本文關鍵詞：基于特征級融合神經網絡的磁共振成像前列腺腫瘤CAD模型

  更多相關文章： 前列腺腫瘤 計算機輔助診斷 主成分分析 神經網絡 特征級融合

【摘要】：針對磁共振成像(MRI)前列腺腫瘤感興趣區(qū)域(ROI)在高維特征表示下存在特征相關和維數(shù)災難問題,提出了一種基于主成分分析(PCA)的特征級融合神經網絡(NN)的MRI前列腺腫瘤CAD模型。首先提取MRI前列腺腫瘤ROI的6維幾何特征、6維統(tǒng)計特征、7維Hu不變矩特征、56維灰度共生矩陣的紋理特征、3維Tamura紋理特征和24維頻域特征,得到102維特征矢量;然后通過PCA進行特征級融合得到累計貢獻率達到89.62%的8維變換特征,降低特征矢量的維數(shù);再次利用經典的神經網絡(四種訓練算法BFGS擬牛頓算法、BP算法、最速梯度下降算法和Levenberg-Marquardt算法)作為分類器進行分類識別;最后以180幅前列腺患者的MRI圖像為原始數(shù)據(jù),采用基于特征級融合神經網絡(NN)的計算機輔助診斷模型對前列腺腫瘤進行輔助診斷。實驗結果表明:經過特征級融合的神經網絡識別前列腺良惡性腫瘤的能力至少提高10%左右,這種特征級融合策略是有效的,一定程度上提高了特征之間的不相關性。
【作者單位】： 寧夏醫(yī)科大學理學院;
【關鍵詞】： 前列腺腫瘤 計算機輔助診斷 主成分分析 神經網絡 特征級融合
【基金】：國家自然科學基金資助項目(81160183,61561040) 寧夏自然科學基金資助項目(NZ12179,NZ14085) 寧夏高等學�？蒲许椖�(NGY2013062) 陜西省語音與圖像信息處理重點實驗室開放課題資助項目(SJ2013003) 寧夏醫(yī)科大學特殊人才項目(XT2011004)
【分類號】：TP391.41;TP183;R737.25
【正文快照】： 0引言前列腺腫瘤主要包括前列腺癌與前列腺增生,其中前列腺癌是一種常見的惡性腫瘤[1]。一般情況下,前列腺增生是不會轉變?yōu)榍傲邢侔┑腫2],前列腺癌通常是由直腸指檢(Digital Rectal Examination,DRE)異常及血清前列腺特異性抗原(Prostate-Specific Antigen,PSA)升高而被臨床

【共引文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 秦海勤;徐可君;隋育松;賈明明;;基于尺度共生矩陣的滾動軸承故障診斷研究[J];航空動力學報;2010年07期

2 許真;孫韶媛;代中華;郭子乾;谷小婧;;基于紋理特征庫的微光圖像色彩紋理傳遞[J];紅外技術;2011年01期

3 李培玉;夏軍;王民;梁軍;謝清順;;基于視頻圖像的連鑄大包下渣特征提取方法的研究[J];鋼鐵研究學報;2012年06期

4 周智恩;李漢忠;嚴維剛;;雄激素受體蛋白表達及其基因獲得/缺失與前列腺癌預后的相關性[J];基礎醫(yī)學與臨床;2010年08期

5 周春霞;鄂棟臣;王澤民;;基于灰度共生矩陣的Grove山地區(qū)冰裂隙探測[J];極地研究;2008年01期

6 鐘樺;楊曉鳴;焦李成;;基于多分辨共生矩陣的紋理圖像分類[J];計算機研究與發(fā)展;2011年11期

7 程起才;王洪元;;基于灰度共生矩陣的模糊神經網絡FuCMAC在圖像分割中的應用[J];江南大學學報(自然科學版);2007年06期

8 田貴森;王朋;;前列腺癌的MR表現(xiàn)與分析[J];吉林醫(yī)學;2005年12期

9 蘇靜;黎明;;基于灰度共生矩陣的金屬斷口圖像的分類研究[J];計算機工程與應用;2008年09期

10 程起才;王洪元;施連敏;;改進的模糊CMAC神經網絡[J];計算機工程與應用;2009年23期

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 程軍娜;基于形態(tài)學多尺度圖像分析的海藻細胞圖像分割及特征提取[D];中國海洋大學;2010年

2 謝莉青;基于圖像處理分析的機織物構成要素的綜合識別方法與裝置[D];東華大學;2010年

3 許相莉;基于智能計算的圖像檢索算法研究[D];吉林大學;2011年

4 柴阿麗;基于計算機視覺和光譜分析技術的蔬菜葉部病害診斷研究[D];中國農業(yè)科學院;2011年

5 胡勇;面向室外場景的圖像紋理分析與應用研究[D];南京理工大學;2010年

6 陳明麗;超聲定量分析方法評價肝纖維化的動物實驗和臨床研究[D];復旦大學;2011年

7 陶e，

本文編號：733787