一种基于二叉树决策分类的乳腺肿块自动检测方法

乳腺癌是严重威胁女性健康的重要疾病,乳腺癌计算机辅助诊断能够提高乳腺普查的效率和精度。乳腺肿块的自动检测是实现乳腺癌计算机辅助诊断的重要一步。由于肿块和背景之间的对比度低,肿块大小、位置、灰度不确定等,肿块的准确检测非常困难。预处理、疑似区域分割、特征提取以及分类器设计是乳腺肿块分割的关键。本文对经过增强的乳腺X光图像采用一种自适应阈值方法分割出疑似区域,提取疑似区域表征乳腺肿块的面积、紧凑度、圆形度、灰度方差、灰度均值以及偏离度六种特征,最后利用二叉决策树把疑似区域分为两类:肿块和正常乳腺组织。利用50幅图像测试系统的性能,肿块的检测率(TP)为86.18%,且每幅图像的平均误检(FP)为1.18个。实验结果证明了本文提出方法的有效性。     

基于标记脉冲耦合神经网络的乳腺肿块分层检测方法

乳腺X线图像中的肿块检测是乳腺癌早期诊断的重要手段。该文提出了一种新的肿块检测方法。将脉冲耦合神经网络(Pulse Coupled Neural Networks, PCNN)与标记符相结合设计了标记PCNN图像分层方法,继而利用多同心层 (Multiple Concentric Layers, MCL)模型得到可疑区域。最后,借助肿块的形态学特征剔除假阳性区域得到最终的肿块。实验结果表明,该文方法在保证假阳性率(False Positive Rate, FPR)的同时,肿块真阳性率(True Positive Rate, TPR)达到92.08%。同时针对东方女性致密型乳腺案例中检测结果明显优于MCL方法和MCA方法。     

基于多层环形滤波和循环OTSU乳腺肿块检测

介绍了一种新的乳腺肿块计算机辅助检测算法.在对乳腺肿块计算机辅助检测目的和背景进行简单的介绍后,给出了基于多层环形滤波、循环OTSU的乳腺肿块计算机辅助检测算法的设计思想和具体实现过程,并采用此算法对大量数据进行测试,测试结果表明,此算法可以快速且准确地定位乳腺肿块疑似区域.     

超像素优化Snake模型的乳腺X线图像胸肌分割

提出基于超像素优化Snake模型的乳腺X线图 像胸肌 分割方法。首先采用融合灰度和纹理特征的超像素分割算法将图像分割为多个具有准确边界 、同质的 超像素区域;再根据胸肌的解剖学特征和灰度特征将超像素分类,识别胸肌区域,完成胸肌 的粗分割; 最后使用超像素分类结果优化Snake模型初始轮廓,通过Snake模型演化实现胸肌的细分割 。实验结果表明,本文方法对不同大小、形状和亮 度的胸肌 能够准确地逼近到目标边界,并具有较强的抗噪性和鲁棒性;与其他胸肌分割算法相比,本 文算法准确性较高,稳定性较好。     

基于Gmac模型的乳腺肿块分割算法

在乳腺CAD系统中,乳腺肿块分割是一个重要的先前步骤,分割结果的好坏直接影响到肿块的分类和检测.本文将Gmac模型应用到乳腺肿块分割上,并提出了求解Gmac模型的两种改进方法:改进的变分水平集法、改进的splitbregman方法.实验选取了483幅医学乳腺肿块图片进行分割,得到了两种改进方法的CM均值分别为64%和76%;AMED均值分别为4.4750和1.4602.结果表明:改进的split bregman方法对乳腺肿块进行了更有效的分割.实验也利用经典的ACWE模型和GAC模型对上述乳腺肿块图片进行了分割实验,与基于改进split bregman方法的Gmac模型相比,结果表明:Gmac模型具有更好的分割性能.     

基于MCA的乳腺X线图像中肿块的自适应检测方法

针对肿块通常大小和形状各异,并且边缘模糊的特点,提出了一种基于形态学成分分析(MCA)和直方图自适应阈值搜索的肿块检测方法.首先通过引入MCA方法有效地抑制了血管和纤维对检测的影响,在此基础上设计了一种基于直方图的自适应阈值搜索策略,根据肿瘤的生长特性,通过自适应阈值和多灰度同心层方法,有效地检测乳腺X线图像中的病变区...     

基于生理特征的乳腺X线图像多视图分析坐标系

该文针对乳腺X线图像病变的多视图检测与分析问题,建立了一种基于乳房生理特征的多视图坐标系。通过轴位、中侧斜位视图图像中的乳头、胸肌典型生理特征的提取,以及乳房边缘的椭圆拟合,建立乳腺X线图像多视图分析坐标系,可将乳腺X线图像双侧四视图经非线性映射至同一坐标框架内。以北京大学人民医院乳腺中心提供的图像库为实验数据,从生理特征定位精度、兴趣区域匹配精度等多方面进行坐标系匹配准确度的测试与验证,结果表明该坐标系有助于乳腺X线图像,特别是致密型图像的多视图病变检测。     

多模态超声成像技术对乳腺良恶性肿块的诊断价值

为了分析多模态超声成像技术对乳腺良恶性肿块的诊断价值,以2018年9月—2020年10月某院实施乳腺癌手术的100例患者为研究对象,在手术前所有患者均采用常规超声等检查。结果显示：通过病理证实,100例患者中共104枚结节,其中恶性44枚,良性60枚。采用多模态超声成像检测的灵敏度高达97.46%,特异度98.4%,阳性预测值97.5%,符合率98.7%;而常规超声检测灵敏度90.1%,特异度88.5%,阳性预测值91.3%,符合率89.7%,两组数据差异存在统计学意义。与常规超声相比,多模态超声成像技术可以对图像进行容积重建,清晰地显示病灶组织信息和病灶边界情况,为病灶良恶性提供诊断依据。     

基于支持向量机的超声乳腺肿瘤图像计算机辅助诊断系统

支持向量机与其他16种常见分类器相比具有优异的分类性能.本文提出一个基于支持向量机的超声乳腺肿瘤图像计算机辅助诊断系统.该系统提取了乳腺肿瘤图像归一化自相关系数、均方根系数、紧凑度等共26个纹理和几何特征.这些特征不但反映乳腺良性肿瘤和恶性肿瘤本质的区别,还考虑到医学超声图像为相干图像的特点.实验结果表明,该系统诊断精确度为93.03%,敏感性为94.30%,特殊性为91.59%,错误正比率92.80%,错误负比率为93.33%,接受特性曲线面积AUC为0.9669,性能优于较有影响的文献[1]提出的方案.     

乳腺X线图像的增强与噪声抑制研究

提出了一种基于多尺度几何分析的乳腺X线图像增强与噪声抑制的新方法.首先对乳腺X线图像进行非下采样Contourlet变换分解,得到相应尺度和子带信息;然后根据变换系数的统计特性,应用广义高斯混合模型对其进行建模,并在此基础上引入贝叶斯分类方法将建模后的系数分为强弱边缘及噪声;再根据各个子带系数的类别属性,分别设计相应的非线性映射函数来对不同的系数进行自适应增强和抑制;最后采用增强和抑制后的系数对原图像进行重构,从而得到凸显病变区域特征的增强图像.实验结果表明,该方法具有良好的实用性和鲁棒性.     

基于线性优化模糊C均值算法和人工神经网络的光照传感器布局方法

针对目前光照传感器的布局方式计算量大、能耗高,易受人为因素的影响,难以准确地预测室内日光强度等问题,该文提出一种基于线性优化模糊C均值算法(LOFCM)和人工神经网络(ANN)的光照传感器布局方法。LOFCM算法利用线性优化(LO)稀疏权重矩阵后,使用模糊C均值(FCM)筛选数据,确定工作面光照传感器布局。随后,使用ANN分别训练工作面光照传感器测量值与4组辅助光照传感器测量值之间的非线性数学模型。实验结果表明,该文提出的基于LOFCM算法在保证计算工作面平均照度和均匀度准确的情况下,工作面光照传感器的数量比对比方法减少了37.5%。此外,在4组辅助光照传感器布局中,墙壁和窗户布局方式具有较好的预测精度,为预测室内日光强度提供了更加准确的预测方式。     

基于进化ANFIS的短波通信频率参数预测

该文提出并设计了一种利用神经模糊推理系统建模的短波通信频率参数预测模型。该模型以模糊系统为平台,利用自学习算法训练建立推理规则,采用并行自适应遗传算法进化调整系统内部参数。通过ff0F2实测数据仿真试验,并与神经网络方法、混沌和神经网络相结合方法进行比较,结果证明该模型具有预测精度高、收敛速度快、全局收敛性好、内部参数调整智能化等突出优点。     

基于模糊逻辑的开关磁阻电机无位置检测方法改进

阐述开关磁阻电机驱动系统中取消位置传感器的理论依据,介绍一种基于模糊模型的转子位置检测方法。此方法以电流和磁链作为输入,用模糊算法运算得到转子的位置。为提高转子的精度,引入几种改进算法。前置滤波器用来检测和消除反馈信号中的噪声,自适应模糊参考系统用于优化电机模糊模型,位置预测模块则对转子位置进行修订。仿真分析证明,这种转子位置检测方法具有很高的精度。     

一种混合模式的神经网络自动调制识别器

数字信号自动调制识别(AMR)有基于决策论和统计模式两种方法,该文提出一种将两者相结合的自动调制识别系统,利用提取决策论特征向量集和统计特征向量集相结合的特征参数,使用带动量项的自适应权重的BP神经网络对MASK,MFSK,MPSK,MQAM等4类信号进行分类识别。当信噪比在0-10dB,在估计载频与实际载频相差0-100Hz的情况下正确识别率仍高达97%以上,实验证明这种分类识别方法的鲁棒性和实用性。     

卷积神经网络在雷达自动目标识别中的研究进展

自动目标识别(ATR)是雷达信息处理领域的重要研究方向。由于卷积神经网络(CNN)无需进行特征工程,图像分类性能优越,因此在雷达自动目标识别领域研究中受到越来越多的关注。该文综合论述了CNN在雷达图像处理中的应用进展。首先介绍了雷达自动目标识别相关知识,包括雷达图像的特性,并指出了传统的雷达自动目标识别方法局限性。给出了CNN卷积神经网络原理、组成和在计算机视觉领域的发展历程。然后着重介绍了CNN在雷达自动目标识别中的研究现状,其中详细介绍了合成孔径雷达(SAR)图像目标的检测与识别方法。接下来对雷达自动目标识别面临的挑战进行了深入分析。最后对CNN新理论、新模型,以及雷达新成像技术和未来复杂环境下的应用进行了展望。

     

Lung No dules Detection in CT Images Using Gestalt-Based Algorithm

To overcome low accuracy and high false positive of existing computer-aided lung nodules detec-tion. We propose a novel lung nodule detection scheme based on the Gestalt visual cognition theory. The pro-posed scheme involves two parts which simulate human eyes cognition features such as simplicity, integrity and classification. Firstly, lung region was segmented from lung Computed tomography (CT) sequences. Then local three-dimensional information was integrated into the Maximum intensity projection (MIP) images from axial, coronal and sagittal profiles. In this way, lung nodules and vascular are strengthened and discriminated based on pathologic image characteristics of lung nodules. The experimental database includes fifty-three high resolution CT images contained lung nodules, which had been confirmed by biopsy. The experimental results show that, the accuracy rate of the proposed algorithm achieves 91.29%. The proposed frame-work improves performance and computation speed for computer aided nodules detection.     

基于三维模糊连接脉冲耦合神经网络的肾脏CT图像自动分割算法

3维肾脏CT图像的自动准确分割对减轻医师阅片工作量和提高计算机辅助诊断效率具有重要意义。但是,由于肾脏器官的结构复杂性以及邻近部位的灰度相似性,3维肾脏的准确分割仍具有挑战性。该文基于简化脉冲耦合神经网络(SPCNN)结构简单、参数量少的特点,结合模糊连接度(FC)算法,提出一种3维肾脏CT图像的自动分割算法。主要贡献为：将SPCNN的2维模型扩展为3维模型,可以充分利用3维CT图像的层间信息;提出了一种基于感兴趣区域质心的3维种子点自动生成策略,可以有效提高算法的自动分割效率;实现了3维FC响应图与3维SPCNN的有效耦合。所提算法在自制数据集和公开数据集上进行了验证实验,结果表明该算法的性能优于现有的主流算法,其Dice系数、准确率、敏感度、体积误差、平均对称表面距离的平均值分别可以达到0.9095, 0.9969, 0.8517, 0.1749和0.8536。     

结合自适应脉冲耦合神经网络和最大类间方差准则的眼底图像血管自动检测方法

结合自适应脉冲耦合神经网络(PCNN)和最大类间方差准则,该文提出一种眼底图像血管自动检测方法。首先采用对比度受限的自适应直方图均衡化(CLAHE)和2维高斯匹配滤波对眼底图像进行预处理,以增强血管和背景的对比度;然后基于简化PCNN模型,结合最大类间方差准则对预处理后的眼底图像进行分割,针对PCNN神经元的链接强度通常为常数的不足,使用像素的拉普拉斯能量(EOL)作为对应神经元的链接强度值,使得PCNN能够根据像素特征自适应地调整神经元的链接强度;最后采用面积滤波、断点连接对分割结果进行后处理,得到最终的血管检测结果。对STARE眼底图像库的实验结果表明,该方法具有较高的鲁棒性、有效性和可靠性。     

模块化片上系统中高级可扩展接口的死锁避免

模块化片上系统(MSoC)包含多个独立的IP组件及多个可能的子网络,这种异构集成的方式往往为片上网络(NoC)引入潜在的死锁。该文基于模块化异构系统MSoC研究了使用高级可扩展接口(AXI)协议的片上网络中3种类型的死锁。MSoC包含多种常见的异构组件,以及由多个独立子网络集成的片上网络,能够充分反映真实芯片的复杂性和不规则性。该文发现除环形通道导致的死锁外,基于AXI的片上网络还涉及双重路径死锁和桥接死锁。该文还提出一种两阶段算法检测片上网络中可能存在的这3种死锁。相比于通用验证方法学(UVM)随机验证,使用该算法可以将检测时长从几个月缩短到几个小时,提高片上网络的可靠性和鲁棒性。