光学精密工程
光學精密工程
광학정밀공정
OPTICS AND PRECISION ENGINEERING
2006年
2期
327-332
,共6页
模式分类%计算机辅助诊断%多分辨率直方图%核学习算法
模式分類%計算機輔助診斷%多分辨率直方圖%覈學習算法
모식분류%계산궤보조진단%다분변솔직방도%핵학습산법
提出了一种结合多分辨率直方图特征表示与核学习算法的数字X光乳腺图像的分类方法.该方法不依赖特征选择步骤,而是基于感兴趣区(ROI)的高维多分辨率直方图特征,通过从训练实例中学习,同时检测多种异常的ROI.对该方法进行接收器工作特性(ROC)分析,敏感性约为89%,ROC曲线下面积(AUC)接近0.91.与以前所提出的检测方法相比,该方法不需要针对特定类型病变选择特征表示,因此可以同时检测多种类型的病变,简化了检测过程,提高了检测效率,而且分类性能也达到或超过了以前方法的平均分类性能.结果表明,利用多分辨率直方图特征表示能够很好地区分乳腺图像中正常和异常区域,同时也显示了借助核学习算法消除或限制分类任务中特征选择步骤的可能性.
提齣瞭一種結閤多分辨率直方圖特徵錶示與覈學習算法的數字X光乳腺圖像的分類方法.該方法不依賴特徵選擇步驟,而是基于感興趣區(ROI)的高維多分辨率直方圖特徵,通過從訓練實例中學習,同時檢測多種異常的ROI.對該方法進行接收器工作特性(ROC)分析,敏感性約為89%,ROC麯線下麵積(AUC)接近0.91.與以前所提齣的檢測方法相比,該方法不需要針對特定類型病變選擇特徵錶示,因此可以同時檢測多種類型的病變,簡化瞭檢測過程,提高瞭檢測效率,而且分類性能也達到或超過瞭以前方法的平均分類性能.結果錶明,利用多分辨率直方圖特徵錶示能夠很好地區分乳腺圖像中正常和異常區域,同時也顯示瞭藉助覈學習算法消除或限製分類任務中特徵選擇步驟的可能性.
제출료일충결합다분변솔직방도특정표시여핵학습산법적수자X광유선도상적분류방법.해방법불의뢰특정선택보취,이시기우감흥취구(ROI)적고유다분변솔직방도특정,통과종훈련실례중학습,동시검측다충이상적ROI.대해방법진행접수기공작특성(ROC)분석,민감성약위89%,ROC곡선하면적(AUC)접근0.91.여이전소제출적검측방법상비,해방법불수요침대특정류형병변선택특정표시,인차가이동시검측다충류형적병변,간화료검측과정,제고료검측효솔,이차분류성능야체도혹초과료이전방법적평균분류성능.결과표명,이용다분변솔직방도특정표시능구흔호지구분유선도상중정상화이상구역,동시야현시료차조핵학습산법소제혹한제분류임무중특정선택보취적가능성.
