非线性超声射频信号熵对乳腺结节良恶性的定征

本文提出了一种基于非线性超声射频(radio frequency, RF)信号熵对乳腺结节良恶性进行定征的方法.对306例乳腺结节样本(良性158例,恶性148例)提取了基于超声RF信号二次谐波的熵和加权熵,以及常规超声参数(图像灰度、纵横比、不规则度、乳腺结节大小、深度);采用t检验和线性分类器检测参数对乳腺结节良恶性的区分度;进一步将有效参数组合输入支持向量机对乳腺结节良恶性进行分类.结果表明:除图像灰度外,其余参数均在乳腺结节的良性与恶性间有显著差异.多参数结合输入支持向量机的良恶性分类的准确率、敏感性和特异性分别为81.4%, 78.4%和84.2%.本文工作表明非线性超声RF信号的熵可有效地定征乳腺结节的良恶性,有望成为乳腺结节良恶性定征新参量.     

基于ViBe与机器学习的早期火灾检测算法

针对现有视频图像火灾检测算法前景信息丢失严重、误报率高、泛化能力弱等问题,提出一种新的火灾检测算法。其主要由前景提取和分类决策两大模块组成。在前景提取模块中改进ViBe算法,实现对运动区域的选择性更新;同时使用随机森林和支持向量机组成的两级分类器对运动区域颜色进行分类,以获取精确的前景区域。在分类决策模块中,提出两种新的早期火焰特征用于描述帧间火焰区域重叠率和火焰区域不同部分运动剧烈程度比率,再结合Hu矩特征训练出决策分类器。实验结果表明,该算法具有准确率高、误报率低、泛化能力强、响应时间短等优点,并能很好地应用于实际环境中。     

基于生物阻抗谱成像的生物组织检测方法

基于电阻抗成像技术和生物阻抗谱技术,提出一种面向生物组织检测的生物阻抗谱成像方法.该方法将目标区域可视化并精准识别目标种类,可用于肺癌早期检测,协助临床医生对早期肺癌进行精准检测,提高早期肺癌的治愈率.本文通过数值仿真的方法验证生物阻抗谱成像方法在肺癌早期检测中的可行性和有效性,仿真结果表明:1)生物阻抗谱成像方法可以实现早期肺癌区域的可视化,并精确判别出早期肺癌种类; 2)生物阻抗谱成像方法中阻抗谱的最佳采集模式是4次循环采集,最佳分类器是Linear-SVM, 5折交叉验证的平均分类准确率可以达到99.9%.为了验证仿真结果,本文选取3种具有不同电学特性的生物组织模拟癌变区域进行了检测.实验结果表明该方法可以对生物组织区域可视化,并判别出生物组织的种类.该方法可以兼顾电阻抗成像和生物阻抗谱方法的优点,有望用于肺癌早期检测.     

特征级联在车辆检测中的应用与研究

对现有的采用机器学习算法检测车辆进行研究,分析其存在的不足;表现在特征或者算法单一,对光照等条件变化鲁棒性不够;针对这些问题,提出一种融合LBP特征与HOG特征,并结合Adaboost与SVM的车辆检测算法;借鉴级联的思想,首先采用AdaBoost对训练样本提取LBP特征进行训练,得到的分类器用于初步筛选并将其分类结果作为下一层分类器的输入;然后采用SVM算法对训练样本提取HOG特征进行训练,得到的分类器用于二次筛选上一层分类器的分类结果;实验结果证明Adaboost-SVM相结合的办法检测结果精度高,准确率和召回率均达到95%以上,FPPW与FPPI的值均在5%左右;同时由于算法采用的特征对光照条件具有较强的鲁棒性,因此光照条件的变化对算法的识别结果影响较低;实时性方面,每帧图像的处理时间为75 ms,满足实时性要求。     

喘鸣音的声谱图熵特征分析及检测

提出了一种改进的基于肺音信号的声谱图熵特征分析的客观喘鸣音检测方法。喘鸣音的功率明显高于正常肺音,因此喘鸣音声谱图的功率分布沿频率轴方向具有明显的聚集特性,该特性可以通过熵值反映。本算法首先对肺音信号进行时频变换得到时频幅度谱信号,然后去除基本呼吸音,进而计算其熵特性曲线并提取熵特性曲线的相应特征.最后,通过支持向量机(support vector machine,SVM)训练分类器,实现了喘鸣音的有效检测。该方法通过预处理使熵特性曲线的特征差异更加明显,且通过SVM分类器进行检测,解决了原方法检测存在检测模糊区域的问题。实验结果表明,该算法在两组测试集的检测准确率分别为97.1%和95.7%,检测率较高,具有良好的应用前景。      

磁瓦表面缺陷的机器视觉检测方法

为了提高磁瓦表面缺陷在线检测准确率并降低检测时间,提出一种基于机器视觉的检测方法。离线训练时,对经过Gabor小波处理后的子图进行融合并提取纹理特征,使用改进的Relief算法提取与类别相关性强的特征子集,并去除冗余特征。为降低缺陷磁瓦的漏检率,先进行偏向性分类处理,再采用最小二乘支持向量机进行分类预测。实验表明,整体预测准确率96.89%,缺陷磁瓦分类准确率达到99.09%,且在线预测时间减少了近1/4,只需67.4ms。     

中高分辨力遥感图像中飞机目标自动识别算法研究

提出了一种中高分辨力的航空航天遥感图像中飞机目标快速自动识别的新算法。在分割和分类过程中充分利用飞机目标的先验知识,提出了一种改进区域分割方法,并应用树分类器对飞机目标进行自动识别。所提出的改进区域分割方法较好地实现了区域分割中阈值的准确自动选取,克服了复杂背景图像中小目标的全局阈值自动分割的失效问题。采用二叉树分类器,通过提取简单的目标几何特征,分层进行种类识别,提高了识别速度,降低了漏检率和虚警率。运用该方法进行了实验。结果表明,识别率达到了100%。     

AdaBoost算法在矿井突水水源的荧光光谱识别中的研究

矿井突水是影响矿井安全生产的重要因素之一,如果矿井发生突水,能够快速、准确地判别突水水源类型是治理矿井突水灾害保证生产安全的重要环节,因此,建立一个能够快速识别矿井突水水源的模型具有重要的意义。水化学分析法作为在传统的矿井突水水源类型识别方法里应用最为广泛的识别方法,通过获得相应的pH值、离子浓度、电导率等参数,然后利用这些参数来建立突水水源的类型识别模型对矿井突水的类型进行判别。针对这种传统矿井突水水源识别方法在判别时间上耗时长和识别准确率低等不足,鉴于LIF技术具有分析速度快、灵敏度高等优点,提出了将线性判别分析（LDA）算法作为弱分类器的自适应提升（AdaBoost）算法用于激光诱导荧光（LIF）光谱识别矿井突水水源的新方法。用于实验的九种水样（每种水样各取50个样本）由淮南地区某矿的老空水、灰岩水以及按不同比例混合的老空水与灰岩水的七种混合水构成。将405 nm激光器发射的激光打入被测水体并采集荧光光谱数据,然后对采集到450组荧光光谱数据进行分析,取其中360组光谱数据（每种水样各40组）用作训练集,取剩余90组光谱数据用作测试集。分别选取三种算法针对水样的激光诱导荧光光谱的分类进行了建模并将三种结果进行对比。首先利用决策树算法对光谱进行分类识别,在节点个数为8时决策树对测试集的分类效果最好,分类准确率达到91.11%。然后针对决策树算法分类效果的不足,利用决策树算法作为弱分类器的AdaBoost算法,当选取节点个数为9的决策树作为弱分类器的时,对训练集的分类准确率为97.78%。最后针对基于决策树的AdaBoost算法的泛化性能不足和为了获得更好的分类效果,提出了基于LDA算法作为弱分类器的AdaBoost算法,在设置迭代次数为150后对水样光谱数据分类准确率可以达到100%。通过实验结果可以发现,集成学习算法的分类能力比传统的分类算法对水样的光谱的分类识别能力更强,相较于同为九个节点的决策树算法,采用节点数为9的决策树作为弱学习器的AdaBoost算法对测试集的分类准确率从88.89%提升到了97.78%,对训练集的分类准确率从99.72%提升到了100%;然后可以发现相对于使用决策树作为弱分类器的AdaBoost算法,采用LDA算法作为AdaBoost算法的弱分类器对水样的光谱的测试集的分类准确率从97.78%提升到了100%,对训练集的分类准确率达到100%,具有更好的识别效果,并且具有更好的泛化性能。实验结果证明采用Adaboost-LDA算法为激光荧光光谱的模式分类用于矿井突水水源的判别和预警是可行且有效的。     

超声射频信号的甲状腺结节智能诊断方法

由于人口老龄化的原因,甲状腺癌的发病率增长率在所有癌症中是最为显著的。因此,对存在癌变可能的甲状腺结节进行预检查显得尤为重要,而超声智能诊断系统在甲状腺结节早期筛查方面已展现出巨大的应用前景。该文的工作旨在提出一种基于超声原始射频信号的组织参数定征和人工神经网络相结合的甲状腺结节智能诊断方法,以提高临床超声诊察效率及准确性。为达成上述目的,该文使用滑动窗口图像分析方法和多兴趣区覆盖的方法提取组织定征参数作为特征,使用人工神经网络进行良恶性分类,并对可能影响分类准确性的相关因素进行参数相关性分析。结果显示,基于临床样本,该文提出的智能诊断方法可达到93.2%敏感度、94.0%特异性和93.5%准确率。该方法一定程度上克服了传统方法无法充分利用图像局部细节信息的不足,有效提高了诊察效率和准确性;另一方面,与深度神经网络相比,本方法对计算资源和样本量的需求较少。因此有望在该文研究基础上最终建立一套可实际用于甲状腺结节的预筛查的临床智能诊断系统。     

基于超声RF信号的甲状腺结节智能诊断方法*

由于人口老龄化的原因,甲状腺癌的发病率增长率在所有癌症中是最为显著的。因此,对存在癌变可能的甲状腺结节进行预检查显得尤为重要,而超声智能诊断系统在甲状腺结节早期筛查方面已展现出巨大的应用前景。该文的工作旨在提出一种基于超声原始射频信号的组织参数定征和人工神经网络相结合的甲状腺结节智能诊断方法,以提高临床超声诊察效率及准确性。为达成上述目的,该文使用滑动窗口图像分析方法和多兴趣区覆盖的方法提取组织定征参数作为特征,使用人工神经网络进行良恶性分类,并对可能影响分类准确性的相关因素进行参数相关性分析。结果显示,基于临床样本,该文提出的智能诊断方法可达到93.2%敏感度、94.0%特异性和93.5%准确率。该方法一定程度上克服了传统方法无法充分利用图像局部细节信息的不足,有效提高了诊察效率和准确性;另一方面,与深度神经网络相比,本方法对计算资源和样本量的需求较少。因此有望在该文研究基础上最终建立一套可实际用于甲状腺结节的预筛查的临床智能诊断系统。     

Thyroid nodule classification using ultrasound elastography via linear discriminant analysis

The non-surgical diagnosis of thyroid nodules is currently made via a fine needle aspiration (FNA) biopsy. It is estimated that somewhere between 250,000 and 300,000 thyroid FNA biopsies are performed in the United States annually. However, a large percentage (approximately 70%) of these biopsies turn out to be benign. Since the aggressive FNA management of thyroid nodules is costly, quantitative risk assessment and stratification of a nodule’s malignancy is of value in triage and more appropriate healthcare resources utilization. In this paper, we introduce a new method for classifying the thyroid nodules based on the ultrasound (US) elastography features. Unlike approaches to assess the stiffness of a thyroid nodule by visually inspecting the pseudo-color pattern in the strain image, we use a classification algorithm to stratify the nodule by using the power spectrum of strain rate waveform extracted from the US elastography image sequence. Pulsation from the carotid artery was used to compress the thyroid nodules. Ultrasound data previously acquired from 98 thyroid nodules were used in this retrospective study to evaluate our classification algorithm. A classifier was developed based on the linear discriminant analysis (LDA) and used to differentiate the thyroid nodules into two types: (I) no FNA (observation-only) and (II) FNA. Using our method, 62 nodules were classified as type I, all of which were benign, while 36 nodules were classified as Type-II, 16 malignant and 20 benign, resulting in a sensitivity of 100% and specificity of 75.6% in detecting malignant thyroid nodules. This indicates that our triage method based on US elastography has the potential to substantially reduce the number of FNA biopsies (63.3%) by detecting benign nodules and managing them via follow-up observations rather than an FNA biopsy.     

基于波段子集特征提取的最小二乘支持向量机高光谱图像分类技术

针对高光谱图像分类,文章提出一种基于波段子集最大噪声分量特征提取的最小二乘支持向量机的高光谱图像分类算法.利用高光谱图像的谱间相关性将原始光谱波段划分为若干个波段子集,并在各个子集上采用最大噪声分量方法进行特征提取,将提取的特征合成为分类的组合特征矢量,避免了高光谱图像较强的波段相关性,减少了谱间冗余.并且采用了最小二...     

基于MRI影像组学的BI-RADS 3-5类乳腺病变三分类

医生根据磁共振影像征象对患者的乳腺病变程度进行BI-RADS分类评估时存在一定的主观性,且 BI-RADS 3-5类病变的良恶性存在交叉,在临床诊断时极易发生因诊断类别较高而造成不必要的有创治疗．针对这些问题,本文应用影像组学技术对乳腺的T₁加权（T1W）和动态对比增强（DCE）磁共振图像进行特征提取和融合,采用最小绝对收缩和选择算子（LASSO）算法筛选出各特征集的最优特征集,并分别使用支持向量机（SVM）、随机森林（RF）、K最近邻（KNN）及逻辑回归（LR）算法进行BI-RADS 3-5类乳腺病变三分类,并且在此基础上实现乳腺良恶性分类．结果显示基于特征融合的四个影像组学模型对乳腺病变BI-RADS 3-5类的分类准确率分别为81.25%、87.50%、78.38%、81.25%;对乳腺病变良恶性鉴别的准确率分别为90.91%、93.55%、92.73%、94.55%. 这表明MRI影像组学结合机器学习的算法对乳腺病变BI-RADS分类效果及良恶性鉴别效果均较好,且特征融合可进一步提高分类预测的准确率．     

基于多模态MRI与深度学习的乳腺病变良恶性鉴别

为提高基于动态增强磁共振成像（DCE-MRI）的计算机辅助（CAD）方法对乳腺病变良恶性鉴别的精度,本文基于多模态特征融合,提出一种联合非对称卷积和超轻子空间注意模块的卷积神经网络AC_Ulsam_CNN.首先,采用迁移学习方法预训练模型,筛选出对乳腺病变良恶性鉴别最为有效的DCE-MRI扫描时序.而后,基于最优扫描时序图像,搭建基于AC_Ulsam_CNN网络的模型,以增强分类模型的特征表达能力和鲁棒性.最后,将影像特征与乳腺影像数据报告和数据系统（BI-RADS）分级、表观扩散系数（ADC）和时间-信号强度曲线（TIC）类型等多模态信息进行特征融合,以进一步提高模型对病灶的预测性能.采用五折交叉验证方法进行模型验证,本文方法获得了0.826的准确率（ACC）和0.877的受试者工作曲线下面积（AUC）.这表明该算法在小样本量数据下可较好区分乳腺病变的良恶性,而基于多模态数据的融合模型也进一步丰富了特征信息,从而提高病灶的检出精度,为乳腺病灶良恶性的自动鉴别诊断提供了新方法.     

Novel classification rule of two-phase test sample sparse representation

In this paper, a novel classifier based on two-phase test sample sparse representation (TPTSSR) classifier and coarse k nearest neighbor (C-kNN) classifier, called novel classification rule of two-phase test sample sparse representation (NCR-TPTSSR) classifier, is proposed for image recognition. Being similar to TPTSSR classifier and C-kNN classifier, NCR-TPTSSR classifier also uses the two phases to classify the test sample. However, the classification rule of NCR-TPTSSR classifier is different to the decision rule of TPTSSR classifier and C-kNN classifier. A large number of experiments on FERET face database, AR face database, JAFFE face database and PolyU FKP database are used to evaluate the proposed algorithm. The experimental results demonstrate that the proposed method achieves better recognition rate than TPTSSR classifier, C-kNN classifier, nearest feature center (NFC) classifier, nearest feature line (NFL) classifier, nearest neighbor (NN) and so on.     

Can diffusion-weighted imaging be used as a reliable sequence in the detection of malignant pulmonary nodules and masses?

Recent developments in diffusion-weighted magnetic resonance imaging (DWI) make it possible to image malignant tumors to provide tissue contrast based on difference with the diffusion of water molecules among tissues, which can be measured by the apparent diffusion coefficient (ADC) value. We aimed to assess the diagnostic accuracy of DWI for benign/malignant discrimination of pulmonary nodules/masses with a meta-analysis. The MEDLINE, EMBASE, Cancerlit and Cochrane Library database, from January 2001 to August 2011, were searched for studies evaluating the diagnostic accuracy of DWI for benign/malignant discrimination of pulmonary nodules. We determined sensitivities and specificities across studies, calculated positive and negative likelihood ratios (LRP and LRN), and constructed summary receiver operating characteristic SROC) curves. Across 10 studies (545 patients), there was no evidence of publication bias (P= .22, bias=−19.19). DWI had a pooled sensitivity of 0.84 (95% CI, 0.76–0.90) and a pooled specificity of 0.84 (95% CI, 0.64–0.94). Overall, LRP was 5.3 (95% CI, 2.1–13.0) and LRN was 0.19 (95% CI, 0.12–0.30). In patients with high pretest probabilities, DWI enabled confirmation of malignant pulmonary lesion; in patients with low pretest probabilities, DWI enabled exclusion of malignant pulmonary lesion. Worst-case-scenario (pretest probability, 50%) posttest probabilities were 84% and 16% for positive and negative DWI results, respectively. Diffusion-weighted magnetic resonance imaging can be used to differentiate malignant from benign pulmonary lesions. High-quality prospective studies regarding DWI in the evaluation of pulmonary nodules are still needed to be conducted.     

基于改进U-Net++的CT影像肺结节分割算法

卷积神经网络的语义分割模型未有效利用特征权重信息,导致在医学图像复杂场景中分割边界出现欠分割现象。针对该问题,基于融合自适应加权聚合策略提出一种改进的U-Net++网络,并将其应用于电子计算机断层扫描影像肺结节分割。该模型首先在卷积神经网络中提取出不同深度特征语义级别的信息,再结合权重聚合模块,自适应地学习各层特征的权重,然后将学习得到的权重加载到各个特征层上采样得到的分割图以得到最终的分割结果。在LIDC数据集和重庆大学附属肿瘤医院肺部电子计算机断层扫描数据集上进行了分割实验,所提方法的交叉比在两个数据集上分别可达到80.59%和87.40%、骰子系数分别可达到88.23%和90.83%。相比U-Net和U-Net++方法,该算法有效提升了图像分割性能。本文方法能在肿瘤微小细节上实现精确分割,较好地解决了肺结节向周围浸润性生长时出现欠分割的问题。     

基于稀疏表示和学习图正则的高光谱图像特征提取

针对传统局部特征提取算法难以确定邻域参数,以及仅考虑数据间的单一结构而漏掉重要信息的问题,提出一种基于稀疏表示和学习图正则的局部判别与全局稀疏保持投影算法。该算法首先对稀疏表示模型施加基于学习的图正则器,用该改进的稀疏表示模型自适应揭示样本数据间的局部线性结构,通过局部判别模型全局集成算法来提取局部线性结构中的判别信息;利用基于学习图正则稀疏表示模型构建的新型稀疏图来揭示数据间的全局稀疏结构;使得数据的局部判别结构和全局稀疏结构在低维特征空间得以保持。通过1-近邻和支持向量机分类器对实验结果进行评估,在PaviaU和Indian Pines两个高光谱公共数据集上的实验显示,提出的局部判别与全局稀疏保持投影算法较对比算法取得了最好的性能,由于提取了全局和局部的判别信息,有效提升了高光谱图像的地物分类精度。