Исследование текстурных признаков для диагностики нефрологических заболеваний по ультразвуковым изображениям


Цитировать

Полный текст

Аннотация

Предложен метод автоматизированной диагностики заболеваний почек по ультразвуковым изображениям. Исследована эффективность различных групп информационных признаков таких изображений для задачи распознавания. По данным ряда экспериментов на натурных данных наилучшие результаты показала группа из двух признаков Харалика. Оценка вероятности ошибочного распознавания для этой группы составила 0,06. Также хорошую эффективность продемонстрировали спектрально-корреляционные признаки, для которых эта оценка составила 0,10.

Об авторах

А. В. Гайдель

Самарский государственный аэрокосмический университет имени академика С.П. Королёва (национальный исследовательский университет)

Автор, ответственный за переписку.
Email: andrey.gaidel@gmail.com

Аспирант кафедры технической кибернетики

Россия

С. Н. Ларионова

Самарский государственный медицинский университет

Email: larionovasn@gmail.com

Старший лаборант кафедры оперативной хирургии и клинической анатомии с курсом инновационных технологий

Россия

А. Г. Храмов

Самарский государственный аэрокосмический университет имени академика С.П. Королёва (национальный исследовательский университет)

Email: khramov@smr.ru

Доктор технических наук

Профессор кафедры технической кибернетики

Россия

Список литературы

  1. Rangayyan R.M. Biomedical Image Analysis. CRC Press, 2004. 1312 p.
  2. Chen D.-R., Chang R.-F., Chen Ch.-J., Ho M.-F., Kuo Sh.-J., Chen Sh.-T., Hung Sh.-J., Moon W.K. Classification of breast ultrasound images using fractal feature // Journal of Clinical Imaging. 2005. V. 29. P. 235-245. doi: 10.1016/j.clinimag.2004.11.024
  3. Übeyli E.D., Güler I. Feature extraction from Doppler ultrasound signals for automated diagnostic systems // Computers in Biology and Medicine. 2005. V. 35, is. 9. P. 735-764. doi: 10.1016/j.compbiomed.2004.06.006
  4. Wu Ch.-M., Chen Y.-Ch., Hsieh K.-Sh. Texture features for classification of ultrasonic liver images // IEEE Transactions on medical imaging. 1992. V. 11, is. 2. P. 141-152. doi: 10.1109/42.141636
  5. Christodoulou C.I., Pattichis C.S., Pantziaris M., Nicolaides A. Texture-based classification of atherosclerotic carotid plaques // IEEE Transactions on medical imaging. 2003. V. 22, is. 7. P. 902-912. doi: 10.1109/tmi.2003.815066
  6. Волков И.К., Зуев С.М., Цветкова Г.М. Случайные процессы. М.: Изд-во МГТУ им. Н.Э. Баумана, 1999. 448 с.
  7. Petrou M., Garcia Sevilla P. Image processing: dealing with texture. Chichester, UK: John Wiley & Sons, Ltd. 2006. 618 p.
  8. Marple S.L., Jr. Digital spectral analysis with applications. Englewood Cliffs, New Jersey: Prentice-Hall, Inc. 1987. 492 p.
  9. Haralick R.M., Shanmugam K., Dinstein Its’Hak. Textural features for image classification // IEEE Transactions on Systems, Man, and Cybernetics. November 1973. V. SMC-3. P. 610-621. doi: 10.1109/TSMC.1973.4309314
  10. Plastinin A. Regression models for texture image analysis // Pattern Recognitionand Machine Intelligence. – 4th International Conference, PReMI 2011, Moscow, Russia, June 27 - July 1, 2011. P. 136-141. doi: 10.1007/978-3-642-21786-9_24
  11. Tou J.T., González R.C. Pattern recognition principles. Addison-Wesley Publishing Company, 1974. 377 p.
  12. Fukunaga K. Introduction to statistical pattern recognition. Academic Press, 1972. 592 p.
  13. Гайдель А.В., Первушкин С.С. Исследование текстурных признаков для диагностики заболеваний костной ткани по рентгеновским изображениям // Компьютерная оптика. 2013. Т. 37, № 1. C. 113-119. doi: 10.18287/0134-2452-2013-37-1-113-119

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Вестник СГАУ, 2015

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах