基于模式识别的的内窥镜肿瘤检测

该博客探讨了基于小波变换和灰度共生矩阵的内窥镜肿瘤检测方法。通过对彩色图像的多分辨率表示,计算不同颜色通道的灰度共生矩阵和协方差,提取纹理特征。使用线性判别分析、SVM和BP神经网络进行分类,以辅助医疗诊断。实验集中在小型息肉组织上,以提高恶性病变的早期识别率。
摘要由CSDN通过智能技术生成

1.主要目标

           (1) 在小波域下的肿瘤病变息肉诊断,辅助医疗



2.小波域下的彩色肿瘤息肉诊断

           目标:一些彩色内窥镜结肠息肉图片(128*128)。

           方法:二阶小波变换获得彩色通道(在rgb,xyz,xyY,CIE-lab,HSV三个通道下进行测试)的灰度共生矩阵,基于三个通道的灰度共生矩阵获得72维的协方差向量。使用线性判别分析、SVM(libSVM),和BP神经网路获得分类结果。


2.1主要理论

       (1)治疗结肠癌早期诊断很重要,因此结肠息肉或者有可能恶性病变的区域的发现,很关键。本文利用纹理信息,传统用几何外形来判断。息肉是粘膜表层的突起组织,大小各异,75%为胰腺状,为恶性肿瘤。CT或者MRI,并不能够精确的发现小的息肉。

       (2)考虑纹理表征的三个问题:

           颜色通道:the  introduction of color information, especially by calculating grayscale texture feature the different color channels, significantly improves color texture  classification.并且不同 color channel的纹理信息之间的相关性也应该考虑。

           尺寸问题:无法定义一种分辨率能够显示所有病灶的尺寸。那么可以考虑使用多分辨率表征图像纹理信息,因为某种分辨率下无法发现的特性在另外一种分辨率下能够容易的发现。相同的纹理或者灰度级区域连接形成物体。若尺寸小对比度低,应该采用高的分辨率。若尺寸大对比度强,采用低的分辨率即可。

           空域/频率问题:A spatial/frequency representation, which preserves both globaland local information, is adequate for the characterization of texture. Thewavelet transform offers a tool for spatial or frequency representation bydecomposing the original images to the corresponding scales.

          When decomposition level decreases in the spatial domain,

1. 显著点的检测 Itti的A Model of Saliency-Based Visual Attention for Rapid Scene Analysis (TPAMI 1999)论文是显著性检测的鼻祖论文,检测出来的是用户关注的点。 2. 显著区域的检测 侯晓迪同学在2007年发表的一篇CVPR的论文,用很简单的方法检测了显著性区域,那之后显著性检测主要以区域检测为主:Saliency detection: A spectral residual approach (CVPR 2007),虽然之后有人诟病这篇论文有不足之处,但该想法简单,推动了显著性研究的普及。侯同学靠这一篇文章再加上投稿期间的趣事,就封神了。 3. 其他经典的显著性检测方法 在那之后陆续又有一些经典的显著性检测算法被提出:https://blog.csdn.net/touch_dream/article/details/78716507 可以看这个博文。 4. 基于深度学习的显著性检测 再之后,显著性检测领域就进入了Deep Learning时代, Deep Visual Attention Prediction TIP2018 (CODE)     https://github.com/wenguanwang/deepattention Predicting Human Eye Fixations via an LSTM-based Saliency Attentive Model (CODE)     https://github.com/marcellacornia/sam CVPR2016 Shallow and Deep Convolutional Networks for Saliency Prediction (CODE)     https://github.com/imatge-upc/saliency-2016-cvpr Saliency Detection with GAN (2017)     https://github.com/imatge-upc/saliency-salgan-2017  (CODE)     https://github.com/batsa003/salgan/ (PyTorch的版本) 5. 非自然图象的显著性检测 例如,海报的显著性检测,图表的显著性检测,地理数据的显著性检测等等。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值