基于Adaboost算法的多特征融合肺部PET-CT图像的肿瘤分类方法

目的:提出并设计使用PET-CT影像定位肺部病灶区域并辅助判断病灶点的自动化流程,并对整个算法流程进行评价和分析,以提高临床工作效率。方法:选取北京协和医院核医学科20例肺部肿瘤患者的PET-CT影像,使用图像尺度变换等图像处理方法,去除CT图像中的床位,用等高轮廓线在PET-CT影像中提取样本区域,并依据预先标记的病灶区域信息对样本区域进行类别划分,提取每个样本区域的图像特征。应用Adaboost算法进行训练,建立相应的分类模型,利用训练好的分类模型对测试集进行测试,对比弱分类器构成的集成分类模型的准确率,用检出率、误检率、感兴趣区域(ROC)曲线以及病例分类的正确率对分类结果进行评估。结果:对20例患者的PET-CT图像预处理后,共产生125088个样本,其中正样本22720个,负样本为102368个,用等高轮廓线进行区域划分,使用Adaboost.M2算法融合多种特征训练出来的强分类器的样本分类正确率为97%左右,20例肺部肿瘤患者的粗分类结果全部正确,细分类结果正确率为100%。结论:将等高轮廓线区域技术与Adaboost算法相结合,融合多个特征构建分类器提取并识别肺部肿瘤区域的方法能有效改善弱分类器的过拟合现象,有效的提高弱分类器的准确率,该算法实现了从PET-CT影像到诊断结果的自动化,为临床医生提供更清晰的诊断结果,极大提高临床工作效率。

基于树修剪和多特征融合的场景文本检测

为了解决最大稳定极值区(MSER)提取过程中产生的大量重复文本区域和非文本区域难以被剔除影响算法精度的问题,提出了一种基于树修剪和多特征融合的场景文本检测方法。首先提取出边缘叠加的MSER作为文本候选区域;其次设计了一种MSER树修剪算法剔除重复文本区域;然后采用贝叶斯分类器融合多特征剔除非文本区域;最后设定了一系列相似性标准合并文本区域。ICDAR 2011数据集(f=76.8%)上的实验结果低于目前最好的算法[19],但算法在速度上具有明显的优势。