- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
[电气工程讲义] 通信、计算与电子学最新趋势 第524卷（IC3E 2018精选会议录）|| 基于特征机器学习方法的正常与异常视网膜图像分类
摘要： 人眼是人体最美丽且最重要的感觉器官之一，它能通过感知光线和压力实现视觉功能。人类眼睛能区分约1000万种颜色，包含超过200万个组织和细胞。除了这些独特特性外，人眼也是最精细敏感的器官。若未妥善护理，可能感染青光眼、近视、高度近视、糖尿病视网膜病变、年龄相关性黄斑变性等多种疾病。因此，早期检测这些疾病有助于完全治愈并预防彻底失明。本文提出一种基于视网膜图像特征的机器学习分类方法，用于区分正常（健康）与异常（病变）视网膜图像。采用SVM分类器时，所提方法的性能达到77.3%，相比k-NN、线性判别、二次判别和决策树等其他分类器表现更优。
关键词： 机器学习与分类，纹理特征，视网膜图像
更新于2025-09-09 09:28:46
-
基于相位对比X射线成像的肝脏纤维化分期纹理特征评估
摘要： 背景：本研究旨在探索相位对比成像技术检测肝纤维化早期进展的潜力；研究纹理特征用于肝纤维化定量诊断的可行性；并评估反向传播（BP）神经网络分类器对肝纤维化特征描述与分级的效能。方法：通过X射线相位对比成像技术获取纤维化小鼠肝脏样本图像，计算基于灰度共生矩阵的九种纹理参数，探究纹理特征在肝纤维化早期阶段特征描述与鉴别中的可行性。进一步将36项或18项特征作为BP分类器输入，采用受试者工作特征曲线评估分类性能。结果：相位对比图像显示出从正常到重度纤维化阶段不同程度的纹理模式。BP分类器可区分正常、轻度、中度和重度肝纤维化阶段；使用36项特征时平均准确率达95.1%，使用18项特征时为91.1%。结论：研究表明相位对比图像的形态学特征可鉴别肝纤维化早期阶段?；谖评硖卣髯楹系腂P网络模型被证实能有效对肝纤维化进行分期。
关键词： 肝纤维化、相位对比成像、小鼠肝脏标本、神经网络、纹理特征
更新于2025-09-04 15:30:14
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于全极化SAR影像的作物分类
摘要： 提高分类精度的关键前提是充分提取反映物体物理特性的特征。本研究旨在探究加拿大安大略省四极化合成孔径雷达（SAR）影像的作物分类能力?；袢×硕嗍毕郣ADARSAT-2精细波束四极化SAR数据，采用支持向量机（SVM）分类器，结合极化特征与纹理特征进行分类。从经典Pauli分解中提取了包含奇次散射、双次散射和体散射的极化特征，从灰度共生矩阵（GLCM）中提取了八种纹理特征，并运用主成分分析（PCA）方法降低纹理特征的冗余度。结果表明，多时相SAR数据取得了令人满意的分类精度，SAR数据的纹理特征有助于提升分类精度，SAR数据在农业监测方面具有显著潜力。
关键词： 多时相、主成分分析、灰度共生矩阵、SAR分解、纹理特征
更新于2025-09-04 15:30:14
-
基于深度学习的个性化质量保证：通过卷积神经网络对伽马图像进行影像组学分析以识别放疗实施中的错误
摘要： 目的：针对调强放射治疗（IMRT）的患者特异性质量保证（QA）是临床常规操作，但传统方法常因对误差不敏感或效果不及其他物理检测手段而受到质疑。近期学界开始关注将影像组学（即图像特征的定量提取技术）应用于放疗质量保证领域。本研究采用深度学习方法，通过患者特异性QA数据判断治疗实施过程中是否存在人为引入的放疗误差。 方法：分析23个IMRT计划中186个射野的平面剂量图，每个计划均移植至圆柱形模体CT几何结构。每组计划导出三类平面剂量数据：1）无误差情况；2）随机多叶准直器（MLC）误差情况；3）系统性MLC误差情况。通过电子射野影像装置（EPID）获取实际照射剂量，结合计划剂量计算生成558幅伽马图像（使用EPID剂量分析软件）。研究采用两种影像组学方法：其一为基于三元组学习的卷积神经网络提取伽马图像特征；其二为手工设计的纹理特征提取法。将两类方法获得的指标输入四种机器学习分类器（支持向量机、多层感知器、决策树和k近邻算法），判断图像是否包含引入误差。设置双实验对照：二分类实验区分无误差与任意MLC误差图像；三分类实验区分无误差、随机MLC误差及系统性MLC误差图像。同时计算传统阈值通过标准作为对比。 结果：使用303幅伽马图像训练模型，255幅进行测试。深度学习方法取得最高分类准确率——二分类实验达77.3%，三分类实验为64.3%。纹理特征手工方法的性能较低（二分类最高66.3%，三分类53.7%）。四种机器学习分类器在深度学习方案中的结果差异性小于纹理特征方案。两种影像组学方法均优于传统阈值标准。 结论：基于卷积神经网络的深度学习技术能有效通过患者特异性伽马图像判断放疗实施误差的存在性。其性能超越纹理特征手工方法，且两种影像组学方案均优于传统阈值标准。结果表明影像组学质量保证是放疗临床应用的重要发展方向。
关键词： 放射组学、调强放疗质量保证、深度学习、质量保证、纹理特征
更新于2025-09-04 15:30:14