沙特国王大学学报一种改进的用于皮肤病变识别的稠密特征包Pawan KumarUpadhyay，Satish Chandra印度诺伊达Jaypee信息技术学院计算机科学工程信息技术系阿提奇莱因福奥文章历史记录：2018年9月30日收到2019年2月4日修订2019年2月17日接受在线预订2019年保留字：梯度位置和方向直方图（GLOH）混合图像描述符（IHID）视觉词袋（BoVW）尺度不变特征变换（SIFT）支持向量机（SVM）A B S T R A C T皮肤是人体中最大和生长最快的器官存在各种类型的皮肤病变，其中使用图像引导系统基于其图像的局部和全局属性来非侵入性地检测和识别恶性肿瘤。在这项工作中，梯度位置和方向直方图和颜色特征融合在一起，构建的固有混合图像描述符的皮肤病变分类。从这些描述符中获得的特征被组合成一个视觉词袋。改进后的Bag用于支持向量机对皮肤病变进行良恶性分类。所提出的方法的性能已被发现大大优于目前的最先进的。它还简化了皮肤区域未申报异常的诊断过程©2019作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍皮肤病变筛查是一种非侵入性成像方法，有助于诊断皮肤病变，无需任何手术干预。皮肤病变主要分为恶性和良性两大类。病变的检测和准确分类是皮肤病变识别系统的主要关注点损伤类别的严重程度取决于皮肤的感知特征，通常在角质层（在表面层上）中可用（Iyatomi 等人，2008; Celebi等人，2007;Ballerini等人，2013年）。最严重的色素性病变是黑色素瘤，与黑色素性病变相关的病例最多发生在寒冷的国家。除此之外，非黑色素瘤类型的癌症在世界各地也在增加（Iyatomi等人，2008; Ballerini等人， 2013年）。皮肤镜结构的各种色调和重复元素有助于在高分辨率图像中可视化病变的深层结构，这是通过裸体很难感知的*通讯作者。电 子 邮 件 地 址 ： pawan. jiit.ac.in （ P. K.Upadhyay ） ， satish.jiit.ac.in （ S.Chandra）。沙特国王大学负责同行审查制作和主办：Elsevier医生检查时眼睛受伤专家（Wettschereck等人，1997; Armengol，2011）。除此之外，计算机辅助诊断系统（CAD）的每个阶段的改进有助于避免皮肤病变的组织学分析，从而减少活检率（Cliff，2014;Rosendahl等人， 2012;Mikolajczyk等人， 2010年）。本文综述了基于特征的皮肤病变识别系统的研究进展这项工作的贡献是设计了一套皮肤镜的关键特征，用于识别皮肤病变样本的恶性或良性。本文的组织结构如下。第2节介绍了用于不同类别的皮肤病变检测和分类的现有方法的概述。本节还讨论了一些改进的策略以及作为特征向量的扩展。第3节研究了每组病变中常见的皮肤镜结构。这有助于验证合并皮肤病变类别为恶性或良性两个不同类别的原因。第4节描述了所提出的特征包融合方法，该方法进一步用于皮肤病变分类。最后，第5节描述了实验结果及其分析，这有助于证明所提出的方法。2. 相关作品由于类内变异和类间模糊这两个原因，医学图像通常表现出复杂的特征空间分布。使用皮肤镜诊断色素性皮肤病变遵循一定的标准规则。根本https://doi.org/10.1016/j.jksuci.2019.02.0071319-1578/©2019作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comP.K. Upadhyay，S.钱德拉/沙特国王大学学报521黑色素瘤检测的规则是ABCD（不对称、边界、颜色和直径），其有助于 在 具 有 某 些 颜 色变 化 的 皮 肤 黑 色 素 瘤 类 别 之 间 形 成结 构 差 异（Wadhawan等人，2011; Mikos等人，2012年）。除此之外，医学专家和研究人员开发了一些其他标准方法（例如CASH（Bay等人，2008），其采用4点和7点检查表，用于将皮肤黑素瘤分类为恶性或良性。虽然对于黑色素瘤有标准的识别方法，但是对于其他皮肤癌的识别仍然是CAD系统的一个空白领域。根据我们的知识，只有两种建议，其中黑素细胞和非黑素细胞皮肤病变分类进行。这些可以通过用于皮肤病变分类的基于特征描述符的方法很好地处理（Iyatomi等人，2008;Celebi等人，2007年; Ballerini例如，2013; Barata等人， 2013年）。这些方面可以通过提供图像的完整（每像素）信息来很好地处理。描述子描述了像素在图像空间中的空间信息图像空间的描述子有多种，既有全局的，也有局部的全局特征向量对应于完整的图像，局部特征来自图像空间的子区域。用于描述黑色素瘤元素（皮肤镜结构）及其在图像空间的每个点处的色素沉着的描述符通过颜色描述符和SIFT描述符的组合来形成，并且形成Color-SIFT融合描述符（Moreno等人，2009; Salahat和Qasaimeh，2017; Ahnlide等人， 2016年）。在该描述符中，SIFT用于标记病变边缘的数量，颜色 用 于 标 记 黑 色 素 瘤 的 色 素 物 质 （ Moreels 和 Perona ， 2007;Salahat和Qasaimeh，2017）。如果元素（结构或颜色）的数量超过一个，那么它被认为是结构或颜色的混乱。它可以通过每个混沌的 相 关 线 索 来 验 证 （ Epstein ， 1985;Mikolajczyk 等 人 ， 2005年）。在特征提取之前，与皮肤镜图像处理相关的各种步骤，如图像增强和分割，已经被几位作者考虑 增强图像包括具有一定标准化的颜色校准（Iyatomi等人，2011;Schaefer等人，2011; Rigel等人， 2010年）。除此之外，分割技术包括用于病变类别及其相关模式的手动、半自动和首先对皮肤镜图像进行分割，提取皮肤镜图像的颜色和结构特征。每个图像描述子有助于将单值特征转换为给定图像空间中的特征向量，并有助于提高其分类精度。存在各种各样的纹理描述符，其包括：Gabor滤波器、HAAR小波、灰度共生矩阵（GLCM），并且形状描述符用于任何活动实例的活动形状 模 型 （ ASM ） 中 （ Amira 等 人 ， 2014; Salahat 和 Qasaimeh ，2017）。最常用的颜色描述符是颜色矩、颜色直方图（Barata等人，2014; Situ等人，2008年; Sivic和Zisserman，2003年）。与颜色一起，纹理描述符也是重要的，因为加速鲁棒描述符（SURF）用于区分不同类型的黑素瘤模式（Catarina等人，2013; Amira等人，2014;Ramiro和Bykbaev，2012）。本文的研究结果似乎与其他研究一致，这些研究遵循相同的图像分析原则，分为三个主要步骤：（i）边界识别和检测（Fix和Hodges，1989）（ii）图像特征提取载体使用BoVW技术。稠密特征包由两个具有最大相关度的特征描述子组成。这可以通过局部描述符来实现，该局部描述符从图像中提取像素级信息作为其两个组成部分，作为来自关键点（边缘、角落和区域）的多级色素沉着和结构特征，并生成皮肤镜模式（Moreno等人，2009年; Moreels和Perona，2007年）。3. 皮肤病变高分辨率彩色图像的标准数据集是从高清晰度相机捕获的。据我们所知，它们是黄金标准图像库（Ballerini等人，2013）的dermofit。如表1所示，存在基于病变属性分为良性或恶性的各种皮肤病变类别，其中病变的某些属性遵循自然规律，并且良性病变似乎是对称的，但恶性病变支持图案和颜色不对称分类为恶性或良性的样本的相关图像如下所示：皮肤病变的组结构：标准图像库样本是金标准，即每个样本都经过皮肤病理学家和皮肤科医生的批准。对于癌前病变或痣的分类，没有确定的线索可以证实它们是完全恶性还是良性。在本文中，在标准库的十个类别中，我们仅选择了六个类别的皮肤病变，这些皮肤病变被保留在如图1所示的组中的任何一个中。这是因为其余类别（光化性角化病（AK）、脂溢性角化病（SK）和上皮内癌（IEC））需要恶性程度，这不是识别为恶性或良性的确切尺度。除此之外，ME（痣）类绝不会是恶性的，当样本可疑时被认为是良性的，而其他类如AK、SK、IEC都是恶性的。样本的组选择基于下面在图1中描述的某些属性。4. 皮肤镜特征在这一部分中，作者描述了用于识别线索的低级关键描述符的提取过程对于具有各种颜色阴影的皮肤病变的混乱皮肤镜模式（Epstein，1985; Mikolajczyk等，2005年）。从GLOH和HSV颜色描述符中提取的低层特征用于识别皮肤病变的良恶性行为4.1. 使用GLOH描述符的皮肤镜结构特征GLOH对数极坐标直方图的计算由方程：（1）和（2）。它计算图像的点（x，z）处的两个分量，因为它们的幅度是等式中的平方（1），角度是方程中的反正切（2）从标准HOG的笛卡尔坐标给出如下：px; yqix1;zix1;z2ix;zð1Þ表1皮肤病变的良性或恶性属性。从感兴趣的区域（Bay等人，2008; Celebi，2009; Barata等人，2015年）（iii）和，评估这些功能与预先计算的功能病变属性良性恶性并使用分类方法进行皮肤病变分类。为了获得更好的分类，皮肤镜结构图案对称的图案不对称我们的目标是更密集的功能包，皮肤镜颜色对称颜色不对称522P.K. Upadhyay，S.钱德拉/沙特国王大学学报× ××组/皮肤病变分类良性恶性A：样品类别1 B：样品类别2 C：样品类别3图1.一、将皮肤病变样本分组为良性：（A）化脓性肉芽肿（PYO），（B）血管瘤（HAEM），（C）皮肤纤维瘤（DF）恶性：（A）基底细胞癌（BCC），（B）鳞状细胞癌（SCC），（C）恶性黑素瘤（ML）。hx-x; yx-tan-1fx-x; z-1x-x; z-1x-y=x-x- 1; z-x-1; z-1x-y= x-x- 1;z-1x-x- 1 ; z-1x-gð2Þ对数极坐标格式被添加到SIFT描述符中，这有助于提高描述符的准确性并放大旋转不变性（Ramiro和Bykbaev，2012; Zhou等人，2009年）。GLOH的行为类似于SIFT-HOG，具有梯度幅度和方向的直方图值GLOH基本上表示为3D直方图。它在笛卡尔坐标中表示为128D（8 4 4），并通过将分量合并为梯度幅度及其方向而转换为极坐标系它有助于将皮肤病变区域分隔成具有8向梯度方向的17个仓径向分布的箱能够在极坐标中对GLOH描述子为SIFT描述子忽略的梯度信息皮肤病变识别的另一个关键特征是颜色，它是在HSV颜色描述符的帮助下计算的，将在下一小节中讨论4.2. 基于颜色特征的色素性皮肤病变提取颜色描述符提取描述病变内部颜色属性的颜色特征集。一般的方法是选择与人类视觉感知有关或受生物学启发的颜色空间。所选择的空间特征以类似于人类思维的方式来描述颜色模型，即每种颜色的特征在于色调、饱和度和值。HSV颜色模型在感知上是均匀的，并且依赖于设备，并且有助于更敏锐地处理皮肤镜图像。 目前常用的皮肤病变检测和识别方法是一维颜色描述子，它给出了一维直方图。在HSV颜色描述符中，完整的颜色空间被统一量化到维数为192的HSV颜色空间中，并且量化将每个通道分别表示为12个色调（H）、4个饱和度（S）和4个强度（V）。量化空间封装为具有192维向量的直方图箱，表示来自大小为（4）的图像网格块的颜色特征4）.它描绘了，色调（颜色变化）参数随方向而变化，其他两个参数如饱和度（颜色深度）和值（中心轴）沿类似方向移动。5. 该方法所提出的方法包括如上文在图2中所述的三个阶段：（1）IHID的形成，用于描述病变的皮肤镜属性;（2）BoVW的形成;（3）SVM分类器，用于将病变的词索引分类为两个类别。(1) IHID形成：GLOH特征是从彩色图像的灰度图像中提取的，不能保持皮肤病变的色度（彩色区域的独特性）。为了在等亮度空间中收敛图像像素的色度属性，需要映射RGB颜色空间模型HSV色彩空间所获得的颜色特征显式地表示颜色显著性以及结构特征描述符。HSV颜色分量在已经检测到GLOH特征的相同点处计算。新的图像描述符是由两个特征向量的融合形成的图像块的每个像素提取的算法1。图二. 建议的方法。P.K. Upadhyay，S.钱德拉/沙特国王大学学报523× ×算法1：提议的描述符1. 输入：图像输入2. VDHSV（Im）-u3. RGLOH-从关键点检测到的GLOH特征（Im）4. 对于RGLOH中的单个特征点r，5.VDHSV（r）-u6.VD（r）-提取图像块（r）7.对于VD（r）中的每个s，8.VDGLOH（s）-提取GLOH特征9.VDHSV（s）-提取HSV颜色特征10.VDIHID（s）-（VDGLOH（s）uVDHSV（s））11. 端12. VDIHID = VDIHID（s）13. 输出：VDIHID所提出的描述符（VDIHID）从图像块局部地提取一组融合特征，并且这些被认为是皮肤病变的关键特征向量，如图3所示。这些特征是从不同的皮肤病变图像块中获得的，它表示作为病变的感兴趣区域是否具有不同的颜色和皮肤镜结构。如果考虑特征的全局表示，这种信息将被淡化甚至丢失。(2) 将IHID表示为BoVW融合后的皮肤病变描述符被建模为BoVW，它描述了六个不同类别的皮肤病变的描述内容。BoVW的步骤如下：1. 在BoVW技术中，输入图像（I）被表示为如等式（3）中所描述的一组图像描述符，I¼f VD IHID1; VD IHID2; VD IHID3;··· VD IHID3其中i表示图像描述符的总数2. 为了减少IHID向量的维度，在提取的特征集上隐含称为k均值的无监督聚类技术，以定位形成视觉词汇（VV）的聚类中心，如下所述：VV¼.VW1;VW2;VW3;VW4;VW5;VW6;· · ·：：VWk4其中k表示聚类或视觉单词的数量3. 最后，每个描述符到最近的视觉词的映射基于下面VW2VVVW;VDIHIDn5这里，VW（VD_IHID_n）表示分配给第n个描述符的视觉字，并且距离argminDist（VW，VD_IHID_n）表示描述符VDIHIDn和视觉词VW。聚类要求降低特征向量的维数，并以紧凑的形式表示特征空间。BoVW模型的最终表示形式是直方图，它给出了视觉词的分布。直方图中的箱的计数等于字典中的视觉单词的数量（即k）。在当前系统中，用于单个或融合的特征包的字典的大小被认为是192（12 44），这是基于HSV颜色描述符的长度。(3) 皮肤病变分类器：行数表示图像样本的总数。图像样本的选择是基于具有最小样本数（即24）的类，并且样本总数是来自六个不同类的826个样本中的144个样本。标准图像库中有十个不同的类别，其中只有六个类别的病变被认为是输入，因为其余类别属于癌前病变。 这些癌前病变类别需要恶性程度，需要更多的临床措施，以计算机，所以我们从输入数据集删除样本。然后，所考虑的样本（144）被随机地分成训练（103）和测试（43）。 从六个不同类别的皮肤病变样本中获得的特征包使用支持向量机分类为恶性或良性。SVM是一种判别分类器，它学习一个决策边界，使类之间的间隔最大化。它能够管理用于皮肤病变识别的关键特征的视觉多义性。在直方图之间具有卡方距离的RBF核能够更准确地将皮肤病变分类为恶性或良性。支持向量机是一种线性分类器，对于非线性的分类器，采用非线性的方法将其转换到其它空间内核支持向量机的v2径向基核具有计算速度快、精度高的特点。BoVW方法的速率。图三. 使用所提出的方法进行皮肤病变诊断。524P.K. Upadhyay，S.钱德拉/沙特国王大学学报××通过SVM识别病变的步骤如下：a) 训练集的大小被认为是103 192。它表示每个图像样本具有固定大小的视觉词汇，其表示为直方图箱。b) 直方图箱用L1优化器正则化，以考虑融合袋中的相等特征集，并有助于去除冗余特征空间。c) 更复杂的核函数如径向基函数（RBF）已被用于对非线性决策边界建模，如下所示：KdRBF x; ye-1=cω dv2 x;y6其中，可以选择Dv2（x; y）来管理皮肤损伤的不同样本的特征空间中的类内杂色。在BoVW方法中比较皮肤病变的直方图结构时，v26. 结果和讨论广义BoVW方法用于皮肤病变诊断，其使用单个或融合描述符针对每个图像样本具有固定长度的词汇。实验在MATLAB-2014 b平台上进行，系统配置为双核I-5处理器，8 GB内存，920 M系列GPU，2GB大小。密集特征袋的参数评估：如上所述，密集特征能够检测皮肤镜关键特征的对称性作为皮肤镜结构和颜色，并且能够识别皮肤病变的恶性或良性样本。对于病变分类，考虑以下性能测量：（a）聚类的数量，（b）特征的数量，（c）迭代的数量或迭代收敛的时间，以生成混合特征的有效视觉袋。描述符的计算的基本属性是（a）强功能是从每个包中选择，并保持词汇的大小是固定的，即192。(b)关键点的选择是基于每个描述符的恒定半径。（c）因此，在提出的视觉词袋中编码的特征向量是144 × 192。所提出的方法的结果描述于下表3功能：的单个包的性能：在该小节中，表2-沿着矩阵对角线的值表示对应于每个类别的样本的识别率，并且除对角线之外的数字示出表示为错误率（ER = 17）的错误率（误分类率）。我们可以看到，颜色特征对于具有非常可区分的颜色的类别表现良好，例如表4中的良性（RR = 83%）和恶性（RR = 70%）。然而，如表3所示，GLOH特征不能很好地区分良性（RR = 67%）和恶性（36%）。表2词汇量固定的描述词比较表3混淆矩阵：GLOH描述符。组/皮肤病变恶性良性恶性0.360.64良性0.330.67表4混淆矩阵：HSV颜色描述符。组/皮肤病变恶性良性恶性0.700.30良性0.170.83表5混淆矩阵：拟定描述符。组/皮肤病变恶性良性恶性0.720.28良性0.170.83特征融合包的性能：表5示出了两个特征之间的最佳组合的自动识别率（ARR）。最佳结果78%的准确率通过结合GLOH和HSV颜色特征实现。这验证了颜色特征描述符用于皮肤病变识别的有用性。表5示出了融合特征的混淆矩阵，其导致皮肤病变分类的增强。表3显示了GLOH描述符的结果，其检测恶性肿瘤的识别率为（RR = 36%）。此外，如表5所示，当对融合特征（与颜色特征融合后）进行分类时，结果得到改善，恶性（RR = 72%）和良性（RR = 83%）的识别率。在混淆矩阵中比较加权值，结果表明颜色特征向量在从IHID描述符包中获得的关键特征向量中占主导地位。良性/恶性被认为是假阴性率;我们的目的是提高混淆矩阵中的真阳性率，如拟议描述符袋表5如表2所示，对于固定词汇表（192），HSV颜色描述符包和提议描述符包中获得的特征相同，这是假阴性率恒定的主要原因对于皮肤镜皮肤病变识别，用于GLOH描述符（52%）、HSV颜色描述符（76%）和IIID描述符（78%）的SVM分类器的平均准确度在上面的图4中描述。除此之外，他们还获得了灵敏度，特异性和准确性用于描述皮肤病变集群数量（K）/词汇量特征数量迭代次数/收敛GLOH192 2022 7/0.94秒/迭代HSV颜色192 181，656 48/0.94秒/迭代IHID 192 181，656 51/0.85秒/迭代图四、比较建议的描述符与传统的描述符使用SVM。P.K. Upadhyay，S.钱德拉/沙特国王大学学报525表6所提出的方法与当前最先进的方法的比较作者方法类数准确度（%）引用安利德岛Büberup，M.，Nilssom，F.，Nielsen，K.，2016.皮肤镜检查ABCD规则的临床应用价值皮肤学报Venereol。96，367-372.Amira，B.M.，Najjar，A.，Zagrouba，E.，2014年。 基于一种新的Ballerini等人（二零一三年）颜色和纹理，K-NN 5 74颜色特征提取方法。在：计算机视觉理论与应用国际会议（VISAPP 2014），pp。 201-206Situ etal. （2008）颜色直方图，Gabor滤波器，BoVW，K-NN282.2Armengol，E.， 2011.基于知识发现的原位黑素瘤分类基于案例的推理。第内特尔Med.51，93-105.Mikos等人（2012年）GLCM，PNN神经网络2 69.5巴列里尼湖费希尔，R.B.，奥尔德里奇，B.，Rees，J.，2013年。 基于颜色和纹理的Wadhawan等人（2011年）颜色直方图，Haar小波，SVM276.4分层K-NN方法对非黑色素瘤皮肤病变的分类。彩色医学图像分析，六十三至八十六提出的方法GLOH，HSVcolor，BoVW，SVM 6 78图中还描述了两类病变。 四、准确检测皮肤病变类别是成功治疗的关键。然而，存在用于皮肤病变识别的各种方法，但是所提出的方法具有增强皮肤病学领域中的当前临床范例的潜力。与当前最先进技术的比较：我们将我们的工作与皮肤病变分类和识别领域的几位研究人员提出的病变识别方法进行了由于这些方法中使用的数据集和验证措施不同，因此无法进行直接比较结果示于表6中。在这项工作中，我们确定了皮肤病变诊断的简化标准，并帮助提高其识别率（RR）高达78%。所提出的方法使用视觉词袋（BoVW）技术，该技术有助于利用皮肤结构和颜色特征识别混沌皮肤病变的线索，并将其区分为恶性或良性。在表中（Situ等人，2008），对具有相同皮肤病变识别过程的类似技术进行了比较。这些方法基于皮肤镜图像的特征分析，用于描述皮肤病变的类型或颜色。实际上，该算法的复杂度为O（V*D*P），其中V是词汇量（视觉单词的数量），D是特征的维度，P是检测到的点的数量。7. 结论本工作表明，GLOH和颜色特征融合在一起，构建新的描述符IHID的皮肤病变识别。从这些描述符中获得的特征以视觉词袋的形式表示，该视觉词袋用于使用支持向量机将该方法对6个不同类别的皮肤病变样本进行了筛选，不受投影、尺度空间和光照条件的影响此外，它是快速，准确和具有成本效益的方法，以最简单的方式对病变进行医学描述，平均准确率为78%。在所提出的方法中获得的结果是相当有前途的，相比，目前的最先进的。在未来，所提出的方法可能会被应用到与许多其他重要器官的医学图像的不同形式。此外，在建议的方法中需要进行一些修改，以便可以考虑恶性程度，这将有助于识别皮肤病变的恶变前类别样本。利益冲突提交人声明，他们没有利益冲突。巴拉塔角Marques，J.，Mendonca，T.，2013年。特征袋分类模型使用颜色和纹理描述符在皮肤镜图像中诊断黑素瘤。Int. Conf. Image Anal.恩，547-555巴拉塔角Ruela，M.，弗朗西斯科，M.，Mendonça，T.，Marques，J.S.，2014.两个系统检测皮肤镜图像中的黑色素瘤使用纹理和颜色特征。IEEE系统杂志8（3），965-979。巴拉塔角切莱比，E.M.，Marques，S.J.，2015.基于特征融合的黑色素瘤检测算法。在：第37届IEEE医学和生物学工程学会年度国际会议，pp。 2653- 2656贝，H.，Ess，A.，Tuytelaars，T.，古尔，V.L.，2008年加速鲁棒特性（SURF）。Comput.目视 图像理解110（3），346-359。卡塔琳娜湾，Jorge，S. M.，Rozeira，J.，2013.使用特征袋模型对基于颜色的关键点和特征进行黑色素瘤分类的评价。Advances in Visual Computing：9th InternationalSymposium，Rethymnon，Crete，Greece. 40- 4926切莱比法医2009年皮肤镜图像中的病灶边界检测Comput. Med.图像Graph. 33（2），148-153。Celebi ， M. ， Kingravi ， H. ， Uddin ， B. ， Iyatomi ， H. ， Aslandogan ， Y. ，Stoecker，W.，莫斯河，巴西-地2007年皮肤镜图像分类的方法学途径。Comput.医学成像图。31（6），362-373。克里夫河，2014.皮肤镜检查的混沌与线索：色素性皮肤病变的判定算法。实用皮肤镜检查，23-28爱泼斯坦，E、1985.放大镜在皮肤科：一个人调查.J.Am. Acad.Dermatol. 134，687-698。菲克斯，E.，Hodges，J.L.，1989.判别分析。非参数判别：一致性性质。Int. Stat. Rev.57（3），238-247。Iyatomi，H.，奥卡，H.，切莱比法医Hashimoto，M.，Hagiwara，M.，田中，M.，2008年一种改进的基于互联网的黑色素瘤筛查系统与皮肤科医生一样的肿瘤区域提取算法。Comput.医学成像图。32（7），566- 579。Iyatomi，H.，切莱比法医Schaefer，G.，田中，M.，2011年。皮肤镜图像的自动颜色校准方法。Comput.医学影像Graph. 35（2），89-98。Mikolajczyk ， K. ， Tuytelaars ， T. ， Schmid ， C. ， 齐 瑟 曼 ， A. ， 马 塔 斯 ， J. ，Schaffalitzky，F.，Kadir，T.，凡湖，2010.仿射协变特征。http://www.robots.ox.ac.uk/~vgg/research/affine，57Mikolajczyk ， K. ， Tuytelaars ， T. ， Schmid ， C. ， 齐 瑟 曼 ， A. ， 马 塔 斯 ， J. ，Schaffalitzky，F.，Kadir，T.，古尔，V.L.，2005.仿射区域检测器的比较。Int. J.Comput.目视65（2），43-72。Mikos，E.，苏乌拉斯岛Sidiropoulos，K.，Cavouras，D.，2012年。基于Android的模式识别应用程序用于表征表皮黑色素瘤。在：生物医学仪器和相关工程研讨会，雅典。pp. 63-72.Moreels，P.，佩罗纳山口，巴西-地2007.基于三维物体的特征检测器和描述器的评价。Int.J. Comput. 目视 73（3），263-284。Moreno，P.，Bernardino，A.，维克多，S.J.，2009.用平滑导数滤波器改进SIFT描述子。模式n。Lett. 30（1），18-26.拉米罗，J.F. Bykbaev，V.R.，2012.结合RGB和HSV直方图和颜色布局描述符的图像检索。第1 -10页，DOI：10.17163/ings.n7.2012.01参宿七，D.S.，Russak，J.，弗里德曼河，2010.黑色素瘤诊断的演变：ABCD之后的25年Cancer J. Clin. 60（5），301-316.Rosendahl，C.，卡梅隆，A.，麦科尔岛，Wilkinson，D.，2012.皮肤镜常规操作中的混乱与线索。Aust. Fam. Physician 41（7），482-487.Salahat，E.，Qasaimeh，M.，2017.特征提取和描述算法的最新进展：综合综述。arXiv：1703.06376v1 [cs.CV]。Schaefer，G.，Rajab，M. I.，切莱比法医Iyatomi，H.，2011.用于改进皮肤病变分割的颜色和对比度增强。Comput.医学影像Graph. 35（2），99-104。Situ，N.，Yuan，X.，陈杰，Zouridakis，G.，2008.通过特征袋分类检测恶性黑素瘤。IEEE工程医学生物学会国际会议，三一一零至三一一三Sivic，J.，齐瑟曼，A.，2003. Video Google：一种用于视频中对象匹配的文本检索方法。Int. Conf. Comput. 目视0 -7695-1950-4/03.Wadhawan，T.，Situ，N.，Rui，H.，兰开斯特，K.，Yuan，X.，Zouridakis，G.，2011. 在智能手持设备上实施黑色素瘤检测的7点检查表。Int. Conf. IEEE工程师Med.Biol. 索科，三一八○至三一八三Wettschereck，D.，啊哈D.W. Mohnri，T.，1997.对一类惰性学习算法的特征加权方法进行了综述和实证评估。第内特尔Rev. 11，273-314.周，H.，陈美，J.M.，2009.皮肤镜兴趣点检测器和描述符。在：IEEE生物医学成像国际研讨会。网址：http：//doi.org/10.1109/ISBI.2009.5193307
我的内容管理
展开
