基于显著性折叠数据 LBP 特征的 SVM 医学图像分类
计算机视觉与模式识别
2016-11-17 v1
摘要
文献中广泛报道了使用支持向量机（SVM）结合局部二值模式（LBP）作为特征进行图像分类和检索的良好结果，其中是对整幅图像进行检索或分类。相比之下，在医学成像中，并非图像的所有部分对当前的图像检索应用都具有同等的重要性或相关性。例如，在肺部 X 光图像中，肺区域可能包含肿瘤，因此具有高度显著性，而周围区域从医学诊断角度看则不包含重要信息。本文提出在训练期间检测图像的显著区域，并对数据进行折叠以减少无关区域的影响。因此，将使用更小的图像区域来计算 LBP 特征，并随后由 SVM 进行分类。我们使用包含 14,410 张 X 光图像的 IRMA 2009 数据集来验证所提方法的性能。结果证明了基于显著性的折叠方法的优势，它提供了与最先进技术相当的分类精度，但具有更低的计算成本和存储需求，这些因素对于大数据分析至关重要。
引用
@article{arxiv.1509.04619,
title = {Medical Image Classification via SVM using LBP Features from Saliency-Based Folded Data},
author = {Zehra Camlica and H. R. Tizhoosh and Farzad Khalvati},
journal= {arXiv preprint arXiv:1509.04619},
year = {2016}
}
备注
To appear in proceedings of The 14th International Conference on Machine Learning and Applications (IEEE ICMLA 2015), Miami, Florida, USA, 2015