基于超声RF信号的乳腺肿瘤分级检测方法

为解决超声乳腺肿瘤分级检测问题,从超声射频(RF)信号的角度提出了一种有效的乳腺肿瘤分级检测方法。首先,采用Shearlet变换提取乳腺超声RF信号的多尺度、多方向特征;其次,考虑Shearlet特征的高维冗余性,采用多尺度方向二值模式(MDBP)对其进行编码,在不损失特征信息的条件下降低特征维度;最后,依据医生阅片经验以及不同分级乳腺肿瘤的特征差异性,设计出适合乳腺病变分级检测的层级二叉树SVM分类器(CBT-SVM)。在928个乳腺肿瘤患者的超声RF信号上进行验证,大量结果表明,提出方法可以有效实现3级、4A级～4C级、5级乳腺肿瘤的分级检测,准确度、敏感度、特异度、PPV、NPV以及MCC分别达到89.29%、75.62%、94.54%、97%、98.3%和81.01%。

基于超声RF信号的超声成像实验设计

该文为让学生更直观地了解超声RF信号重建出B超图像的过程,首先在超声设备上完成RF数据的采集,然后在Matlab平台上对每个成像步骤的信号进行分析,完成成像过程的仿真,最后将得到的结果与超声设备上显示的图像进行对比。该实验具有较强的设计性和参与性,实验结果具有一定的开放性。实践表明,实验过程既能锻炼学生分析问题的能力,又能加深学生对专业课程的理解,激发其学习兴趣,进而改善教学效果、提高教学质量。

基于PCA的脂肪肝超声RF信号特征选择

随着对脂肪肝超声图像识别的深入研究,越来越多的识别特征被提出来。而特征之间的相关性造成干扰信息,使得识别率反而下降。文中基于超声射频信号提取特征参数,通过两独立样本均数的t检验和主成分分析法,从10个特征参数中,组合前三个特征值的特征向量得到组合特征。前三个特征值的累积贡献率达97.86,在去冗余的同时,保留了绝大部分的原始信息。将改进方法应用于脂肪肝超声图像的识别,平均识别率从选用所有特征的75.63提高到了88.99。