基于贝叶斯理论的超声肝图像识别系统研究

超声肝图像识别是医学图像图像处理的重要分支,也是计算机辅助诊断中的一个重要应用,在医院常规检查和远程医疗中有广泛的实际意义和应用价值。本系统对获取的图像进行处理,通过将共生矩阵和多分辨率提取分形特征方法结合来提取和选择超声肝图像特征并采用贝叶斯理论设计判别规则进行分类。实验证明,该系统对普通超声肝检查中的正常肝、肝硬化和肿瘤肝识别性能好,具有很强的扩展性、可操作性。

基于BP神经网络的超声肝图像识别

肝超声图像识别,通过基于空间灰度独立矩阵,空间频率分解和分形特征进行特征提取,采用双隐层BP神经网络对正常肝脏,肝硬化和肝癌超声图像进行分类识别。首先提取图像特征并归一化特征向量集。再使用第1隐层对取样肝脏超声波图像进行分类,分别出正常和非正常肝脏。然后用第2隐层对非正常肝进行分类,区别出肝癌和肝硬化图像。最后通过不断调整网络参数,达到理想分类结果。

分维方法在肝癌超声图像纹理识别中的性能比较研究

研究描述超声肝图像纹理特征的分维方法。用14幅正常肝样本图像和14幅原发性肝癌样本图像检验并比较评估4种分维方法。用布朗运动方法、毯子法、傅里叶功率谱法和差分盒计数法4种方法得到的分维作为特征进行ROC(Receiver operating characteristic)分析,以SVM作为模式分类方法的分类正确率进行分析。研究结果表明:除了分数布朗运动方法外,由毯子法、傅里叶功率谱法和差分盒计数法获得的描述正常肝图像感兴趣区域的分维值明显小于描述原发性癌图像感兴趣区域的分维值;采用傅里叶功率谱方法得到最大的ROC曲线下的面积;用SVM(Support vector machine)方法进行分类也取得了与ROC分析类似的结果,即用傅里叶功率谱方法进行分类准确度最高,分数布朗运动和差分盒计数方法效果较差,毯子方法效果居中;傅里叶功率谱方法是描述超声肝图像纹理特征最适合的方法。

基于阈值分割的脂肪肝超声图像分类方法

研究了一种基于阈值分割的脂肪肝超声图像分类方法。该方法在最小化假阴性错误率的基础上尽量减小假阳性错误,获得服从正态分布的正常肝和脂肪肝图像灰度的置信区间。利用各自的区间阈值对超声图像进行分割,通过比较两幅分割图像进行分类。实验验证表明,不论是测试数据还是训练数据,该方法对正常肝正确识别率均为100%,对脂肪肝正确识别率均为96.3%。与BP神经网络方法比较表明,该方法在分类准确性上与神经网络方法相当,但比BP网络方法花费了更少的时间。