文摘

背景。肝脏是一个最重要的,在人体最重要的器官。它分为两个颗粒状叶,一个在右边,一个在左边,由胆管连接。切除的肝脏是必不可少的废物从人类食品消费,胆汁的创建,代谢活动的规定,清洁血液的敏化消化管理和存储的维生素和矿物质。执行肝脏疾病的分类使用计算机断层扫描(CT扫描),首先必须完成两个关键阶段:肝脏分割和分类。分类肝病最困难的挑战是区分肝脏和附近的其他器官。方法。肝活检是一种创伤性诊断程序,广泛认为是黄金标准准确评估肝脏疾病的严重程度。非侵入性方法检查肝脏疾病,如血清标记和医学成像(超声、磁共振先生和CT)也被开发出来。这种方法使用了偏微分技术(PDT)分离肝脏的其他器官和水平集方法(LSM)分离肿瘤位置的周围组织基于投影图像作为输入。一种改进的帮助下卷积分类器,分类的不同阶段可能会完成。结果。几个精度、灵敏度和特异性产生测量评估LSM的分类使用一种改进的回旋的分类器。大约97.5%的性能肝脏分类精度达到94.5%连续区间(CI)的(0.6775 - 1.0000)和2.1%的错误率。建议的方法的性能比现有的两个算法,和敏感性和特异性提供整体平均水平的96%和93%,分别与95%连续区间(0.7513 - 1.0000)和(0.7126 - 1.0000)的敏感性和特异性,分别。

1。介绍

癌症已成为最常见的死亡原因之一,在现代时期,和肝癌已成为这三个世界上最致命的疾病之一,在整个时间1]。肿瘤学家可以使用分割肝脏肿瘤证实肿瘤大小发生变化。随后的数据可能被用来评估病人对治疗的反应,如果有必要,为病人提供医疗帮助。许多应用程序的医学图像恢复系统依赖于医学图片的分类,这是要考虑的最重要的事情之一。高度不同的医学图像数据变得可用时,可靠的分类算法做出适当的决策至关重要。CT范式用于临床诊断,放射科医生可以准确检测和遵循人体生理状态的变化。CT图片,不同组织在不同线路不同灰色的利率可能是杰出的,这些信息可以被用于医学诊断。

癌症是死亡的主要原因在许多工业化国家,尤其是在美国(2]。癌症诊断的一般做法是基于科学和组织学的信息可能是错误的或错误的,导致不准确的结论。当你看人体由内而外,你会发现肝脏位于上腹部。肝的目的是为了从血液中吸收和消除浪费。当有过多的浪费细胞在肝脏,一块组织被称为肿瘤或增长可能开发(3]。肿瘤可能是良性或恶性。因为良性恶性肿瘤不致癌,他们应该被外科医生。有可能的是,良性肿瘤不会复发后治疗在大多数情况下。血管瘤是一种良性血管质量变得扭曲和拥挤。癌症是一个术语,用来描述已成为恶性肿瘤。大多数原发性肝肿瘤在肝细胞出现。肝细胞癌和恶性血肿是用来描述这种恶性肿瘤。早期识别和治疗肝癌的超声(美国)、CT和磁共振成像(MRI)是最常用的诊断成像技术。检测范围广泛的疾病,包括结肠癌,CT是最常用和推荐过程。 CT scans allow a surgeon to confirm the presence of a tumor and assess the size, location, and duration of the tumor with pinpoint accuracy [4]。甲状腺癌放疗、活组织检查和其他微创治疗后可以有效地计划和管理的CT扫描。

平滑在整个文件处理过程中需要进行提取和分级更方便和准确。因此,必须有一个完美的过滤方法在生物医学图像处理。选择最合适的分割算法对肝脏肿瘤图像实现良好的性能是至关重要的。肝脏的未知成分可能提取使用图片分割方法,该方法适用于这种情况。前两个步骤在特征提取过程中预处理和分割,合并功能收集作为第二阶段。当选择候选人时,分类过程。选择最合适的滤波器去噪、分割、功能选择,预测算法分类肝脏肿瘤仍然是一个重要的研究挑战照片很快完成。

肝肿瘤,通常称为肝癌或肝肿瘤,恶性肿瘤或增生发展或肝内5]。肝是肝脏的希腊词,许多不同类型的肿瘤可能会发现在肝脏。根据不同的发展阶段,这种发展可能是良性的(癌)或恶性。如果肿瘤细胞是自然的,它将会很高兴。有什么错的,因此,局面变得混乱,一团成立。这并不证明。他们变成癌细胞生长和分裂变得不规则,失控,和肿瘤发展到癌症。

1.1。肝脏筛选

如果一个人有肝硬化或另一个风险因素,它本质上是至关重要的遵循医嘱,无论个人接收频繁肝癌筛查。早期检测将更高的成功治疗癌症的可能性,也就是说,如果发现任何症状出现之前。肝脏病学家是医生最重要的专业知识在筛查原发性肝癌。它们也是最昂贵的。活组织检查,影像检查如超声、CT、或CAT扫描,或测试的化学甲胎蛋白(AFP)在血液中,这可能是由肿瘤细胞,都是选择癌症筛查(MRI) (6]。更多的信息关于这些测试可能被发现在这个网站的诊断治疗的部分。根据肝脏疾病的病因,各种规则必须遵循。诊断的过程识别基于其症状的一种疾病,指标和各种分析程序的后遗症。操作的决定达成结果,肿瘤是恶性的还是良性的被称为一个诊断结果。在诊断肝癌时,必须执行一些测试,医生可能做一些初步测试,看看身体的疾病已经搬到另一个部分从它的起源。这种情况被称为转移(7]。活组织检查是医生唯一技术确定是否一个特定的地区影响身体的癌症在大多数癌症病例。活组织检查是一个过程,医生取出一张小样本的组织在实验室进行测试。活检可能不是可行的,在这种情况下,医生可能会提供额外的测试,可以帮助诊断过程。

最常见的原发性肝癌肝细胞癌。肝细胞癌(HCC)是更常见的在人持续从乙型肝炎、肝脏疾病,如肝硬化或肝癌是经常发现不需要活检(8]。

医生决定诊断程序时考虑以下变量:癌症的怀疑,经历的症状和体征病人,病人的年龄和身体状况,发现以前的医学测试。

HCC可能诊断为使用下面列出的测试。可以诊断癌症的每个表单测试这个列表;然而,并不是所有的测试在这个列表将推荐给每一个人。身体检查:如果病人展品HCC的迹象,医生将触诊腹部肿块,肿胀,或其他异常在肝脏,脾脏,周围或其它器官,等等。医生也检查黄疸的迹象,其中包括皮肤发黄和白人的眼睛和反常增加流体在腹部。血液测试:除了体检,医生很可能会做一个血液测试来检查的化学物质称为法新社(9]。法新社发现血液中高浓度的大约50%到70%的人拥有先进的肝癌。此外,医生会检查病人的血液确定他或她是否有乙型肝炎,或c .其他血液测试可以用来确定有效的肝脏功能。

1.2。医学成像技术

视觉表征的发展地区人体医学成像技术用于诊断的医疗问题,监测治疗效果。齐亚et al。10)是最著名的名字在业务。人体是一个高度复杂的系统,需要极大的关注。深入检查数据的静态和变化特性增加了大量的积累信息。学者和医生最具挑战性的问题之一是如何收集、存储,并显示大量的信息关于身体的方式可以消化处理,利用开发更多有用的诊断工具和治疗过程。

在许多情况下,呈现信息的视觉效果是最有效的方法来解决这个困难。作为人类,我们深知这效率;我们依靠视觉比其他任何感知能力与我们周围的世界从我们最早的年。显微照片动态对象,如人体、捕获的元素实体,如传播、清晰、发射率,反射率,电导率,和磁性,连同波动时间在每一个属性。提供具体材料的基本特性,图像描绘的一个或多个这些特征可以分析提供更多的信息。医生正越来越多地依赖于这样的照片更好地理解人体和干预过程病人的疾病和伤害。成像组织和分析生物和医疗过程预计将继续增长的重要性,不仅在临床医学,生物医学研究领域,巩固临床护理和支持。医学成像方法和过程是一个技术和过程,是用来拍照的人体(或人体的部件和功能)的临床原因(医疗旨在披露、诊断、分析疾病)或医学科学研究(包括正常的解剖学和生理学的研究)。可以做医学影像切除器官和组织,尽管这不是通常被称为医学成像,而是认为是病理学的一部分而不是医学。计算机辅助诊断(CAD)系统将医学图像分类作为一个基本的方法。 In medical imaging, traditional approaches focus primarily on form, color, texture elements, and their combinations. The majority of these features are issue-specific and complementary in previous studies. As a result, the system is unable to construct representations of high-level issue domain ideas and has a weak model generalization capacity, as seen in Figure1。

最近深学习算法给出一个有效的解决方案来设计一个端到端模型,可以计算出最终的分类标签从医学图片的原始像素仅使用原始医学图像的像素。另一方面,深度学习模型遭受高计算成本和约束的模型层和渠道由于医疗的高分辨率照片和短数据集的大小,分别。大量的算法被用于应对这些挑战。

分类是一个监督学习策略用于深度学习和统计,计算机程序的学习从输入数据,然后利用这个学习分类新鲜的观察。有许多应用程序分类问题,包括语音和手写识别、生物特征识别、文档分类,和疾病分类,等等11]。需要更多的研究来提高精度,效率和鲁棒性的肝脏CT分割。使用增强的边缘检测技术,并行化和多样化的组合方法可能是最有效的手段的发展改善肝脏CT分割方法。正确识别和部分肿瘤部分肝脏CT扫描,即使照片是嘈杂的,有必要开展这项研究,创建独特的技术。在这个项目的第一阶段,增强设计实施。肝脏CT图像的分割是使用ANN方法来完成的。这种方法经常用于分组大量数据快速、有效。这意味着图像处理方法,特别是分割方法,可能从中受益。尽管这种方法不需要任何训练数据,它需要初始分段设置,这种技术的主要好处。

一个新的增强残余GoogleNet CNN的方法(12)建议增加分类过程的性能。根据目前的研究结果,统一在病人病灶分割导致更好的结果。已经观察到,现在的技术利用的形式规范,缺乏一定的同质性等品质。有24个方法对于识别异常肝脏CT扫描与彼此,但我们只考虑有限范围的参数。这种策略不提高性能和准确性的验证操作。

1.3。现有方法的局限性

与其他技术相比,这些都不考虑几种不同的分类功能。降低了诊断的准确性和时间变异性增加检测肝癌的难度(13]。很明显的更严格地构造和验证研究机器学习方法可能利用显著(15 - 25)百分比提高预测的准确性癌症易感性,复发和死亡的癌症患者。

1.4。贡献的工作

以下是该工作的目的:(我)开发一个独特的软优化和机器学习深度学习肝脏图像分类和分割方法从CT图片;(2)在肝脏CT图像检测和分类异常;和(3)开发一个有效的肝肿瘤检测和分类策略,认为更重要的特点。

该研究小组测量分类准确性和时间复杂度来评估肝脏肿瘤生长的方法。在当前研究成果的团队发明一个过滤器性能测量肝脏图像预处理。

生物医学应用的密集的人工神经网络(ANN)肝脏肿瘤分类在卫生保健14]

大部分肿瘤的细节已经改善临床使用视觉深层神经网络(款)技术基于容量分析肝脏肿瘤的分类。论文的剩余部分分组如下:背景分析从当前技术中包含部分2的报告。部分3包含了对肝脏的分割技术从其他器官和分割的肝癌肝分开的图片。部分4包含了对肝脏的分割方法从其他器官。部分3描述的分类提出了卷积层,其次是部分4,其中包含的实验结果和讨论提出了卷积的层。部分5结论与讨论将来的工作和提供了一个结论。

2。现有理论分析的研究方法

一般来说,癌症可能特征形成异常的细胞增殖和扩散全身不受控制。在医学术语,“肿瘤”这个词(指新增长)应该使用而不是“癌症。“良性肿瘤是那些刚刚在增长的特性,因此分类。米勒等人于2019年出版的一项研究[15]。恶性肿瘤被定义为那些有侵袭性和转移能力的特点,除了他们的主要特征。癌症这个词通常用于肿瘤发展的某些形式。虽然术语“肿瘤”实际上是指“局部肿胀,”是经常和“癌症”这个词交替使用,并将继续在未来中使用这种方式。

良性肿瘤通常被纤维组织,使整个肿瘤相对简单的手术切除。在显微镜下检查时,细胞的良性肿瘤似乎非常相似的细胞周围的健康组织。与正常细胞相比,通常包括一个高比例的细胞growth-arrested或静止期的细胞周期,良性肿瘤细胞通常包含细胞有丝分裂的比例增加(分裂)细胞周期阶段。晚期恶性肿瘤的相反,这虽然可以封装在生长的早期阶段,没有明确的边界,而是扩散到周围健康组织。此外,他们可能会区别于正常的外观和良性肿瘤细胞。不仅他们大部分时间都花在有丝分裂细胞周期的阶段,但他们也有异常大量的染色体(非整倍性)。

使用使自动化框架分割和分类的肝脏肿瘤,Vadali et al。16)开发出一种高效、简单的方法。具体来说,建议框架包括预处理、分割、后处理,最后分类进入一个良性和恶性肿瘤,等等。图片进行简化,以分辨率为256×256像素在预处理步骤。在水平集分割步骤,方法与分段疑似区域。魅力的面积是确定从最初的照片时后处理步骤。最后,伪Zenerike分钟GLDM从CT图像中提取用于强调。这些组件提供了支持向量机作出贡献来确定是否良性或恶性肿瘤。支持向量机是准备使用四个不同的照片。建议框架的准确率为86.7%,令人印象深刻。提出一个新的框架,CFCSA,蚂蚁和阿里17],乌鸦搜索算法采用全局优化策略来克服局部优化技术的敏感性。

在这种方法中,采用模糊c均值(FCM)目标函数作为一个成本函数,和混乱的乌鸦搜索优化算法找到最优解。对二进制乌鸦搜索算法进行基准测试(BCSA),狮子混沌蚂蚁优化算法(卡洛),二进制蚁狮优化算法(BALO),和蝙蝠算法相关方法看看CFCSA执行的新算法。在这项研究中,提出的CFCSA算法相对于其他算法如BCSA,卡洛,BALO,蝙蝠算法。算法测试在以下领域:糖尿病、心脏病、Radiopaedia CT肝脏成像,乳腺癌,肺癌,cardiotocography, ILPD,肝脏疾病,肝炎和心律失常。根据戴安娜et al。(2020) (18),最优参数款收益率数据集在考虑最好的最优性能。王等人。19)提出了一个高效的基于逆下随机抽样的抽样策略(病毒)来解决的困难类不平衡来提高效率。

病毒undersamples多数类,导致一些独特的分区,每个包含少数和多数类样本分离边界。一个优化策略基于人工植物优化(APO)算法给出了选择最有效的和高效的特性和参数分类器来提高分类的效率和有效性。使用一种优化方法,所需的迭代次数和计算时间为分类器的特征选择和参数选择,区分肝癌复发,但减少了。支持向量机(SVM) (RF)和随机森林分类器分类患者有或没有肝癌根据最优特征和参数来源于数据。回顾深度提高卷积神经网络原理的图像分类是由秦et al。20.),其次是深度学习在多相分类局部肝损伤肝脏CT图像。南达et al。21]研究深度学习方法作为第一和主要方法,从腹部提取肝脏CT扫描,然后作为分割的结果,后从tumor-ridden肝脏病变的肝脏被提取。

段病变,一旦被发现在肝脏肿瘤GA-ANN,一直喂肝脏结构数据并使用一分类方法,提高卷积神经网络的级联模型是利用。解决肝脏肿瘤在腹部CT图像的分割,Budak et al。22)首先定义问题作为一个分类问题,然后解决它使用级联分类器体系结构基于深度提高卷积神经网络。这是建造和教检测肝脏区域和病变CT扫描图像质量较低使用两个深encoder-decoder卷积神经网络(CNN)的改善。用另一种方式,EDC段肝图片和使用分割作为训练输入第二个CNN。一旦肝脏内的肿瘤区域ROI区域被分割为预期的第一EDC,第二ED CNN可能应用。肝内肝肿瘤的分割ROI也大大减少假阳性的结果。

量化模型的性能,它对一个公开可用的测试数据集(3 dircadb)和许多指标被用来评估其性能。本和他的同事(2018)(23)旨在帮助识别肝转移的CT扫描,并利用一种完全创新的网络(FCN)的整体背景和本地补丁使用super-pixel稀疏分类检测。使用CT扫描是强调异常。发现肝转移的重要性,尤其是微小转移,在肝癌的早期识别时不能被夸大的早期发现肝癌。本和他的同事(2016)检查CT检查对肝肝转移的分割和识别,与整个革命网络(FCN)是最有前途的。对semi-segmentation FCN显示非常有效。霍金斯等人已经开发出一种新颖的机器学习方法诊断肝细胞癌165例,基于机器学习(2019)(24]。

Maaitah et al。25)开发了一个智能模型的肝脏疾病,是建立在模糊神经系统(fn)和其他技术(fn)。模糊系统和神经网络(fn)被调查确定肝脏问题。fn的详细结构和学习方法都是给定的。王等人。19)建议pretrained深cnn照片补丁关注医疗异常,然后合并与类激活映射和地区建议网络发展异常探测器医疗异常。他们使用深转移学习算法。研究结果与其他三个标准的结果分类器算法来提高分类精度的方法。深提高卷积神经网络用于开发一种技术,确定肝肿瘤CT扫描的候选人,在2017年出版。肝脏疾病的筛查、姚明等。26紧密连接深)提出了一个神经网络(浓密款),这是使用最广泛使用的肝功能测试训练(肝功能)和个人人口统计信息。

建议的方法包括确定肝脏肿瘤的机制,同时限制出血,特别是在CT图像,当有大量的病变,这是特别重要的(27]。根据目前的研究结果,统一在病人病灶分割导致更好的结果。已经观察到,现在的技术利用的形式规范,缺乏一定的同质性等品质。它有可能开发出类似的方法识别异常肝脏CT扫描,仅仅考虑有限数量的特性。这种策略不提高性能和准确性的验证操作。与其他技术相比,这些都不考虑几种不同的分类函数(28]。降低了诊断的准确性和时间变异性检测肝癌的难度增加。

3所示。方法用不同阶段提出筛选技术

由于肝癌的侵略本性的增长,一些患者治疗选择。许多低收入和中等收入国家承受着巨大的经济压力,提供足够的治疗肝癌患者。已经可靠估计肝癌的发病率将帮助集中注意力集中在需要跟踪肝癌并使最佳治疗诊断出患有这种疾病的人(29日]。准确和及时的预测肝癌,有必要开发适合该疾病的预测方法。

图2表示该工作的流程图。CT扫描是一种非侵入性诊断成像技术,它使用的x射线和计算机断层摄影创造水平或轴向肝脏的照片,这可能是用于诊断肝脏疾病(30.]。因此,提供基于图像处理的研究有助于促进肝癌的治疗。在计算机断层扫描中,x射线光束传播在身体周围一圈周围的病人。它提供了一个新的视角在同一器官以这种方式。CT扫描可能有或没有执行“对比”,这是一种物质,是口服,投入一个静脉注射(IV)导致肝脏或组织观察更在屏幕上可见。肝脏是人体最大的器官,它是放在下面的右胸腔和肺部的基础。它是参与消化的食物。

血液细胞过滤、营养处理和存储,这些营养物质转化为能量的一部分(31日]。它还负责危险化学品的崩溃。的左和右叶肝是两个主要的肝叶。方形和尾状叶可见肝脏表面检查以下时,表明两个额外的叶。肝细胞癌(HCC)的发展,当肝细胞生长失去控制,扩散到身体的其他部位。这是最常见的一种癌症在美国。原发性肝肿瘤细胞表现出异常活动时可以形成。据报道,肝癌是第二个最常见的男性疾病导致死亡和第六个女性最常见的癌症导致死亡。2008年,约有750000人被诊断为肝癌,有696000人死亡的疾病。男性感染速度是全球女性的两倍。 Virus-induced hepatitis may result in the development of liver cancer, which is much more severe. It is estimated that over 1.45 million fatalities occur each year as a result of this virus, according to the World Health Organization [32]。据世界卫生组织统计,高达7%,埃及被确认为全国患病率最高的2015年成人丙肝病毒(HIV)感染。本文中提供的技术是使用数据集评估对公众开放。

首先,床位数数据集,其中包含131 CT扫描图片和相应的地面事实(临床注释)。应该指出的是,床位数70 CT扫描数据集还包含一组测试的原因。然而,这些照片没有任何关联的注释(33]。131年带注释的CT扫描结果,只有被认为是在这个研究。以JPEG格式有24照片可访问的,这都是取自DICOM文件尺寸的630630像素和24位的位深度。

3.1。使用降噪预处理

的预处理阶段的诊断肝癌是这个过程的第一步。预处理是必要的保证的长期生存能力和使用一个数据库。任何一步似乎是图像处理工作流来实现这一目标的关键。过滤器和直方图均衡化方法用于预处理前不必要的错误识别实际的错误检测。噪音可能消除使用CT图像可以在这个阶段。在非线性光学过滤系统中,自适应中值滤波器(AMF)通常用于去除图像噪声或信号,也称为自适应中值滤波器。降噪的方法是一个标准的预处理方法,提高效率。CT扫描时,预处理是为了提高图像的对比。直方图均衡化常被用来提高图像一致性平衡直方图。

直方图均衡化是一个计算机辅助程序用于改善的对比照片。最常见的灵敏度值显著提高,即。,这张照片强度范围显著扩大。它可以减少局部对比度改善关系的领域。结果,应用直方图均衡化后,平均对比的照片被大量增强。方程(1)代表输入图像的强度增加

让问表示每个可能的强度的归一化直方图。因此,

直方图均衡图像可以被定义为 基地在哪里是最接近给定值的整数。这是一样的像素强度但在反向转换。

这就是,终于,概率分布均匀度函数可以表示为 。

方程(2)和(3)代表输入图像的预处理。同时结果表明,均衡过程利用产生平坦的直方图,它也可能软化,提高直方图的外观。

3.2。肝脏分割使用偏微分技术

近年来,它已成为一个越来越重要和耗时的部分肝脏和肿瘤区域。这是通过开发多个分割方法分割图像使用不同的模式。用于分割的方法分为三类:手动分割,半自动分割,完全自动的分割。医学专家做一层一层地手动分割图像。肝脏边界检测到两个不同的放射科医生或相同的放射科医生在不同时期在一个单一的图片当执行手动分割。的结构和观察医学图片解释使用这种分割方法。在这一领域有许多问题,最重要的是减少图像质量和增加工件。方程(4)代表输入图像中分割从另一个器官。L是输入像素,O是图像的强度。 初始条件 和空间环境中表示 在哪里是阶导数w.r。t” ,”是一个线性算子和与学位三个非线性算子。而且, 和 两种类型的功能:已知和未知。手动分割有许多重要的问题,最重要的是大量的图片片要求,需要漫长的时间,缺乏令人满意的结果。此外,创建一个单独的数据集的过程是一个耗时和困难的一年。创建了一个半自动分割系统为了应对这些挑战,以交互方式决定了种子网站确定肝脏边界。由于这种方法,首先应用拉普拉斯变换方程(7)有关变量t,我们得到

通过使用智能卡 ,我们得到了 在哪里 和 和 拉普拉斯变换形式的吗 和 ,分别。

现在,除以在双方,我们得到的 在哪里x,y分别代表像素行和列的强度水平和抚平范围作为t

现在,我们应用拉普拉斯逆变换方程(11)有关 ,然后我们得到

在第二步中,我们应用微分方程变换(11)和(12)有关 ,我们得到

和 在哪里和微分变换吗 和 ,分别解决方案的封闭可以使用上述表达如下递推方程和初始条件。

使用这种方法,它简单预测图的属性。这项工作细分的方法是基于灰色鳞片,从事与计算机。具体来说,大小的差别大,小像素周围的评估对象的边缘。 在哪里分水岭分割,速度梯度, 。当一个像素值较低或高,图像的空间大小是由日志(c_我)。当频率系数由像素之间的距离,表示图像的空间大小是由日志(c_我)。

3.3。肝癌细胞使用水平集分割方法

结论当地分割得到改进的我th片的n片,更精密,使用武力的真正好处函数(FF)函数,被实施。测地线活动轮廓(GAC),以及Chan-Vese (CV)模型,用于这一修改。有SPF值函数在区间[−1,1]。它改变了压力的迹象内外交叉的区域,导致轮廓缩小项目外的路口时地区和发展对象时,在交叉区域。

在方程(15),防晒指数函数中创建以下方式 开放的函数 给定的图像在吗 , 和定义在方程(16)和(17),分别。

在亥维赛函数,由平滑近似功能由方程(定义17)。

方程的意义(17以以下方式)可以被描述。即使强度均匀,内部和外部的对象c1c2,很明显,Min(司法院)d1, d2马克斯(J y)和等号不能同时达到无处不在的轮廓,主导,礼物。因此,我们得到以下方程:

当对象是相反的位置,用定义的函数fn函数,方程在水平集配方,我们得到以下:

高斯过滤技术用于进一步规范程度的规律性,以防止初始化过程。div(/(| |) | |用于表示高斯向量,使这个词fn(我(x在方程())19多余的。因此,水平集公式可以简化方程( )

精细肝脏图片,称为片,是一个水平集的过程的结果,以确保正确的亲密两岸的肝脏图像。

3.4。肝癌细胞的特征提取和分类

分割步骤后,灰度共生矩阵法应用灰度共生矩阵建立()可以用来选择感兴趣的特点。如果结合灰度共生矩阵法方法应用灰度共生矩阵建立(),可以得到二阶统计纹理属性。以来,该方法已被用于各种各样的应用程序,和三个或更多像素的存在可能会注意到在第三和高阶纹理,表明所使用的技术。

图3代表DVW的特征提取。因为它是一个算术函数,应用灰度共生矩阵建立了在大多数情况下可以有效地消除工件。还可以保持图片的准确性。可以提取图像用于研究过程。GLCM可以确定像素的频率定义的精度水平。单像素问题是受到质疑的,和另一个称为像素l超然的路线和邻近的价值米,这是两个不同的像素。通常,米只获得一个单一的价值和可能的利润。生成的方向值可能会被用来消除图片的属性,用于分割过程。

G代表频率向量,米代表特定组件的频率,一般的像素值n,H,p表示归一化常数,P代表图像的特点,(n,t)代表的组件n,H,p表示归一化常数。

提高卷积神经网络(ICNN)是一种神经网络的分类和分组执行快速高效地照片。原始像素的细胞照片是用于构建突出表现在这种方法中,像素是通过使用hand-created系统在较早的方法。此外,特征层相互先进与这些组件描述预测类为每个细胞图像数据库中。以下意见都包含在目前的研究和拓展:更详细和逐点ICNN分类器结构的表征。各种关键部件放在一起讨论了这个结构,初步考虑。本文提出三个主要发现:

图4代表了分类器结构。旋转的作用细胞图片信息增长是切割从上到下。细胞图片面纱是否适合该分组的任务是检查,和一个插图的惊人的多功能性ICNN-based描述框架来提供不同的数据集。此外,进一步探索ICNN-based结构之间的连接和浅分组列出的尖端的手模型旨在说明的焦点ICNN基于分类器系统的细胞图片分类,尽管上面。基于学习生产测试时引用稀疏后确定,ICNN收益率,其中包括初始系数的稀疏程度和记录不足向量,作为这两个组件创建NN的安排。推荐的小尺寸ICNN分组应用在这种方法中,使用3 d腹部CT扫描在一份事先准备好的管道自然犯罪学家。国际核不扩散公约的特点如下:

每个字典设置D,ND表示稀疏的数量水平,NZC稀疏水平和平均数量的非零系数,和RMSE重建误差和均方根误差,分别。输入ICNN标识符,重量变化,直到ICNN返回结果小于2.0的良性肝脏肿瘤的实例和超过2.0恶性肝肿瘤的情况下,分别。

4所示。实验分析提出的工作

拟议的工作是使用MATLAB软件实现训练和测试图像。在这一步中,两个恶性肝肿瘤的照片来自数据集被利用。

CT扫描已经上升成为一个重要的成像技术在诊断肝脏肿瘤。不同的研究利用不同的方法分类基于CT肝脏发展。

图5代表提出的分割结果的工作。的准确性、敏感性和特异性的建议的方法已经被研究过,以及它的整体性能

图6代表提出肝脏分割技术。根据相关特性,肝癌的数量接受结果相比其他肿瘤,而特异性(无关紧要的功能)是指非肿瘤的数量被拒绝的结果相比,其他肿瘤。

总体精度应用性能,而敏感性应用于接受能力。

下面的方程给出。 (我)真阴性(TN):当它(F)可以将样品或假(F)(2)假阳性(FP):当它(F)的样品可以cl +愚弄(T)(3)假阴性(FN): (T)采样时可分为(F)

评估一个分类系统如何执行、准确性是最广泛使用的参数。分类规则的方形测量准确性决定了一个分类系统的准确性。表1显示图像的特征值。

括号中所示的值。分类是基于这些特征属性的值。往下,特征提取的输出向量训练,并使用不同的分类方法性能的准确性进行比较。如表所示2,敏感性、特异性和准确性的不同分类器进行测试的敏感性,特异性,并使用各种分类器的精度。

大约97.5%的性能肝脏分类精度达到94.5%连续区间(CI)的(0.6775 - 1.0000)和2.1%的错误率。建议的方法的性能比现有的两个算法,和敏感性和特异性提供整体平均水平的96%和93%,分别连续区间(0.7513 - 1.0000)和95%(0.7126 - 1.0000)的敏感性和特异性

图7代表了性能指标。当比较建议技术当前的方法,新方法达到更好的结果的灵敏度、特异性和准确性。分类器是用来估计的准确性是多么成功的通过显示正确答案的比例。分类器如ICNN和IANN执行更好的在这种情况下比其他分类器。结果,ICNN分类器能够成功地分类的数据量大于另一个分类器。敏感性和特异性的分类器是用来评估其有效性。

图8描述了分类精度比较结果,提出ICNN方法优于其他方法的分类精度。“敏感性”一词指的是一个分类系统如何执行有关的数量充分诊断良性肿瘤。相比之下,“特异性”是指分类系统执行关于如何正确的数量分类恶性肿瘤。其他分类器相比,ICNN获得一个更好的水平的敏感性。鉴于癌症检测的目的是确定是否一个病人得了癌症,这是由恶性肿瘤的存在与否,最奇妙的准确性和特异性的研究更重要。的基本原理是,个人被诊断为癌症可能进一步研究延长他们的生活,但这些分类像往常一样会保持注意。

图9包括常用的ROC曲线评价二元分类算法的性能,他们也被称为接受者操作特性曲线。分类器性能的图形化表示,而不是作为一个单一的数字号码,与大多数其他指标一样。

计算机视觉领域是建立在图像识别和图像生成的概念。尽管都是开发领域,具体从两个分区方法有时可能会创建一个二分法。历史上,深度学习的主题(DL)是广泛推广与AlexNet区别的图像分类架构和照片合成甘斯和变分Autoencoders,其他应用程序(34]。

5。结论和未来的工作

使用腹部CT医学图像,提出图像分割方法是识别并提供部分肝脏,感兴趣的区域,在该地区的利益。建议分割方法使用一个本地分割步骤中,它提供了一个近似边界区域的利益分割地区的利益。水平集方法的回馈都近似边界肝脏进一步利用提出力函数,有效地阻止了轮廓在薄弱或朦胧的利润率。算法的效率是衡量使用各种指标,然后与其他传统算法相比哪个更有效。等软计算方法,图像分类算法,可能是调查在未来降低肝脏肿瘤的计算处理时间的照片。对各种数据库测试图片和多个分类器模型和优化方法可以帮助改善肝脏肿瘤分类系统的准确性。其他分类参数对肝脏肿瘤图像也被列入评估分类的过程。图片相同的病人可能被评估使用多种成像模式,包括超声波和0。

提高分类器的精度,可以使用混合分类器的方法。肝脏肿瘤可能是必要的分类方法来评估一个更大量的样品照片。

附录

答:偏微分技术

当标签的数量是零,以下是正确的:史:1到N用于标记标签,而标签N+ 1没有用于种子。为每个区域放置一个标记在地图上标记从1到N。所有的像素都应该按升序排序。对于每一个像素,首先确定标签的数量存在n . (z)如果标记像素的数量是零,当前像素获得新标签,导致建立一个新的临时区域。或者,或者,如果(标记像素= 1),当前的像素分配这个标签。或者,或者,如果(≥2)标记像素,当前像素分配标签的优势。或者,或者,如果(标记像素是负数)为了合并破碎的图片和漏水的图片,线性插值的概念是用来插入他们为了找到最近的邻居像素。(也可以穿一个墨西哥帽子。)其他\ s开始结合所有的邻居到一个单独的区域;当前像素接收这个名字。结束\ s结束

b水平集方法

初始化:发现肝脏肿瘤细胞内部块虽然(元素互换在像素值)为我= 1输入速度的迭代的数量为每个像素x在如果(x = = 1)开关来清洁为我= 1输出曲率选择为每个像素x在如果(= = 1)开关x从来清洁结束结束

数据可用性

的数据支持本研究的发现可以在请求从相应的作者。

的利益冲突

作者宣称他们没有利益冲突的报告对于本研究。