鲁棒的超声图像肝硬化识别方法

为了减少利用超声图像进行肝硬化诊断时临床医师的主观性对诊断准确性的影响,首次提出了一种利用Gabor变换和LBP特征融合的方法对肝硬化和正常肝脏进行识别。首先对原始肝脏样本分别提取其Gabor特征和LBP特征,然后将这两种特征进行融合,得到鲁棒性较强的特征,并利用C-SVM进行训练和分类。该方法克服了超声环境下肝脏图像所受的光照影响、边缘模糊,以及在尺度因素的影响下,其病变区域与正常区域的纹理用肉眼很难区分等困难,对正常肝脏和肝硬化的识别精度达到了100%,说明提出的方法可有效提高在超声环境下对肝硬化的诊断准确率,减少临床医师主观性的影响。

一种基于LBP特征提取和稀疏表示的肝病识别算法

由于肝脏超声图像具有回声不均匀、边缘模糊等缺点,肝脏疾病的无创诊断易受影响,而且目前临床基于肝脏超声图像的肝病诊断主要依靠医生的主观判断,其缺点为依赖医生主观经验且耗时,因此提出一种基于局部二值模式(LBP)特征提取和稀疏表示的肝病识别算法。从肝脏超声图像中提取感兴趣区域,使用LBP特征提取方法对感兴趣区域提取图像特征,将得到的特征进行字典训练,得到稀疏矩阵,最终采取支持向量机对其进行分类。实验样本均取自青岛大学附属医院肝胆科。实验1使用该方法对100个正常肝脏样本和100个肝硬化样本进行分类,准确率达到99.50%,实验2使用该方法对肝硬化、脂肪肝、肝血管瘤和肝癌4类样本共200个进行分类,AUC值分别为67.2%、65.1%、55.0%和62.6%。ROC曲线表明,提出的分类方法在准确率和泛化能力上均优于传统方法,有助于肝病的临床诊断。

基于一种改进的LBP算法和超限学习机的肝硬化识别

肝硬化的计算机辅助诊断对肝脏疾病的早期治疗和诊断具有重要意义。针对B超图像中肝硬化病变区域边缘模糊和回声不均匀、尺度因素影响等问题,提出了改进的LBP算法并提取了相应的SLBP特征。该特征较传统的纹理特征更准确地描述了B超图像中肝硬化病变的特征,结合二维Gabor变换,解决了上述难题。鉴于传统的机器学习方法的训练时间较长,采用基于超限学习机的训练方法,并首次将其应用于肝硬化识别。实验结果表明,所提方法对测试集的分类准确率达到95.4%,在时间效率上较传统方法有很大提高。ROC曲线表明,提出的分类方法在准确率和泛化能力上均优于传统方法,有助于肝硬化的临床诊断。