"A Review of Medical Image Classification Techniques-2011"笔记

作者：Smitha P.；Shaji L.；Dr. Mini M. G.

Abstract
1. 找到图像的特征然后分析。特征分类是图像处理，通过这种方法，依据特征的性质，图像被分成不同的区域。
2. 第二种方法是通过神经网络分类技术。
3. 第三种方法是数据挖掘分类方案。

Introduction
在医学图像分类中，将可视化和纹理技术结合来是可行的。图一为医学图像处理的步骤。

1. 特征分类
特征分类的目标是将未知的样品图分到已知的某类特征中。特征分类是特征分析中主要领域之一。特征分析在基于局部空间密度或者颜色变化的计算机图像分析分类或者分割应用中是非常重要的。虽然特征分析在工业中有许多潜在的应用，但成功应用到实际中的例子却非常有限。特征分析可以被分为四类：统计分析，几何分析，基于模型的分析，信号处理。
2. 神经网络分类
神经网络的优势由于以下几个方面：神经网络是数据驱动自适应方法，它可以根据数据调整而不需要在基础模型上功能或者分布格式的详细说明；神经网络是通用函数逼近，可以以任意精度拟合任意函数；神经网络是非线性模型，这使得它能灵活模拟复杂真实世界应用；他能够估计事后概率，这为建立分类规则和进行统计分析提供了基础。神经网络的自组织映射在基于基于医学图像的分类聚类中是有用的。
3. 数据挖掘
数据挖掘中的分类用来预测数据实例的组成员。数据挖掘不只是数据的收集和整理，它还包括数据的分析和预测。分类技术比回归能处理更多种类的数据，并且越来越流行。

Texture Classifications
已经提出了许多图像特征量化和描述的方法，最主要的有三类：句法的，统计的和谱分析。句法特征分析定义了图像基本的和主要的成分。
一阶统计特征比如平均值，标准偏差，能量，方差是自我解释的。二阶统计特征从概率矩阵提取，比如第二运动角，相关，对比，平均数和，熵总和，方差和熵和等。一个灰度游程在一个给定方向熵包含了一系列的连续共线点。光谱特征表示共现，扫描长度，特征，但在识别空间频率大规模或者更粗糙的变化时却缺少敏感性。小波在特征分析中扮演了一个重要的角色。小波函数可以被设计来评估多尺度空间频率。傅里叶变换不能描述频率的瞬时变化，并且假定所有的信号是正弦波的叠加。有些情况下，借助于窗口法或短时法，局部信息可以通过傅里叶分析得到，这使得傅里叶变换可以被用于整个信号强度的时序部分。
小波变换则可以让我们通过牺牲空间分辨率来换取局部时域信息，与傅里叶变换不同的是，小波变换不要求信号是正弦基函数。实际上对于一般信号，基函数被用来计算变换时包含了缩放和变换一个核心小波函数并且将每个结果小波与信号强度进行比较，计算一个反应相似性强度的系数作为小波系数。本身来说，小波变换是一种固有的多类分析方法。由于连续小波变换计算的复杂性，在临床设置分析中应用这种分析方法本身有困能。
特征选择与提取是特征分析的下一步，这就是说，选择一系列特征很像将一类组织或者病人诊断区分开来。挑战就是，即使是一个适当的灰度共生矩阵方法，值比最终被提交分类的正样本数产生更多的纹理特征。如果没有在分类之前采用测量方法来减小特征个数，统计模型将会比源数据更能反应出噪声或随机错误。幸运的是，总有些方法来降为维，在所有的方向上简单加强一个给定的特征。还有些系统技术可以用来寻找特征子集，比如fisher准则或者主成分分析，这些方法已经被用来从大综合特征空间手动提取正交特征。
纹理特征的分类对放疗的临床演示是有用的，包括根据组织类别分离选择的特征空间。决策函数或者判别函数已经能够分类。T1和T2中良性和恶性脑肿瘤仍然有大量的相叉，这将传统核磁共振损伤特征复杂化。将MR图像特征分析过程用来鉴定肿瘤组织在1993年在对一些有颅内肿瘤病人Lerski可行性研究时提出。作者结合一阶柱状图，梯度和二阶共生矩阵特征（从T1和T2MR图像提取出），做成一个4阶分层决策树，并将逐步差异分析应用与每层，来鉴别组织和肿瘤成分最有辨别力的特征。Mahmoud-Ghoneim使用S变换根据周围白质通过一个分离的特征类来确定肿瘤组织。这些作者还发现，鉴定肿瘤成分的特定灰度共生矩阵特征可以通过扩展二维平面像素间的关系到三维平面间来提高。
尽管对比二维间的想等性，从三维非对比T1加权梯度回波图像中提取出来的6个灰度共生矩阵特征比坏死与实体瘤之间的区别（100%的特异性，三维是75% 二维是 60%），实体瘤和水肿的区别（82%的特异性，三维是60% 二维是 55%）更好。特征分析的客观性依赖于一个假设：图片的获取，处理，分析都是在相同的条件下。通过S变换的T2加权核磁图片的谱分析比肉眼评估更精确，并且敏感度为93.2% 特异性为96.4%。

New Applications of Texture Analysis
出血性并发症的早期预测需要技术。一阶（平均灰度等级，灰度等级方差）和4个2D的灰度共生矩阵特征从对比度T1加权自旋回波图像（从34个间变的极度的缺血性中风患者获取）提取。只有对比和相关因素是预测出血转换（HT）的两个特征，比对比度T1加权图像的肉眼评估更加敏感的预测。令人惊讶的是，对肉眼的不管是对比度还是相关性的增强，都不能显著的提高精确度。最近提出了将3D灰度共生矩阵和动态增强乳腺病变图像的方法。通过检查对比度增强的时间演变，将时间增加为第四维，作者报告能更好的区分良性和恶性肿瘤，这对将来神经磁共振成像应用证明具有指导意义。

Neural Based Classification
贝叶斯决策理论是统计分类方法的基础，它对一些著名的分类程序提供了基本的概率模型，比如统计判别分析。监督分类可以通过贝叶斯决策理论或者具有距离分类器的线性判别分析来实现。非参数数据的监督分类可以通过决策树，K-最近邻，支持向量机，或者神经网络技术来实现。我们特征分类的精确度或者是不是成功一般用交叉验证来评估。
我们还可以通过分配最有辨别力的特征作为预测因子来重建逻辑回归模型，我们可以得到组织类或者诊断作为输出结果的检测指标。通过测量接收器工作特性曲线下的面积来计算分类精确度。也要注意到，包括K均值，分层聚类的非监督分类技术也能够适用这种情况，而没有关于特征空间如何组织的任何先验知识；因此，所有的例子属于一个单个的测试集。用于这种目的的一个算法是判别分析，另一种是支持向量机。判别分析（DA）算法比较简单，而且效果也挺好。支持向量机效果更好，但更难找到产生最好结果的最优参数。所以，生成SVM模型的时间比DA要长。
1. Support Vector Machines (SVM)
SVM只能适用二分类，以下方法可以分离多类。一种就是“一对一”方法，这种方法为每类生成一个二分类器。根据我们自己的情况，有三类，所以会有三个二分类器生成。我们可将简单的格式的支持向量机叫做线性分类器。然而通过增加特征空间的维度和使用“核技巧”生成非线性SVM是可能的。因此，能够在高维空间找到一个分类的超平面，而这个超平面在低维空间不存在。核的选择很多。标准选择是线性核（也叫点积核），多项式核函数，高斯核函数。高斯核是径向基函数(RBF)核的特殊一种。通常情况下，使用的距离是欧氏距离。在RBF核中，参数决定了核的宽度，d(x, y)是距离矩阵。
2. Discriminant Analysis
判别分析是一种参数化技术，它使用最大似然估计来做预测。贝叶斯方法被用来估计所有类参数的正态分布。每类可以通过平均值核协方差矩阵来区别。每类分布的协方差矩阵的不同计算方法将会产生分类器的判别函数，可以是线性的或者多项式的。

Data Mining Techniques
数据挖掘技术，可以被用来预处理，提取，分析，分割领域。如果是为了预处理的话，聚类分析就可以。聚类分析是将数据根据相似特性分组来进行分析。C均值算法是最流行的非递阶迭代聚类算法。当在一个数据集中使用C均值算法是，它找到一些存在与数据中的最相似的c-groups。方法：1）选择与C随机选择模式或者在包含模式的超体积里边的C随机定义点一致的C聚类中心；2）根据预先指定的度量或者相异度量将每类模式分给最近的聚类中心；3）使用现在聚类成员来重新计算聚类中心；4）如果一个收敛准则没有满足，则从步骤2开始。否则计算结束，相对应c- groups的聚类中心通过数据中的算法来定义。由于模糊理论中依据归属函数的部分成员概念的兴起，这种模糊性受到原来越多的关注。模糊聚类在聚类中有很多变体，可以产生重叠聚类分区，已经被广泛研究和应用到各种领域。到目前为止，已经提出了一些相对少的方法来测试在数据中存在或者不存在自然组趋势，这些方法大多依据来自数学统计和启发式图形技术的理论。
关联法则在数据挖掘中扮演了一个重要的角色。关联法则挖掘被用到了大多数的寻找大的或小的诊断数据集中的规则的研究。CT图像中的频率模式通过频率模式树(FP-Tree)来生成，频率模式树用来挖掘关联法则。决策树方法被用来分类医学图像来诊断。这些系统通过增强分类过程而更加精确。混合方法比传统的图像挖掘方法拥有更高的效率。图像的流域形态变换被用来分割和清除给定图像中不一致的数据。二维中值滤波器被优先用来边缘检测以减少图像堆栈中的噪声。二维中值滤波器被优先考虑是因为它是非常简单的光滑滤波器但同时保留了边界。使用精确边缘检测方法，给定的输入图片被分成了目标类个数。对于每个目标，纹理特征被计算和存储到临时或者交换数据库。使用这些信息数据集，我们可以挖掘关联规则。很容易发现在转换数据集不同项目集之间的隐藏关联规则。通过使用集合理论，可以形成频繁项集和最大频繁项集。所有这些被定义的信息被存储在交换数据集里，以树结构的形式给出。为了决策支持的应用，依据分类方法的决策树被广泛应用与数据挖掘。这类系统使用医师一定会做的决策，不论是转换树中找到的频繁项集是否与测试图像中的频繁项集进行比较。使用关联规则分类方法的决策树分类给医师提供了更好的选择来区分良性还是恶性肿瘤。已经能够比较通过关联规则在训练集中产生的频繁项集和在测试集中产生的频繁项集。因此诊断变得相当容易。

Conclusion
纹理分析在将来医学图像解释中扮演了一个支持而不是综合性的角色。像MS证明的那样，纹理分析的鲁棒性更适用于监测疾病过程或者随着时间的治疗效果。支持向量机使用很多核，包括相关核，多项式核函数，高斯核，RBF核，所有这些核在每个应用中扮演重要角色，并且有满意的结果。神经网络通过训练网络在自动分析图像中中非常有用。数据挖掘技术在保存数据集和在一系列图像中分析扮演了同样的角色。模糊算法则产生更好的结果。虽然表现非常好，但由于繁琐的计算，前两种方法是更加复杂的技术。