近期学习方法总结
1 在甲状腺预处理过程中,使用对比度限制自适应直方图均衡化(CLAHE)(S.M. Pizer, E.P. Amburn, J.D. Austin, R. Cromartie, A. Geselowitz, T. Greer, B. ter Haar Romeny, J.B. Zimmerman, K. Zuiderveld
Adaptive histogram equalization and its variations.Comput. (1987),处理超声图像中的衰减伪影。CLAHE是自适应直方图均衡化(AHE)算法的一个变种,该算法对图像中的网格区域进行对比度限制增强。局部区域内每个像素的强度增强受到区域邻域内累积分布函数(cdf)斜率的限制。在原始图像上进行插值处理,会使每个像素相对于其所在区域的噪声得到增强,从而显著改善图像的对比度和增强伪影。
X. Wang, B.S. Wong, T.C. Guan Image enhancement for radiography inspection,2005证明得到了提高。
2 论文 Effect of despeckle filtering on classification of breast tumors using ultrasound images
肿瘤区域的纹理和形状/边缘特征被认为是分析乳腺肿瘤的重要参数。在目前的工作中,已经进行了详尽的实验来设计用于乳腺肿瘤分类的CAD系统,方法是仅考虑(a)原始图像,( b)仅去除斑点的图像和( c)将原始和去除斑点的图像一起考虑(混合方法) )。总共使用了100个乳房超声图像(40个良性和60个恶性)进行了分析。最初,这些图像已使用六个滤镜(即Lee sigma,BayesShrink,DPAD,FI,FB和HFB滤镜)进行了去斑点。从原始和散斑的乳房超声图像中总共计算出162个特征(149个纹理特征和13个形态特征),并且SVM分类器已广泛用于分类。研究结果表明,将原始图像中的纹理特征与DPAD过滤器去除斑点图像中的形态特征相结合的CAD系统设计的混合方法,对于分类良性和恶性乳腺肿瘤具有最佳的分类性能,分类精度为96.0% 。
3 进行分类的深度学习不需要对原始图形进行去噪、 增强等预处理,对于分割,可以。