Возможности текстурного анализа компьютерных томограмм в диагностике хронической обструктивной болезни
Автор: Гайдель Андрей Викторович, Зельтер Павел Михайлович, Капишников Александр Викторович, Храмов Александр Григорьевич
Журнал: Компьютерная оптика @computer-optics
Рубрика: Обработка изображений: Восстановление изображений, выявление признаков, распознавание образов
Статья в выпуске: 4 т.38, 2014 года.
Бесплатный доступ
Исследуется возможность использования разнообразных текстурных признаков для выявления патологических изменений лёгких по двумерным цифровым изображениям компьютерной томографии. В качестве информационных признаков используются гистограммные и корреляционные характеристики, а также признаки Харалика и признаки на основе длин серий. Отбор эффективных признаков проводится на основе критерия дискриминантного анализа. Применимость предложенного подхода для решения задачи автоматического выявления патологических изменений исследуется экспериментально на наборе из 160 изображений, полученных при обследовании больных хронической обструктивной болезнью лёгких. Полученная эффективная группа признаков состоит из двух признаков Харалика и трёх признаков на основе длин серий и обеспечивает долю неверных распознаваний 0,11, которая лучше аналогичных результатов, полученных без использования процедуры отбора признаков.
Текстурный анализ, диагностика, признаки харалика, длины серий, отбор признаков, дискриминантный анализ
Короткий адрес: https://sciup.org/14059316
IDR: 14059316
Computed tomography texture analysis capabilities in diagnosing a chronic obstructive pulmonary disease
The possibility of application of different textural features for the lung disease automatic diagnosis on the basis of the 2D digital computed tomography (CT) images was studied. Histogram features, covariance features, Haralick's features and run length features were used. A procedure based on the discriminant analysis criterion was used for the selection of the best features group. We experimentally showed that the approach offered is convenient to use for solving the problem of automatic diagnosis on a 160-image set received during examination of patients with a chronic obstructive pulmonary disease. The resulting group of effective features includes two Haralick's features and three run length features, providing the error rate of 0.11, which is better than similar results obtained without a feature selection procedure.
