文献整理笔记医学图像识别
Posted 统计家园
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了文献整理笔记医学图像识别相关的知识，希望对你有一定的参考价值。
[1]陈寿宏,柳馨雨,马峻,康怀强.深度卷积神经网络胸片肺结节分类识别研究[J].计算机工程与应用,2018,54(24):176-181
[2]钱宝鑫,肖志勇,宋威.改进的卷积神经网络在肺部图像上的分割应用[J].计算机科学与探索,2020,14(08):1358-1367
[3]王桂棠,林桢哲,符秦沈,王靖然,卢国杰.联合生成对抗网络的肺结节良恶性分类模型[J].仪器仪表学报,2020,41(11):188-197
研究背景：医学图像具有种类繁多、分辨率低下、严重依赖成像设备和成像环境等缺点，这些缺点在一定程度上限制了医生对患者症状做出有效诊断。利用图像处理技术并结合深度学习实现对人体患病部位的诊断是当下最前沿的医学诊断方法之一。与传统专家诊断系统相比，基于深度学习的医学影像智能诊断实现了量化经验增加而逐步进化，并通过系统策略网络和价值网络对医学影像信息逐层分析提取，无需人类逻辑和知识的干预，机器可自行从诊断经验中实时学习。
数据来源：文献[1]所使用的X光片均由日本放射技术学会科学委员会（JSPT）创建，其中包含肺结节和非结节的标准数字图像，整个数据集共选择了14个医学中心的154个含有肺结节的常规肺胸片和93个无结节的X线胸片。文献[2]数据来自LUNA数据库，选取其中89名患者，每个病人大约有100-750张切片，最终形成13465张图像数据集，获得的图像分辨率为512×512，其中70%的样本用于训练集，30%用于测试集。文献[3]数据来源于LIDC-IDR数据库。
数据处理方式：文献[1]首先通过将胸片灰度一致化，减少由于不同设备导致胸片亮度与灰度的差异；其次采用不同的数据扩增方法使得深度卷积神经网络可以充分提取肺结节的特征；最后通过改进的神经网络架构对肺结节进行分类识别。文献[2]为了获得图像的多尺度信息，首先向网络模型中输入多尺度图像，使用残差网络结构作为编码模块，在扩展网络深度的同时不造成网络退化问题；此外，在编码和解码之间利用空洞空间金字塔池化（ASPP）充分提取上文多尺度信息；最后利用级联操作，将捕捉到的信息与编码层信息级联，结合注意力机制从而提高分割精度。文献[3]首先利用生成对抗网络特性，提出融合DCGAN 与WGAN-GP的生成对抗网络，并使用渐进式的训练模式生成了清晰的图像作为扩充样本（1000副）；然后与真实样本（1400副）输入至卷积神经网络中进行训练，使用真实样本（600副）对模型进行测试。
研究结论：文献[1]提出的算法有效地避免了在对胸片图像进行分割时造成图像特征部分丢失的现象，同时克服了由于胸片图像的复杂造成的肺结节特征不明显的缺点。最终通过实验研究证明胸片肺结节分类识别的平均准确率达到84.2%，在医学胸片肺结节的分类识别领域上具有一定的应用价值。文献[2]通过对LUNA16数据集中89位患者的13465张CT图像进行测试，以相似性系数和精确度作为主要评判标准，实验精度分别达到了99.56%和99.33%。实验结果表明，该方法能有效分割出肺实质区域，与其他网络相比分割效果更好。文献[3]使用的联合模型对肺部CT图像结节良恶性分类的准确率、敏感性、特异性与 AUC值分别达到了96. 5%、96. 67%、96. 33%与0. 953，并设计相关的参照实验，验证了利用生成对抗网络的生成样本对提高肺结节良恶性分类模型能力的可行性与有效性。
与同类研究相比较的优缺点：传统算法在胸片肺结节识别时，为了使得胸片中肺结节特征更加明显，通常将完整的胸片分割成64×64、32×32或16×16的图像块，文献[1]提出的算法采用的图像为胸片完整图像，从而有效地避免了胸片肺结节特征的丢失。对于神经网络来说，网络层数越深，所能学到的东西越多，但在某些情况下，网络层数越深反而会降低准确率，很容易出现梯度消失和梯度爆炸，文献[2]引入残差网络可以很好地缓解这一问题。文献[3]引入生成对抗网络来进行数据扩增，并将其生成的数据用于肺结节分类模型的训练中，取得了较为理想的效果。
[4]杨佳玲,赵涓涓,强彦,郝晓燕,王峰智.基于深度信念网络的肺结节良恶性分类[J].科学技术与工程,2016,16(32):69-74
[5]张婷,赵文婷,赵涓涓,强彦.改进的深度信念网络肺结节良恶性分类[J].计算机工程与设计,2018,39(09):2707-2713+2729
[6]马圆,王风,韩勇,张凤,梁志刚,黄健,杨志,郭秀花.基于深度信念网络检测PET/CT图像肺结节良恶性[J].中国医学影像技术,2020,36(01):77-80
研究背景：深度置信网络（DBN）是一个概率生成模型，通过计算样本和标签之间的联合分布，并训练神经元间的权重，使得整个神经网络按最大概率来生成训练数据。DBN应用范围广泛，既可以作为自编码器用于无监督学习，也可以用做分类器进行监督学习。肺结节的良恶性分类是计算机辅助诊断系统中最重要的部分，目前常用的分类方法有分类精度低、假阳性高等问题。针对上述问题，把深度信念网络( DBN) 引入肺结节的良恶性诊断过程中，提出自定义的DBN分类算法。
数据处理方式：文献[4]首先从不同的角度提取肺结节特征，并形成特征向量；然后根据提取的特征对三个隐藏层的节点数进行分析，并构建了一个5层深度信念网络；最终使用训练样本对DBN进行训练，并输出网络的测试结果。文献[5]首先对ROI图像进行灰度、大小归一化处理后，采用DBN方法进行分类诊断；然后通过实验方法确定网络结构及训练参数，并以混淆矩阵、总体精度、Kappa系数等指标评价分类结果；最后提取同一批图像数下采样双树复轮廓波变换的小波纹理参数，构建支持向量机分类模型，对比分析其与DBN的检测结果。文献[6]通过阈值概率图对原始CT图像进行预处理，采用多隐层深度信念网络提取肺结节图像的深层特征，引入交叉熵稀疏惩罚因子机制解决受限玻尔兹曼机在训练过程中出现的特征同质化现象，将极限学习机作为分类器对提取到的特征进行良恶性分类。
研究结论：文献[4]对175个病例进行试验，结果表明：算法的分类精度、敏感性和特异性分别为95. 3%，92. 5%和93. 2%，ROC曲线下面积为0. 921。与传统算法相比有更好的分类效果，可以给医生提供客观的辅助诊断。文献[5]将DBN和SVM方法测试集检测结果分别进行了比较，相较于SVM，DBN方法在图像识别的总体精度、灵敏度、特异度和Kappa系数均有显著提升。文献[6]通过对比多种深度学习方法在肺结节诊断方面的优势与不足，验证了该方法的准确性、特异性、敏感性均优于其它算法。
与同类研究相比较的优缺点：DBN结合了有监督学习和无监督学习两种方式对网络进行训练，是多层非线性网络，对数据的复杂关系有极强的非线性映射能力。文献[4]和文献[5]提出将深度信念网络作为分类器应用于肺结节的良恶性识别中，从不同的角度对肺结节进行特征提取，然后通过大量试验确定适用于肺结节分类的网络结构及各个参数，构建特征向量作为DBN的输入，最终实现对肺结节的分类。DBN采用基于梯度的全局优化算法会陷入局部最优，不仅训练时间长而且分类准确率较低，极限学习机（ELM）具有学习速度快、泛化性能好等优点。文献[6]将DBN与ELM的优势进行融合，提出了一种算法Pnd-EDBN用于肺结节良恶性分类，该方法具有较高的分类准确率，为计算机辅助诊断系统提供了新的思路。
[7]罗嘉滢,赵涓涓,强彦,唐笑先.基于多特征广义深度自编码的肺结节诊断方法[J].计算机工程与设计,2019,40(01):154-160
[8]李刚,王超,韩德鹏,刘强伟,李莹.基于深度主成分相关自编码器的多模态影像遗传数据研究[J].计算机科学,2020,47(04):60-66
[9]樊连玺,刘彦北,王雯,耿磊,吴骏,张芳,肖志涛.基于多模态表示学习的阿尔兹海默症诊断算法[J/OL].计算机科学,{3},{4}{5}:1-11[2021-07-21]
研究背景：自编码器（AE）是一个自监督学习算法，其在训练时不需要带有标记的样本数据，而是由输入数据产生标签。其工作原理为通过学习函数h（x）=x，使得训练后的网络输出尽可能的接近输入，这样就达到了自动提取图像特征的目的,能够实现机器学习从有监督到无监督的演变。
数据来源：文献[7]和文献[8]使用数据均为模拟数据集。文献[9]所用数据 均从阿尔兹海默症的公开数据集 ADNI获取，共包含85名阿尔兹海默症患者、185名早期认知障碍患者以及90名健康受试者。
数据处理方式：文献[7]首先通过预处理构建肺结节图像的３种数据集作为输入；然后将流形学习引入基于极限学习机的深度自编码中，形成无监督广义深度自编码，利用该网络逐层提取特征；最后通过不同的融合策略对肺结节，进行良恶性分类。文献[9]。首先将多个模态的数据进行初步融合，得到初级的共同表示；然后将其送入自编码器网络，学习隐空间中的共同表示；最后对隐空间中的共同表示进行分类，得到疾病的诊断结果。
研究结论：文献[7]采用的方法可以有效提高分类性能，肺结节分类的准确率达到94.72%。文献[8]构建的模型与已有模型相比，深度主成分相关自编码器模型学习的特征具有更高的分类性能和更强的关联性。在分类精度方面，两类模态数据的分类精度均超过了90%，相比平均精度在65%左右的基于CCA的模型和平均精度在80%左右的基于DNN的模型，该模型的分类效果有了显著提高。文献[9]所提算法对患病和健康受试者的诊断准确率达到 88.9%，与同类算法相比取得了最好的诊断效果。实验结果验证了所提算法对阿尔茨海默症诊断的有效性。
与同类研究相比较的优缺点：文献[7]为了增强HT和HS在肺结节良恶性分 类的作用从而构造３种数据集作为网络输入，同时为了挖掘数据的结构信息进一步提高特征提取能力用引入流形学习，基于极限学习机的深度自编码所构建的无监督广义深度自编码进行逐层提取特征。文献[8]为了应对高维数据分析的困难并突破深度典型关联分析的局限性，提出了一种由多模态线性特征学习的主成分分析和基于限制玻尔兹曼机的多模态非线性特征学习的多层信念网络组成的有效模型，该模型和先前的先进模型一起被应用在实际的多模态数据集上进行测试和分析。文献[9]研究了如何有效融合多模态样本信息进行数据表示学习的问题，提出了一个基于自编码器的多模态表示学习框架，利用自编码神经网络的优势， 将多模态数据信息进行有效的非线性融合，从而学习多模态数据的共同表示。
[10]邹丽,蒋芸,陈娜,沈健,胡学伟,李志磊.基于决策树对支持向量机的医学图像分类新方法[J].计算机工程与应用,2016,52(21):76-80
[11]张春芬,朱玉全,陈耿,王敏.基于Cascade组合分类器的医学图像分类方法研究[J].计算机工程与应用,2007(36):211-213
[12]Quellec G.Medical Case Retrieval From a Committee of Decision Trees[J].Computerized Medical Imaging and Graphics,2010,34:617-631
研究背景：近年来, 随着计算机、图形图像及生物工程等相关技术在医院信息化建设中的广泛应用，许多医院均已收集了大量的影像数据，如CT、MR、SPECT、PET、DSA、超声图像、电阻抗图像等。在这些医学影像数据中，绝大部分影像已经被医生确诊，即已经知道确诊影像所属类别(正常、异常甚至何种异常) ，如何充分利用已确诊病例影像数据信息和医生的临床诊断经验来判断未确诊医学影像所属类别，辅助医生进行临床诊断，正是计算机辅助医学诊断系统要实现的一个重要目标。因此，医学图像分类方法的研究具有广泛的应用前景。
数据来源：文献[10]数据来源于数据集是MIAS，它是研究乳腺X光图像的标准数据集，图像均为1024×1024的灰度图。数据集包含322幅乳腺X光图像，它们分属于三类：正常、良性和恶性。其中，属正常的图像208幅、良性63幅和恶性51幅。文献[11]实验数据采用的是大小为512×512像素的二维肝脏CT图像，具体数据来源没有注明。文献[12]数据来源于糖尿病视网膜病变数据集和乳腺钼靶筛查数字数据库。
数据处理方式：文献[10]首先对图像进行预处理，包括图像去噪和图像增强。其次，对处理后的图像提取特征，采用的特征提取方法是灰度共生矩阵，提取了四种统计参数：角二阶矩、熵、惯性矩、相关系数。最后，对特征数据建立决策树，用GA-DTTSVM 对提取的特征数据做分类。文献[11]首先利用朴素贝叶斯分类器得出图像样本分别属于正常和异常两个类别的概率，再将该决策信息与初始数据合并作为下层分类器的输入，进行训练和测试，利用分类算法的互补性克服单分类器的缺陷, 达到了较高的分类精度和稳定性。文献[12]提出了一种新的医学信息检索框架：支持由图像序列和上下文信息组成的查询。使用决策树组合异构信息，处理缺失值并避免过度拟合。并以大数据集和小数据集进行效果验证。
研究结论：文献[10]将该算法和DTTSVM以及Multi-TWSVM作对比，实验结果表明该算法不仅保持了较高的分类精度，而且在训练速度上体现出一定优势，具有一定的实用价值。文献[11]从综合特征数据集和Gabor小波特征数据集的分类精度看出，由于采用的特征数据集不同，单分类器所得出的分类精度上下浮动稍大, 而组合分类器则比较集中，可见在分类器稳定性上组合分类器较单一分类器也要略胜一筹。文献[12]通过对两个数据集检验精度的计算，基于内容的信息检索框架中使用决策树技术将明显提高分类的准确度。
与同类研究相比较的优缺点：单一的分类算法往往因为算法自身的弊端而不能做到医学图像的精准分类，文献[10]和文献[11]将贝叶斯算法、遗传算法、支持向量机和决策树等算法结构建了混合算法，在实际应用中可利用各类算法的优缺点取长补短，效果显著。
阅读参考价值：在医学图像分类研究过程中发现，随着技术的发展，利用混合模型进行图像分类的技术优势明显，越来越得到重视，为今后的图像分类研究提供了宝贵的经验。
[13]谢福鼎,赵凤霞,稽敏.基于加权复杂网络聚类的医学图像分类器研究[J].计算机工程与设计,2009,30(17):4057-4060
[14]王大玲,鲁家乐,吴霜,张一飞,于戈.图像分类与聚类算法在医学图像挖掘中的应用[J].计算机工程,2007(02):168-170
[15]Marrocco C,Molinara M.A computer-aided detection system for clustered microcalcifications[J].Artifical Intelligence in Medicine,
研究背景：分类和聚类是数据挖掘中广泛采用的两种技术。前者根据训练数据集中的数据所表现出的特性，为每一个类找到一种准确的描述或者模型，由此生成的类描述或模型用来对新的数据进行分类。后者是将数据对象分组成多个类，在同一个类中的对象之间具有较高的相似度，而不同类之间的差别较大。就医学图像挖掘而言，如果获取了大量图像及相应的诊断结果，以诊断结果作为类标识，准确地描述图像特征与其对应疾病的关系模型，便可根据这些模型对新的图像进行分类（诊断）。同样，根据图像的特征，将特征相似的图像聚类，也将有助于疾病的诊断。
数据来源：文献[13]数据来自于某医院的PACS系统库中。选取358张MIR脑部图片组成数据集，有些病人正常，有些病人脑部有肿瘤。将其分为3类：正常、良性、恶性，后两类又统称为非正常。其中正常图223幅，非正常135幅(良性92幅，恶性43幅)。文献[14]使用的CT图像数据来自沈阳市某医院，使用的胸部CT图像来自西安某公司医学光盘库。文献[15]数据来自奈梅根大学建立的乳腺癌数据库，该数据库由21名患者的40张数字化乳腺X线图像组成。
数据处理方式：文献[13]首先进行图像的预处理，用图像处理中常用的去噪方法去除图像中的噪声和刚性平移运动伪影校正算法去除图像中的伪影。然后针对预处理的图像，提取图像均值、方差、偏斜度和峰值。再次，计算相似度矩阵，并构造加权复杂网络。最后将节点按照加权网络综合特征值从大到小排序，依次选取加权网络综合特征值高的节点作为聚类的初始聚类中心，采用k- mean算法根据图片的相似度进行划分迭代，形成聚类。文献[14]对图像划分训练集和测试集，对训练集和测试集图像应用Paint Shop Pro进行分割获取灰度级，应用ID3决策树分类算法对训练集进行分类。并将头部图像分类3组，胸部图像分为4组，设置不同的半径进行DBSCAN聚类。文献[15]选择用一个树形结构的马尔科夫随机域算法对图像进行分割，然后再用基于经验原则和组合分类器的方法对分割的各个区域进行聚类分析。
研究结论：文献[13]通过对MIR脑部图片进行分类，与传统的聚类方法比较，该方法的分类精度平均提高了8%左右。文献[14]提出了采用灰度级作为CT图像特征的思想、灰度级的提取和存储方法，采用决策树分类算法和基于密度的聚类算法对胸部和头部 CT 图像进行分类和聚类，对结果进行了初步的分析。文献[15]在一个公开的乳房X光片数据库上进行了测试，并与以前的方法进行了比较，结果表明，该算法相较于之前的研究更加的有效，特别是在灵敏度方面。
与同类研究相比较的优缺点：文献[13]根据节点间的连接度和节点的加权网络综和特征值较好地选取了初始聚类中心，克服了k-means聚类算法对初始值敏感的缺点，从而使得聚类质量大大提高。特别是根据节点间连接度选取聚类中心，降低了选取同一类的不同节点作为聚类中心的概率，减少了算法的迭代次数，提高了算法的效率。文献[15]在分割阶段，所采用的MRF模型的树状结构能够通过对所有场参数的自适应局部估计来减少计算负担，并保留图像中的小细节。分类阶段利用了分类器组合的优势，能够将单个微钙化和集群作为一个整体进行信息整合。
阅读参考价值：聚类算法是图像数据挖掘重要的一种算法，文献中利用改进的聚类算法和包含聚类算法的混合模型算法将为后续图像聚类研究提供思路和方法。
[16]武园园,宋余庆,朱玉全.基于关联规则的医学图像分类算法[J].计算机工程与设计,2008(12):3234-3236
[17]王乾,吕亚男,李东红,宋立新.基于关联规则的乳腺肿块多模检索[J].哈尔滨理工大学学报,2017,22(02):124-128+134
研究背景：医学影像是医生诊断的一重要依据，如何能够快速、准确的从海量数据中找到和待查询病例最相似的案例辅助医生进行判断成为一个急需要解决的重要问题。采用基于关联规则的特征选择算法进行特征选择，利用关联规则挖掘算法获取底层特征和语义特征之间的关联规则，实现了底层特征和语义特征结合的多模检索。
数据来源：文献[16]数据来自江苏大学附属医院影像诊断科的肝部CT图像数据，从中随机抽取 1000 幅图像，其中肝部正常图像、异常图像各500幅。两类图像各选取100幅作为训练样本，其余用于分类。文献[17]选取了美国南佛罗里达大学构建的数字乳腺X线图像数据库中的170幅图像，其形状描述语义为医学影像专家标注。
数据处理方式：文献[16]首先进行图像的预处理和特征提取，构成了77维表征医学图像的特征矢量。其次对这77维特征用贪心算法进行离散化，映射到连续正整数集合，再将77维离散化后的特征用粗糙集进行属性约减，最终保留15维特征。最后用CARMI算法对训练数据集进行挖掘，得到关联分类规则存储于数据库。文献[17]首先获取图像的底层特征，选择出与图像形状以及肿瘤良恶性有关系的特征。然后利用选择出来的形状特征得到分类关联规则，通过关联分类算法构建图像形状分类模型。最后，结合图像与良恶性有关的底层特征，得到和输入案例最相似的图像。
研究结论：文献[16]以CMAR算法为基础，提出了一种基于关联规则的医学图像分类的CMRMI算法，通过引入双支持度，减少无意义的特征对分类造成的干扰，实现对医学图像自动分类，实验结果表明该算法有较好的性能。文献[17]基于给出的关联规则的多模检索方法提供的检索结果，在辅助语义标注和辅助诊断上具有较好的性能，弥补了基于内容单模态检索信息不足的局限。
与同类研究相比较的优缺点：文献[16]，CARMI算法采用基于FP-growth的方法，在处理医学图像这样的较大数据集以及长模式数据时，FP- growth 算法比以往的基于Apriori方法的关联分类效率高的多。文献[17]采用多模检索方式，相较于单模检索方式，有效的提高了图像的检索精度并且能够由图像的底层特征获知图像的视觉语义特征。
阅读参考价值：关联规则也是图像数据挖掘的一种重要算法，使用关联规则，弥补了基于内容单模态检索信息不足的局限，为边缘语义建立关联分类模型，为研究提供更有效更全面的语义信息。
[18]陈娜,蒋芸,邹丽,沈建,胡学伟,李志磊.基于判别式受限玻尔兹曼机的医学图像分类法[J].计算机科学,2015,42(05):315-319.
研究背景：随着计算机技术的快速发展，对Ｘ光片的分析也实现了从传统人工分析到计算机辅助分析的转换，这种转换可以使乳腺癌的诊断更快速、更准确。
目前人们主要从两个方面对医学图像进行分析，一方面人们选择直接从图像的处理中发现病灶，比如对图像进行纹理分析研究、对图像进行结构的研究等。另一方面，大数据背景下，人们还选择通过数据挖掘的方法对医学图像进行分析。
数据来源：实验采用的是来自乳腺分析学会的数据库和筛选的乳腺Ｘ光数 字数据库中的数据集，这是研究乳腺Ｘ光图像的标准数据集。
数据处理方式：文献[18]利用Ｋ近邻平滑滤波器对图像进行去噪，通过对图像进行纹理处理来重点保留图像的高亮点，然后对图像进行二值化处理，最后采用判别式受限玻尔兹曼机对医学图像进行分类，主要利用了判别式受限玻尔兹曼机自动学习图像特征并利用学习到的特征对图像进行分类的性能。
研究结论：对比分析发现，DRBM对图像的分类准确率明显高于其它基于特征提取的医学图像分类方法。
与同类研究相比较的优缺点：目前很多数据挖掘方法已经成功应用在了医学图像的分类中，但这些方法大部分都是先提取医学图像中的统计学特征，然后再在此特征数据集的基础上对图像进行分析，从而实现对医学图像的诊断，如关联规则、决策树、遗传算法、人工神经网络、支持向量机等。但是基于统计特征提取的医学图像分析方法中特征提取的好坏直接影响着图像的分析结果，而且特征的选择会受到经验等主观因素的影响。DRBM是一种无向判别模型，直接从图像中学习特征并利用这些特征对图像进行分类。
阅读参考价值：多数图像挖掘算法都是基于特征提取的基础上进行的，文献[18]使用的受限玻尔兹曼机模型不需要提取图像特征信息，直接进行学习分类，为之后的研究开阔了思路。
[19]郭依正,焦蓬蓬,周巧扣,周游.基于灰度共生矩阵的肝脏CT图纹理特征分析[J].实验室研究与探索,2012,31(08):62-64+80
研究背景：纹理是图像的一个固有属性，纹理特征提取是图像识别、图像数据挖掘、图像检索等研究内容的首要问题，一直是图像领域研究的热点。
数据来源：数据来源于人体腹部CT图像数据集，随机抽取其中20幅，正常肝脏图像和异常肝脏图像各10幅。
数据处理方式：首先确定图像ROI区域，接着构造一个新的能综合反映共生矩阵各角度信息的灰度共生矩阵，然后提取基于该矩阵的纹理特征参数。
研究结论：实验结果反映，提取的纹理特征对图像内容有较好的区分性，当有肝脏病变发生时，肝脏微结构发生了明显变化，从而使正常肝脏与异常肝脏CT图像之间的纹理特征出现了较大的差别，表现为图像纹理粗糙。
与同类研究相比较的优缺点：本文虽然采取了灰色共生矩阵这一典型的纹理特征提取方法，但是在图像灰度级L和距离d的选取都是作为借鉴选取的，是否是最佳选择还需证实。
阅读参考价值：灰色共生矩阵算法可以用于纹理特征分析，但是目前影响GLCM算复杂的4个变量多采用经验选取，主观性太强，为后续研究改进提供思路。
[20]刘晓虹,朱玉全,刘哲,宋余庆,朱彦,袁德琪.基于改进多尺度LBP算法的肝脏CT图像特征提取方法[J].计算机科学,2019,46(03):125-130
研究背景：肝脏疾病会对人类构成生命威胁，而早期肿瘤的及时发现可以在很大程度上提高肝癌病人的生存概率。近年来，计算机断层扫描由于具有操作便捷以及价格合理的特点，已经成为一种常用的非侵入性的医学成像技术，所得到的肝脏CT图像可供医生进行纹理分析，并以此诊断病情。
数据来源：实验所需的数据集是由江滨医院影像科的专家进行采集并勾画的，共采集了292组肝脏平扫CT图像。
数据处理方式：首先将图像进行预处理，然后对得到的ROI区域进行多尺度的LBP特征提取，经过特征选择后再进行分类。
研究结论：实验结果表明，本文方法对肝脏CT图像的诊断率相比各类改进 LBP方法均有明显的提升。通过实验分析可以看出，本文所提方法有一定的临床应用意义，可以用于医生的辅助诊断。
与同类研究相比较的优缺点：目前的实验结果虽然相较其他方法有所提升，但准确率仍有待提升，距离应用于临床诊断还远远不够。
阅读参考价值：文献[20]只对实验数据集做了二阶的MSLBP的实验，在今后的研究中可将MSLBP应用到更多的尺度中，以证实它的有效性。
以上是关于文献整理笔记医学图像识别的主要内容，如果未能解决你的问题，请参考以下文章