10、医疗保健中的机器学习：特征提取与基础介绍

医疗保健中的机器学习：特征提取与基础介绍

1. 形状特征提取

在医学图像分析及其应用中，图像的形状和大小具有重要意义。这些特征通常从图像中包含诊断内容的合适感兴趣区域（ROIs）中提取。例如，在使用超声图像进行乳腺癌检测和分析时，可以借助大小和形状特征来区分图像中的恶性和良性肿块，从而进行肿瘤检测。一般来说，良性肿块形状规则，而恶性组织则表现为不规则形状，这些都能通过形状和大小特征体现出来。此外，在许多情况下，周长超过3厘米的结节通常是恶性的。以下是提取的形状和大小特征：

1.1 区域属性

常用三个简单的区域特征，即面积、周长和紧凑度，来量化对象形状。这些区域属性基于灰度强度。
- 面积 ：一个区域的面积可以定义为该区域内像素的数量。
- 周长 ：对于二维图像中的一个区域，在确定其边界像素后，可以计算该参数。假设一个区域的边界由在x - y坐标系中定义的有序像素序列组成，像素之间以四连通或八连通的方式连接。如果是四连通，两个连续像素之间的距离为1个单位；如果是八连通，则为√2个单位。二维形状的周长通过计算围绕该形状的总距离来确定。
- 紧凑度 ：是一种衡量圆形度的指标，定义为：
[
\text{Compactness} = \frac{(\text{Perimeter})^2}{\text{Area}}
]

1.2 矩不变量

在模式识别和医学诊断方法中，矩不变量特征被用于传达图像中模式的丰富信息。每个矩系数及其不变量都携带从医学图像中提取的特定信息值。