XiaoMi-AI文件搜索系统
World File Search SystemGLCM
103 Gabor 滤波器、GLCM 和 DWT 性能评估...
Gabor 滤波器、GLCM 和 DWT 在脑肿瘤分类中的表现评估 Fausat Fadeke Agboola 1；Wasiu Oladimeji Ismaila 2；Oluyinka Iyabo Omotosho 2；Adeleye Samuel Falohun 3；和 Folasade Muibat Ismaila 4 1 尼日利亚阿达马瓦州约拉莫迪博阿达玛大学物理科学学院计算机科学系。 2 尼日利亚奥约州奥格博莫索拉多克阿金托拉理工大学计算机与信息学学院计算机科学系。 3 尼日利亚奥约州奥格博莫索拉多克阿金托拉理工大学工程与技术学院计算机工程系。 4 尼日利亚奥顺州理工学院计算机科学系。摘要 大脑对身体功能至关重要，如果不加以治疗，肿瘤可能会侵袭大脑，导致死亡、不受控制的生长和转移。因此，自动分类脑肿瘤类型对于加快治疗、制定更好的计划和提高患者生存率至关重要，因为人工诊断脑肿瘤类型在很大程度上依赖于放射科医生的专业知识和敏感性。因此，本文使用 Kaggle 数据库中的四类脑 MRI 肿瘤，评估了 Gabor 滤波器、灰度共生矩阵 (GLCM) 和离散小波变换 (DWT) 在识别正常和异常脑肿瘤方面的性能。性能分析侧重于二元分类，以确定每种特征提取方法的功效。研究发现，Gabor 特征的假阳性率 (FPR) 为 7.61%，假阴性率 (FNR) 为 8.57%，灵敏度为 91.43%，精确度为 81.36%，准确度为 92.13%，时间为 985.34 秒。 GLCM 特征的 FPR 为 9.69%，FNR 为 9.52%，灵敏度为 90.48%，精度为 77.24%，准确率为 90.36%，时间为 364.74 秒。DWT 特征的 FPR 为 11.42%，FNR 为 11.43%，灵敏度为 88.57%，精度为 73.81%，准确率为 88.58%，时间为 275.53 秒。GLCM 产生了最有效的特征提取器，它可以作为一种有用的技术，并作为放射科医生诊断脑肿瘤的第二读取器，以降低死亡率。关键词：Gabor 滤波器、GLCM、DWT、MRI 图像、脑肿瘤、分类。引言脑肿瘤是一种起源于脑内的疾病，当不规则细胞不受控制和限制地生长时，就会无视正常的细胞生长规律。
使用 CNN-LSTM 方法和基于图像的 GLCM 特征对颅内出血 (CT) 图像进行分类
摘要。使用基于特征的混合方法，将基于变换的特征与基于图像的灰度共生矩阵特征相结合。在对脑出血 CT 图像进行分类时，基于特征的组合策略比基于图像特征和基于变换特征的技术表现更好。使用深度学习技术（尤其是长短期记忆 (LSTM)）的自然语言处理已成为情绪分析和文本分析等应用中的首选。这项工作提出了一个完全自动化的深度学习系统，用于对放射数据进行分类以诊断颅内出血 (ICH)。长短期记忆 (LSTM) 单元、逻辑函数和 1D 卷积神经网络 (CNN) 构成了建议的自动化深度学习架构。这些组件均使用 12,852 份头部计算机断层扫描 (CT) 放射学报告的大型数据集进行训练和评估。
使用基于 glcm 的特征自动检测脑肿瘤...
在医学成像应用中，对脑肿瘤的准确检测和分类仍然至关重要。利用现代机器学习技术对于实现精确和自动化诊断至关重要。本研究介绍了一种使用开源 Kaggle 数据集磁共振成像 (MRI) 扫描进行脑肿瘤检测和分类的自动化系统。该系统采用 Otsu 阈值进行图像分割，基于 GLCM 的特征提取进行有效的特征工程，并采用 PCA（主成分分析）进行降维。值得注意的是，GLCM 提取的显着特征使用一种称为自适应 SVM（支持向量机）的自适应机器学习算法进行分类，从而增强了分类过程。以性能评估为重点，提出的算法结合了自适应 SVM 作为分类器，并与现有方法进行了严格评估。值得注意的是，实验结果表现出卓越的准确性，所提出的方法在检测和分类脑肿瘤方面均实现了令人印象深刻的 98.3% 的准确率。这种优于以前方法的优势凸显了组合 GLCM、PCA 和 SVM 方法在脑肿瘤分类和检测中的有效性，为诊断带来了有希望的进步。这些发现对医学成像中蓬勃发展的机器学习领域做出了重大贡献，强调了自适应 SVM 作为提高诊断精度的宝贵工具的潜力。值得注意的是，所达到的准确率达到 98.3%，超过了现有研究的准确率，进一步巩固了所提出的系统在临床实践中的有效性。
构建利用多脑区 GLCM 特征和机器学习技术的精神分裂症识别方法
摘要：准确诊断精神分裂症是一种复杂的精神疾病，对于有效管理治疗过程和方法至关重要。各种类型的磁共振 (MR) 图像都有可能作为精神分裂症的生物标志物。本研究旨在通过结构 MR 图像对精神分裂症患者和健康对照者大脑双侧杏仁核、尾状核、苍白球、壳核和丘脑区域可能出现的纹理特征差异进行数值分析。为此，使用机器学习方法对从右脑、左脑和双侧大脑的五个区域获得的灰度共生矩阵 (GLCM) 特征进行分类。此外，还分析了这些特征在哪个半球更具特色，以及 Adaboost、Gradient Boost、eXtreme Gradient Boosting、随机森林、k-Nearest Neighbors、线性判别分析 (LDA) 和朴素贝叶斯中的哪种方法具有更高的分类成功率。检查结果显示，左半球这五个区域的 GLCM 特征在精神分裂症患者中的分类性能优于健康人。使用 LDA 算法，在健康和精神分裂症患者中，分类成功率为 100% AUC、94.4% 准确率、92.31% 灵敏度、100% 特异性和 91.9% F1 得分。因此，这表明五个预定区域而不是整个大脑的纹理特征是识别精神分裂症的重要指标。
使用灰水平共同出现矩阵（GLCM）方法
摘要：目的：研究的目的是定量评估微针中疗法在减少皮肤变色方面的有效性。使用灰级共同出现矩阵（GLCM）方法分析结果。材料和方法：研究了12至68岁的12名女性前臂（7×7厘米）的皮肤。使用含有12％抗坏血酸的制剂的皮肤化剂进行微针中疗。每位志愿者都接受了一系列四个微针中疗治疗。使用图像分析和处理方法对治疗的有效性进行了量化。在一系列化妆程序之前和之后，以交叉极光拍摄了一系列临床图像。然后，通过确定灰级共发生矩阵（GLCM）算法的参数来分析处理的区域：对比度和同质性。结果：在图像预处理期间，将志愿者的临床图像分为红色（R），绿色（G）和蓝色（B）通道。与手术前拍摄的照片相比，手术后拍摄的照片显示出皮肤亮度的增加。治疗后皮肤亮度的平均增加为10.6％，GLCM对比度的平均下降为10.7％，平均同质性增加了14.5％。基于分析，在RGB量表的B通道中进行的测试中观察到GLCM对比度的最大差异。随着GLCM对比的减少，术后同质性的增加为0.1，为14.5％。
（IJCI）在线可在线访问https://ijci.journals.ekb.eg/基于GLCM和LBP功能与PCA和IG
细胞异常会导致脑肿瘤发育。它是全球死亡率的主要原因之一。早期肿瘤发现可以避免数百万死亡。磁共振成像（MRI）是最流行的成像技术之一，可用于早期检测到脑肿瘤，因此可以改善患者的存活率。MRI中肿瘤的可见性得到提高，这有助于随后的治疗。 这项研究试图尽早检测脑肿瘤。 使用MRI的建议的CAD系统有可能帮助医生和其他专家发现脑肿瘤的存在。 这项工作利用机器学习来提高分类精度。 这项工作是在许多顺序的步骤中进行的，包括使用中位过滤器进行MRIS降噪，使用灰度级别的共存在矩阵（GLCM）和局部二元模式（LBP）提取肿瘤特征的特征，然后使用特征IS进行分类（IG），最终使用机器选择Algorith，最终使用了类型确定并将MRI分类为肿瘤或无肿瘤。 使用GLCM和LBP功能的组合特征向量的提出方法的实验结果，使用IG显示98％的精度，使用PCA的精度为97％。 关键词：脑肿瘤； MRI;灰度合作矩阵GLCM;局部二进制图案LBP；功能选择。肿瘤的可见性得到提高，这有助于随后的治疗。这项研究试图尽早检测脑肿瘤。使用MRI的建议的CAD系统有可能帮助医生和其他专家发现脑肿瘤的存在。这项工作利用机器学习来提高分类精度。这项工作是在许多顺序的步骤中进行的，包括使用中位过滤器进行MRIS降噪，使用灰度级别的共存在矩阵（GLCM）和局部二元模式（LBP）提取肿瘤特征的特征，然后使用特征IS进行分类（IG），最终使用机器选择Algorith，最终使用了类型确定并将MRI分类为肿瘤或无肿瘤。使用GLCM和LBP功能的组合特征向量的提出方法的实验结果，使用IG显示98％的精度，使用PCA的精度为97％。关键词：脑肿瘤； MRI;灰度合作矩阵GLCM;局部二进制图案LBP；功能选择。
用于诊断糖尿病性视网膜病变发育阶段诊断的混合方法
摘要：糖尿病性视网膜病（DR）是糖尿病的并发症，会损害视网膜细腻的血管并导致失明。眼科医生通过对眼底进行成像来诊断视网膜。该过程需要很长时间，需要熟练的医生来诊断和确定DR的阶段。因此，使用人工智能的自动技术在分析底眼图像以检测DR开发阶段的过程中起着重要作用。但是，使用人工智能技术的诊断是一项困难的任务，并且经过许多阶段，而提取代表性特征对于达到令人满意的结果很重要。卷积神经网络（CNN）模型在高精度提取特征中起着重要而独特的作用。在这项研究中，使用两种建议的方法，将眼底图像用于检测DR的发育阶段，每个方法都有两个系统。第一个提出的方法将Googlenet与SVM和RESNET-18一起使用SVM。第二种方法基于使用GoogLenet，模糊颜色直方图（FCH），灰度级别共发生矩阵（GLCM）和局部二进制图案（LBP）提取的杂种特征，使用前馈神经网络（FFNN）；然后是RESNET-18，FCH，GLCM和LBP。所有提出的方法获得了较高的结果。具有RESNET-18，FCH，GLCM和LBP的混合特征的FFNN网络获得了99.7％的精度，精度为99.6％，敏感性为99.6％，特异性100％和99.86％的AUC。
使用机器学习技术从 MRI ADC 图像中提取特征以进行脑肿瘤分类
方法：这项前瞻性研究使用了 1599 个标记的 MRI 脑 ADC 图像切片，其中 995 个为恶性，604 个为良性，这些切片来自 195 名经放射学诊断并经组织病理学确诊为脑肿瘤的患者。从每位患者的 MRI ADC 图像中提取人口统计学信息、平均像素值、偏度、峰度、灰度共生矩阵 (GLCM) 特征、平均值、方差、能量、熵、对比度、同质性、相关性、突出度和阴影。在特征选择阶段，使用 ANOVA f 检验测量提取特征的有效性。然后，将这些特征用作几种机器学习分类算法的输入，并评估相应的模型。结果：根据 ANOVA f 检验特征选择过程的结果，两个属性：偏度（3.34）和 GLCM 同质性（3.45）的 ANOVA f 检验分数最低。因此，在继续实验时排除这两个特征。在测试的不同 ML 算法中，选择随机森林分类器来构建最终的 ML 模型，因为它具有最高的准确度。在超参数调整过程之后，最终模型能够以 90.41% 的准确率预测恶性和良性肿瘤。结论：本研究得出结论，上述特征（偏度和 GLCM 同质性除外）对于识别和区分恶性和良性脑肿瘤具有重要意义。此外，它们有助于开发一种高性能 ML 模型，该模型能够在尝试侵入性诊断程序（例如脑活检）之前协助脑肿瘤诊断过程的决策步骤。
图像处理研究 - 开放期刊系统
本研究使用复杂的图像处理技术来处理评估牛奶鱼的新鲜度的重要问题。通过RESNET-101培训的CNN分类方法的研究人员通过严格的评估过程进行了培训，其中包括GLCM功能提取，参数设置和彻底的混淆矩阵评估。在各种新鲜度水平上仔细分析了图像增强和图像分割技术对GLCM提取过程中纹理特征的影响，测量对比度，同质性，相关性和能量值。使用ADAM优化的训练，批量大小为16，学习率为0.0001和30个时代，建议的CNN配置为产生平衡的收敛期23分钟36秒。建议的方法在评估方面表现出色，在整个培训中达到了99.72％的出色精度。在测试阶段进行的其他测试证实了其有效性，因为所有指标（召回，精度和F1得分）保持在100％。这些结果突出了此特定图像处理工作中基于Resnet-101 CNN的弹性，并证明了其在正确分类牛奶新鲜度水平方面的有效性。
脑肿瘤检测和特征提取和
人体的中央控制单位是大脑。肿瘤未在早期诊断出来，然后会影响大脑意味着它会导致患者的死亡。磁共振图像（MRI）不会产生任何有害的辐射，并且是基于肿瘤等级的区域计算和分类的更好方法。如今，没有自动系统来检测和识别肿瘤的等级。 本文提出了脑肿瘤分类，该分类分为四个阶段，作为预处理，分割，降低和提取，分类。 分割脑肿瘤是肿瘤检测和分类的基本步骤之一。 中位过滤器用于消除k含量簇的噪声和组合，而大小的二进化用于分割脑肿瘤。 dwt（离散小波变换）和GLCM（灰度级别共发生矩阵）用于变换和空间特征提取和PCA（主要成分分析）可降低特征向量以维持脑MRI图像的分类准确性。 为了进行MRIS分类的性能，重要的功能已提交给KSVM（内核支持向量机）。拟议的系统将减少处理时间并可以实现更好的准确性。 所提出的方法已在Brats 2015数据集上进行了验证。如今，没有自动系统来检测和识别肿瘤的等级。本文提出了脑肿瘤分类，该分类分为四个阶段，作为预处理，分割，降低和提取，分类。分割脑肿瘤是肿瘤检测和分类的基本步骤之一。 中位过滤器用于消除k含量簇的噪声和组合，而大小的二进化用于分割脑肿瘤。 dwt（离散小波变换）和GLCM（灰度级别共发生矩阵）用于变换和空间特征提取和PCA（主要成分分析）可降低特征向量以维持脑MRI图像的分类准确性。 为了进行MRIS分类的性能，重要的功能已提交给KSVM（内核支持向量机）。拟议的系统将减少处理时间并可以实现更好的准确性。 所提出的方法已在Brats 2015数据集上进行了验证。分割脑肿瘤是肿瘤检测和分类的基本步骤之一。中位过滤器用于消除k含量簇的噪声和组合，而大小的二进化用于分割脑肿瘤。dwt（离散小波变换）和GLCM（灰度级别共发生矩阵）用于变换和空间特征提取和PCA（主要成分分析）可降低特征向量以维持脑MRI图像的分类准确性。为了进行MRIS分类的性能，重要的功能已提交给KSVM（内核支持向量机）。拟议的系统将减少处理时间并可以实现更好的准确性。所提出的方法已在Brats 2015数据集上进行了验证。