40、图像变换与卷积神经网络在医学与交通领域的应用

图像变换与卷积神经网络在医学与交通领域的应用

一、基于图像变换的乳腺癌检测

1. 特征提取与排序
   • 特征提取 ：纹理特征衡量各区域像素间的关系。采用二阶统计特征提取技术，如灰度共生矩阵（GLCM）、灰度大小区域矩阵（GLSZM）、灰度游程长度矩阵（GLRLM）、邻域灰度差矩阵（NGTDM）和灰度依赖矩阵（GLDM）来提取特征。
   • 特征排序 ：运用不同统计测试判断特征在区分正常与异常细胞时的显著性。以零假设（H0，两样本相似）和备择假设（Ha，两样本统计上不同）为衡量标准，通过比较p值与显著性水平α（本文取0.005，对应99.5%的置信水平）进行假设检验。比较健康与不健康乳腺热图的特征，执行的统计测试包括学生t检验、韦尔奇检验、曼 - 惠特尼检验、克鲁斯卡尔 - 沃利斯检验和Z检验。
2. 图像变换方法
   • 小波变换 ：使用Daubechies - 1（Db - 1）小波族对乳腺热图像进行一级分解，取一级近似系数用于后续工作。
   • 曲波变换 ：尺度1取8个方向，尺度2取16个方向。产生尺度0的一个近似系数、尺度1的8个细节系数和尺度2的16个细节系数，选取尺度2和第16个方向的系数用于后续工作。
   • 提升方案小波变换 ：同样使用Daubechies - 1（Db - 1）小波