探索基于位平面分片的部分去噪技术在增强骨折识别中的有效性：深度学习方法与手工特征提取技术的比较研究
图像与视频处理
2025-03-24 v1 人工智能
计算机视觉与模式识别
摘要
计算机视觉通过先进的图像处理和机器学习技术，已在医学诊断、治疗和研究领域实现了变革。骨折分类作为医疗保健中的关键领域，受益于这些技术进步，但准确检测仍受复杂图案和图像噪声的挑战。位平面分片通过降低噪声干扰和提取有用特征来增强医学图像。本研究探索了部分去噪技术，以为改进的骨折分析提供实用解决方案，最终提升患者护理。该研究探索了深度学习模型DenseNet和手工特征提取方法。采用决策树和随机森林来训练和评估不同的图像表示，包括原始图像、来自LSB和MSB的四个位平面拼接后的图像、完全去噪后的图像，以及由MSB的6个位平面和LSB的2个去噪位平面组成的图像。形成这些多样化图像表示的目的是分析信噪比以及分类准确率，识别包含最有信息特征的位平面。此外，本研究深入探讨了在保持关键特征方面发挥部分去噪技术的重要性，从而在分类结果上实现改进。值得注意的是，本研究表明，采用随机森林分类器，部分去噪图像表示的测试准确率达到95.61%，显著优于其他图像表示。本研究的结果为开发用于骨折识别的高效预处理、特征提取和分类方法提供了宝贵的见解。通过提升诊断准确性，这些进步有望对患者护理和整体医疗结果产生积极影响。
引用
@article{arxiv.2503.17030,
title = {Exploring the Efficacy of Partial Denoising Using Bit Plane Slicing for Enhanced Fracture Identification: A Comparative Study of Deep Learning-Based Approaches and Handcrafted Feature Extraction Techniques},
author = {Snigdha Paul and Sambit Mallick and Anindya Sen},
journal= {arXiv preprint arXiv:2503.17030},
year = {2025}
}