战,”磁共振成像,30卷,不。9日,第1248 - 1234页,2012年。视图:出版商的网站|谷歌学术搜索
5. r·罗翰h·亚当,杰森,r·罗伯特·s .丹尼尔,”结果发生轻度神经胶质瘤,”神经外科,卷77,不。2,p。175年,2015年。视图:谷歌学术搜索
6. 大肠费和n . Paragios Slice-to-volume医学图像配准:一项调查,”医学图像分析39卷,第123 - 101页,2017年。视图:出版商的网站|谷歌学术搜索
7. y朱,“审查”的图像增强算法,中国计算机和通信,10卷,不。4、438 - 448年,2017页。视图:谷歌学术搜索
8. l .壮族和y关”,通过子图象的直方图均衡化图像增强基于均值和方差,”计算智能和神经科学,卷2017,不。2,文章ID 6029892, 2017。视图:谷歌学术搜索
9. m·f·汗·e·汗,z . a . Abbasi“使用归一化直方图均衡化图像对比度增强,”Optik,卷126,不。24日,第4875 - 4868页,2015年。视图:出版商的网站|谷歌学术搜索
10. m·拉姆库玛儿和b . Karthikeyan图像增强方法,调查”国际工程和技术杂志》上,5卷,不。2、960 - 962年,2013页。视图:谷歌学术搜索
11. m . Kanmani和诉Narsimhan图像对比度增强灰度图像,采用粒子群优化算法”多媒体工具和应用程序,卷77,不。3,1卷,2018页。视图:出版商的网站|谷歌学术搜索
12. 和z z, g . Chen Jia,“基于直方图匹配和图像拼接算法筛选算法,”模式识别与人工智能》国际期刊上没有,卷。31日。4、文章ID 1754006, 2017。视图:出版商的网站|谷歌学术搜索
13. m·f·a·哈桑·a . s . a .甘尼d . Ramachandram a . Radman和s . a . Suandi”增强under-exposed图像对象跟踪算法通过同态滤波和直方图匹配,”先进的科学的信件,23卷,不。11日,第11261 - 11257页,2017年。视图:出版商的网站|谷歌学术搜索
14. r . Berenguer p . j . Mdr z。j . Canales-Vazquez et al .,“Radiomics CT特征可能是不可重现和冗余:CT采集参数的影响,“放射学,卷288,不。2、文章ID 172361, 2018。视图:出版商的网站|谷歌学术搜索
15. h . Schnack n .哈伦·范·m·Picchioni et al .,“多中心核磁共振成像精神分裂症研究:可靠性分布形态测量学,”精神分裂症的研究,卷102,不。1 - 3,75年,页2008。视图:出版商的网站|谷歌学术搜索
16. l . g . Nyul j·k·Udupa, x宣张,“核磁共振法范围内标准化的新变种,”IEEE医学成像,19卷,不。2、143 - 150年,2000页。视图:出版商的网站|谷歌学术搜索
17. 白痴,h·阿克巴里a Sotiras et al .,“促进癌症基因组图谱神经胶质瘤MRI与专家集合分割标签和radiomic特性,”科学数据ID 170117条,卷。4日,2017年。视图:谷歌学术搜索
18. b . h . Menze a . Jakab美国鲍尔et al .,“多通道脑肿瘤图像分割基准(小鬼)”IEEE医学成像,34卷,不。10日,1993 - 2024年,2015页。视图:谷歌学术搜索
19. w·l·g . Chen Li, m . Liu和f·史,“基于显示的图像对比度增强方法和人类视觉系统的特点,“应用光学,卷。58岁的没有。7,1813 - 1823年,2019页。视图:出版商的网站|谷歌学术搜索
20. C.-M。陈,c c。陈,M.-C。吴et al .,“自动对比度增强的大脑图像使用直方图层次相关性分析,先生”医学和生物工程杂志》上,35卷,不。6,724 - 734年,2015页。视图:出版商的网站|谷歌学术搜索
21. 王x l·陈,“一个有效的图像对比度增强的直方图修改方案,“信号处理:图像通信58卷,第198 - 187页,2017年。视图:出版商的网站|谷歌学术搜索
22. m .还要和A . Usinskas”的调查遗传算法图像增强、分割、申请”信息技术和控制,36卷,不。3、278 - 284年,2007页。视图:谷歌学术搜索
23. a .臂形韵律层和a . Bouaziz”人工蜂群算法的图像对比度增强,”群与进化计算》16卷,第84 - 69页,2014年。视图:出版商的网站|谷歌学术搜索
24. l . Rundo a . Tangherloni m . s .高贵的c .塔基和p . Cazzaniga”MedGA:进化医学成像系统的图像增强方法,”专家系统与应用程序,119卷,2018年。视图:出版商的网站|谷歌学术搜索
25. 南达科他州。陈和a·拉赫曼Ramli”保持亮度直方图均衡化方法基于对比度增强技术,”数字信号处理,14卷,不。5,413 - 428年,2004页。视图:出版商的网站|谷歌学术搜索
26. n . Sengee a Sengee, h·k·崔”图像对比度增强使用Bi-histogram均衡和社区指标,”IEEE消费类电子产品卷,56号4、2727 - 2734年,2011页。视图:出版商的网站|谷歌学术搜索
27. 美国Khawaldeh,佩尔维斯•,是pml - q a拉菲克,r . Alkhawaldeh“非侵入性分级胶质瘤肿瘤使用磁共振成像和卷积神经网络,”应用科学,8卷,不。1,p。27日,2017。视图:出版商的网站|谷歌学术搜索
28. w·陈,b . Liu彭,j .太阳和x俏,“计算机辅助神经胶质瘤的分级相结合的自动分割和radiomics,”国际生物医学成像杂志》上卷,2018篇文章ID 2512037, 11页,2018年。视图:出版商的网站|谷歌学术搜索

版权

版权©2019 Xi陈等。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。