请教 医学中OT 和 TR是什么的缩写_百度知道
请教 医学中OT 和 TR是什么的缩写
This unit will equip students with detailed knowledge of pathology and pathophysiology. The lectures and tutorials apply a systemic approach to the study of a range of disease categories, providing a foundation of pathophysiological knowledge for Osteopathy, TCM, podiatry, OT, and TR students. 段 OT
能答案： osteo-technology骨组织工程 total-RBC红细胞总量 说清具体专业答案补充TR意思能technology research工程研究第意见变能答案兄弟专业性点强啊
其他类似问题
向医生提问
完善患者资料：*性别：
为您推荐：
其他1条回答
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁提问回答都赚钱
> 问题详情
用外科手术的技术处置不正常的大脑，对于医学界来说已经不是一个新鲜的课题。精神外科的本
悬赏：0&&答案豆&&&&提问人：匿名网友&&&&提问收益：0.00答案豆&&&&&&
用外科手术的技术处置不正常的大脑，对于医学界来说已经不是一个新鲜的课题。精神外科的本意，即是通过外科手术改变人的不正常的精神活动和行为表现。 作者接下来最有可能介绍的是：（ 。 A. 早期使用的外科手术方法是什么 B. 外科手术存在的风险性 C. 采用外科手术后对不正常大脑的改变情况 D. 现代精神外科的定义
发布时间：&&截止时间：
网友回答&(共0条)
回答悬赏问题预计能赚取&1.00元收益
回答悬赏问题预计能赚取&10.00元收益
回答悬赏问题预计能赚取&4.00元收益
回答悬赏问题预计能赚取&10.00元收益
回答悬赏问题预计能赚取&1.00元收益
回答悬赏问题预计能赚取&1.00元收益
回答悬赏问题预计能赚取&2.00元收益
回答悬赏问题预计能赚取&5.00元收益
回答悬赏问题预计能赚取&2.00元收益
回答悬赏问题预计能赚取&20.00元收益
回答悬赏问题预计能赚取&3.00元收益
回答悬赏问题预计能赚取&3.00元收益
回答悬赏问题预计能赚取&3.00元收益
回答悬赏问题预计能赚取&1.00元收益
回答悬赏问题预计能赚取&1.00元收益
回答悬赏问题预计能赚取&1.00元收益
回答悬赏问题预计能赚取&3.00元收益
回答悬赏问题预计能赚取&1.00元收益
回答悬赏问题预计能赚取&1.00元收益
回答悬赏问题预计能赚取&3.00元收益
回答悬赏问题预计能赚取&22.00元收益
回答悬赏问题预计能赚取&1.00元收益
回答悬赏问题预计能赚取&1.00元收益
回答悬赏问题预计能赚取&22.00元收益
回答悬赏问题预计能赚取&5.00元收益
回答悬赏问题预计能赚取&1.00元收益
回答悬赏问题预计能赚取&1.00元收益
回答悬赏问题预计能赚取&3.00元收益
回答悬赏问题预计能赚取&3.00元收益
回答悬赏问题预计能赚取&3.00元收益
回答悬赏问题预计能赚取&3.00元收益
回答悬赏问题预计能赚取&3.00元收益
回答悬赏问题预计能赚取&1.00元收益
回答悬赏问题预计能赚取&5.00元收益
回答悬赏问题预计能赚取&3.00元收益
回答悬赏问题预计能赚取&3.00元收益
回答悬赏问题预计能赚取&3.00元收益
回答悬赏问题预计能赚取&1.00元收益
回答悬赏问题预计能赚取&3.00元收益
回答悬赏问题预计能赚取&3.00元收益
回答悬赏问题预计能赚取&1.00元收益
回答悬赏问题预计能赚取&1.00元收益
回答悬赏问题预计能赚取&10.00元收益
回答悬赏问题预计能赚取&5.00元收益
回答悬赏问题预计能赚取&5.00元收益
你可能喜欢的
[] [] [] [] [] [] [] [] [] [] [] []
请先输入下方的验证码查看最佳答案10-成人Still病诊断中的问题和鉴别诊断思路_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
评价文档：
10-成人Still病诊断中的问题和鉴别诊断思路
上传于||暂无简介
大小：795.50KB
登录百度文库，专享文档复制特权，财富值每天免费拿！
你可能喜欢文档分类：
在线文档经过高度压缩，下载原文更清晰。
淘豆网网友近日为您收集整理了关于基于尺度空间中多特征融合的医学影像分类.pdf的文档，希望对您的工作和学习有所帮助。以下是文档介绍：Journal puter Applications 计算机应用,):,1114 ISSN
C0DEN JYIIDU 2013.04一Ol 号:(2013)04 —1108—04
doi:10.3724/SP.J.108 基于尺度空间中多特征融合的医学影像分类李博 ,曹 鹏 ,栗伟 ,赵大哲(1.东北大学信息科学与工程学院,沈阳 .医学影像计算教育部重点实验室(东北大学),沈阳 110179) (
通信作者电子邮箱 ) 摘要:针对现有医学影像分类方法对临床不同类别影像特征描述效果不一致,且尺度变化敏感的问题,提出一种基于尺度空间提取多特征进行融合的分类方法。首先构建高斯差分尺度空间,然后在尺度空间中分别从灰度、纹理、形状、频域四种互补的角度描述医学影像,最后基于最大似然估计理论构建决策级特征融合模型,实现医学影像分类。严格依照 IRMA医学影像类别编码标准选择实验数据,结果表明所提方法相对已有方法分类的平均 F1值得到了5% ~20% 不同程度的提高,更全面描述医学影像信息,避免了特征降维造成的信息损失,有效提高了分类的准确率,具有临床应用价值。关键词:图像分类;决策级融合;多特征;尺度空间;最大似然估计中图分类号:TP391.41
文献标志码:A M edical im age classification based on scale space m ulti-feature fusion LI Bo ,
,CAO Peng 一。 LI W ei 一, ZHAO Dazhe , (1.College of Information Science and Engineenng,Northeastern University,Shenyang Liaoning 1 10004,C 2.Key Laboratory of Medical puting,Ministry of Education(Northeastern University),Shenyang Liaoning 1 10179,China) Abstract:In order to describe difierent kinds O±medical image more consistently and reduce the SCale sensitivity, a classification model based on scale space multi·feature fusion was proposed according to the characteristics of medical image. First, scale space was built by difference of Gaussian, and plementary features were extracted, such as gray—scale features,texture features,shape features,and features extracted in the frequency domain.In addition, maximum likelihood estimation was considered to realize decision level fusion.The scale space multi—feature fusion classification model was applied to medical image classification task following IRMA code. The experimental results show pared with traditional methods.F1 value increased 5% 一20% .Fusion classification model describes medical image prehensively.avoids the information loss from feature dimension reduction, improves classification accuracy, and has clinical value. Key words: dmulti-max imum likelihood estimation 0
引言随着数字化医疗设备在临床医学诊疗中的大量应用,医学影像数据正在海量增长,现有的存储管理方式和分析处理方法面临着巨大挑战 J。不同成像技术、成像方向、解剖学部位的影像混杂在一起,需要对这些影像进行分类存储及管理,以便进一步分析及利用。手动标注影像类别显然不能胜任这种数据量庞大的应用背景,因此,找出一种可以准确地自动标注影像类别的方法成为了十分急迫的需求,基于内容的医学影像分类成为研究热点 j。医学应用影像检索(Image Retrieval in Medical Application,IRMA)提出了一种详细的影像类别编码方法,涉及成像设备、技术参数、检查体位、成像的向以及生物学系统等因素 。跨语言评测论坛图像检索(Image Retrieval in Cross Language Evaluation Forum,ImageCLEF)将其应用于医学检索与分类任务中,历年都有大量针对 IRMA基准进行分类的研究,该标准是目前国际上较为认可的影像分类标准,对临床研究有重要的参考价值。然而由 IRMA类别编码标准及历届 ImageCLEF测评结果可知,临床影像类别划分繁杂,数据尺度变化不一,早期影像分析方法利用单一尺度下的某种特征表征影像,对临床数据集效果并不理想,结合多尺度和多特征参数实现医学影像分类的效果有明显提高 。但是,多数研究只是简单拼接多组影像特征进行分类,由于特征维度过高,且不同特征间的关系先验知识被忽略,会导致分类器性能有所下降。研究发现, 对高维特征数据进行降维处理,如主成分分析降维方法,已提取的特征信息并没得到充分利用,通常会造成信息损失 。更为合理的方法是采用决策级融合,它是最高层次样本属性的融合,将各基决策器对样本类别信息进行决策的结果进行融合,通过决策策略获得融合样本类别属性 12j。目前将其应用于医学影像领域的成果较少。针对现有方法对类别繁杂的医学影像数据描述效果不一致,且尺度变化敏感的问题,提出一种在尺度空间中提取多种特征进行融合的分类方法。本文的贡献是:提出在高斯差分尺度空间中提取医学影像全局特征降低尺度变化的影响;将灰度、纹理、形状、频域四种互补的特征进行改进并相结合全收稿日期:;修回日期:。基金项目:国家自然科学基金资助项目();中央高校基本科研业务费专项资金资助项目(Nl )。作者简介:李博(1985一),男,辽宁沈阳人,博士研究生,主要研究方向:医学影像挖掘、医学影像检索; 曹鹏(1982一),男,辽宁沈阳人,博士研究生,主要研究方向:机器学习、医学影像挖掘; 栗伟(1980一),男,辽宁沈阳人,博士研究生,主要研究方向:医学文本挖掘;
赵大哲(1960一),女,辽宁沈阳人,教授,博士生导师,主要研究方向:软件工程、数据挖掘、医学影像处理。第 4期 李博等:基于尺度空间中多特征融合的医学影像分类 1109 面描述影像信息;利用最大似然估计理论构建决策级融合模型合理应用先验知识。严格依照 IRMA医学影像类别编码标准选择实验数据,实验表明本文方法有效提高了分类性能,具有临床应用价值。 1
算法描述 1.1
高斯差分尺度空间构建尺度变化对医学影像分析具有较大影响,在不同尺度下进行多类别影像分析,其意义是不明显的。在医学影像处理分析模型中引入尺度参数,通过连续变化尺度参数获得不同尺度下的影像处理信息,然后综合这些信息以深入地挖掘医学影像的本质特征。为了获得医学影像的多尺度特征,引入高斯差分(Different of Gaussian,DoG)尺度空间 。DoG尺度空间中不仅可以表征影像不同大小时的变化特征,而且对不同粗糙度的特性也能全面描述,较其他尺度变换方法更适用于变化多样的临床影像。利用高斯卷积核实现尺度变换,一幅二维影像尺度空间定义为: L( ,y,or)=G( ,Y,or)
(1) 其中 G( ,Y, )是尺度可变高斯函数: 1
e “ (2) Z 1Tor
其中:( ,y)是空间坐标;or是尺度坐标,代表影像的平滑程度。大尺度为粗糙尺度,对应影像的概貌特征,也就是低分辨率;相反小尺度为精细尺度,对应影像的细节特征,也就是高分辨率。通过不同尺度的高斯差分核与影像卷积运算生成尺度空间。 D( ,Y, )=(G( ,Y,ktr)一G( ,Y,or))
,( ,Y)= L( ,Y,/,or)一L( ,Y,or)
(3) 如式(3),利用 DoG算子计算尺度空间相对简化。基于 DoG构建影像金字塔,影像金字塔共 0组,每组有 S层影像, 在影像金字塔中下一组影像由上一组影像降采样得到。 1.2 互补的影像多特征描述研究表明多种互补的特征结合使用,往往可以取得更好的效果 J。区别于传统方法,本文将从灰度、纹理、形状、频域四方面表征影像。其中,灰度和纹理特征分别基于已经在该领域取得了一定成果的灰度直方图和改进后的灰度共生矩阵理论实现。对于形状特征,考虑到人体组织边缘像素相对位置具有重要意义,引入并改进形状上下文方法,可以在极坐标系中更全面描述边缘特征。对于频域特征,考虑到可能获取区别于原影像空间的纹理特性,引入并改进统计傅里叶变换系数的方法来表征影像。试图利用这四种特征的互补特性增加对不同类别影像的区分能力。灰度特征灰度直方图可以直观地反映医学影像的灰度分布信息,即各灰度级内出现像素的概率,是对灰度图像最直接地描述方法之一。将影像做增强处理后将其灰度划分为 16个域,统计直方图特征。纹理特征从灰度共生矩阵中提取出 14种 Haralick二次统计量 ,相关参数分别选取角度 :0。,45。,90。,135。, 相邻距离 d= 1,2,3,4,5。为了降低计算量,计算对同一个统计量在不同参数下求得多个值的平均值,将其作为医学影像相应统计值。形状特征 Shape Context在图形匹配中,对目标形变有较好的鲁棒性 ,但不能直接应用于全局影像特征提取。为了使其适用于全局影像特征提取,如图 1所示,首先使用 Sobel算子提取医学影像的轮廓信息,然后针对影像重心计算 Shape Context直方图。对于影像 i的重心P ,可以计算出一个直方图 h ,h 中包含了P 与其余像素点的位置关系,则 h 可以定义为: h (k) =#{q≠P :(q—P )∈bin(k)}
(4) 如式(4),计算直方图时采用对数极坐标系,将半径的对数划分为 6个区间,取 12个角度,并对直方图做归一化处理, 作为医学影像的形状特征。■■图 1
Shape Context示意图频域特征频谱对人类视觉系统有重要的意义,从频域中提取特征能有效地表达医学影像频谱的变化规律。首先对影像作快速傅里叶变换(Fast Fourier Transformation,F丌),然后将系数阵列分割成三级 。按图 2对频谱图像(像素的灰度级为相应的幅度值)做分级划分, 小格边长为所在大格边长的一半。计算每个小块中的值的标准差,记为 ( ),k取 1A,2A,…,IOA,IB,…,lOB,1C,…, 10C,1D,…,10D。区别于传统方法,强调 IOA、10B、lOC、10D 四个区域统计量的计算,其原因是实验表明边角区域的信息量较大。对标有相同数字的小格中求出的标准差取均值,作为影像频域空间中提取出的特征。 4A
4B 8AI 9Al
l 9Bl 8B 5A l 6A
6B l 5B l 2A
2D 5C l 6c
6D l 5D l 1C
4D 10Cl 7Cl
I 7Dl10D 图 2
FFI&特征提取 1.3 尺度空间多特征融合与影像分类如何有效地进行特征融合是提取多种特征后面临的最大难题。目前大部分研究采用直拼接特征向量,然后进行特征降维的方法,这产生了两个问题:拼接时对先验知识的忽略和降维带来的信息损失。为了合理制定融合策略,避免上述问题产生,基于最大似然估计理论构建决策级的特征融合模型, 以更好地学习先验知识和进行判断决策。如图 3所示,特征融合模型由尺度空间、特征提取、基分类器(C ,C ,…,c )与组合器四部分组成。其中,每个基分类器负责对不同影像尺度下提取的不同特征进行单独训练学习和类别预测,组合器包含对应基分类器学习得到的概率矩 11l0
计算机应用 第 33卷阵(P ,P ,…,P )与决策规则。尺度空间 特征提取 基分类器 ,率、医/
层-;i灰度特征l l基分类器c } : 学一 z层 纹理特征^ 基分类器cz} 。r 堡, 日合器影 . 、形状特征像\ 、: 、I
层F - 频域特征 基分类器c } 图 3
尺度空间多特征融合模型影像分类过程主要分为训练与测试两个阶段。设医学影像数据样本共 m类,分别为 c 、c:、…、C ,训练阶段包括以下步骤: Input:影像训练数据集 Output:分类器簇及概率矩阵集合 Begin 1)对训练数据样本构建高斯差分尺度空间; 2)在各尺度下分别对各数据样本提取上述四种特征; 3)对基分类器进行训练,每一基分类器对应上述某一尺度下的某一特征分别进行训练; 4)对基分类器分别进行测试,针对同一基分类器统计分类测试结果,计算出实际类别为 c 而分类结果为 c 的训练数据样本个数,其中:c 为所述训练影像的第 i个类别,c 为所述训练影像的第个类别,i:1,2,…,m,
=1,2,…,m; 5)计算各基分类器对应的概率矩阵,将各基分类器中统计得到的矩阵元素,即各类别分类结果中包含样本数量,均除以训练数据的样本总数,得到一个概率矩阵集合; 6)存储概率矩阵集合{P l k: (1,2,…,n)}。 End 如已知的训练影像的类别共有 m种,则将第 k个基分类器 C 中的各个训练数据样本分类结果统计以错分矩阵的形式表示如下: M
= Nk(c1,c2)
… Nk(Cl,C ) N (c2,C2)
… Nk(C2,C ) Nk(c ,C2)
… Nk(c ,c ) k=t,2,…,n
(5) 其中:矩阵元素 (c ,q)表示第 k个基分类器 C 所有训练数据样本中实际类别为 c 而分类结果为 c 的训练数据样本个数。为了得到第 k个基分类器 C 的概率矩阵,将式(5)中基分类器 C 统计得到的训练数据样本个数除以训练数据样本总数∑∑(c , ): P P (Cl I c1) P (cl I c2)
… P (c1 l C ) P (C2 l C1) P (C2 I C2)
… P (C2 I c ) P (c I c1) P (C I c2) … P (C I c ) k = 1,2,…,n
(6) 其中:Pk(c 0 cJ)=Ⅳ^(c ,cj)/∑∑(c , )。·最后,P ,k= (1,2,…,n)构成一个概率矩阵集合。测试阶段包括以下步骤: Input:影像测试数据集,分类器簇及概率矩阵集合。 Output:影像分类结果。 Begin 1)对训练数据样本构建高斯差分尺度空间; 2)在各尺度下分别对各数据样本提取上述四种特征; 3)利用训练步骤 2)中生成的基分类器,分别对测试样本进行对应分类,得到分类结果,这里对应是指测试数据特征尺度和种类要与分类器一致; 4)从训练步骤 5)预存的概率矩阵集合中,针对每一个基分类器 C 的概率矩阵 ,分别获取用于计算样本属于各类别后验概率所需的相关概率; 5)将针对各类别提取出的概率值分别进行乘积运算,得到样本针对各分类的后验概率; 6)比较样本分类结果的后验概率,选择后验概率最大的类别作为待分类影像的分类结果。 End 如为获得样本属于 ci的后验概率,假设对于分类器 C , 该样本在测试步骤 2)中被分到 C 类(i可以等于),则根据式(6),提取出分类器 C 中实际类别为 c,而被判类别为 c 的概率 P (cf l Cj),其中 k=1,2,…,n。对于类别 c,,其计算得到的后验概率为 P(c ,c啦,…,c ’)=ⅡPk(c l cj),k=1,2,…,n,其中c ( =1,2,…, k : l n)是该样本被基分类器 C 预测的类别。 2
实验评估 2.1 实验设置从临床中随机选取 9225幅医学影像,根据其成像技术、方向与解剖学部位划分为 31个类别,该划分规则严格依据 ImageCLEFmed与 IRMA标准Ⅲ,在临床中具有重要的诊疗意义。实验采用 10一fold cross·validation进行评估,最后将得到的实验结果平均,使用 值来评估实验结果,定义如下: 2 X准确率×召回率一 准确率+召回率 (7) 实验数据分布如表 1所示,其中类别项即为对应的 IRMA类别编码,为直观表现,表中标出了数据对应人体部位。数据样本举例如图 4所示。表 1 医学影像数据集部位 类别 样本数部位 类别 样本数 0-70O
1 121-4a0414_7oo
1o6 1 I21-2lO_230-70o
I121.1104 II_70o
172 颅骨 O_700
1 121一l1O4 14-700
441 1 121 43O-213-70O
136 上肢 l】21.11O-415.7o0
111 l121,120.310-70HD
1 121.120.463_700
1oo 1 121—120.320-7oo
155 脊柱 121-枷120舢-330 -7 0
1 121—120-921-7O0
109 l】21 120-922-700
l121.120-942-700
133 1 121-210.330-7O0
1 121—120-943-7O0
136 腹部 0-400
下肢 1 121-230-921-700
100 112d一121_5O0_00o
l】21_230_922-7o0
1 13 . oo_0oo
l121.230-942-7oo
120 胸部 OO_0oo
1 121-230-943-7O0
109 1 123-2l1-500-000
1 121-320-941-7O0
123 骨盆 1 121.120.800-700
计算机应用 第 33卷为说明算法 1对正则参数的稳定性,表 1—2分别对比了在 o/=0.025、ol=0.03两种情形下文献[10]中算法与算法 1在不同高斯噪声及退化函数支撑集下的 PSNR值及 CPU 运行时间。由图 1—2可以看出:在 ot=0.025,退化函数支撑集为 5×5(o-=1),高斯噪声标准差为 0.01;o/=0.03,退化函数支撑集为 7×7(
=1.5),高斯噪声标准差为 0.05两种情形下算法 1恢复效果较文献[10]有所提高(可参看表 1~2 PSNR值对比)。口口 (a)原始图像 (b)观测图像口口 (c)文献[1O】方法恢复图像图 2
=0.03,7 x 7(
=1.5), (d)算法1恢复图像噪声 0.05时“ ”图像恢复效果表 1
=0.025时 PSNR和 CPU耗时对比表 2
o/=0.03时 PSNR和 CPU耗时对比从表 1—2可以看到,通过子空间优化方法的有效矫正, 文献[10]中算法速率及恢复质量有较为明显的提高。 4
结语在数字图像恢复等应用领域中,TV正则表现出了很好的性能,同时也带来了许多数值计算困难,因此,交替方向法被广泛用来处理此问题。本文针对基本交替方向法的不足,利用子空间优化方法对其搜索方向进行了有效矫正,数值实验表明算法性能得到了有效改进。参考文献: [1】 GONZALEZ R C,WOODS R E.Digital image processing[M].2nd ed.Upper Saddle River,NJ,USA:Prentice Hall,2008. [2] GUOXX,LI F,NG M K,Afast ZrTV algorithmforimage restoration [J].SIAM Joumal puting,):. [3】 BLACK M J,RANGARAJAN A.On the unification of line processes, oudier rejection,and robust statistics with applications to early vision [J】.International Journal puter Vision,):57—91. [4】 RUDIN L I,OSHER S,FATEMI E.Nonlinear total variaion based noise removal algorithm 【J]. Physica D: Nonlinear Phenomena, /2/3/4):259—268. [5]
袁亚湘,孙文瑜,最优化理论与方法【M].北京:科学出版社,2005. 【6]
BOYD S,VANDENBERGHE L.Convex optimization[M].Cam- bridge:Cambridge University,2004. [7]
CHAMBOLLE A.An algorithm for total variation minimization and application[J].Journal of Mathematical Imaging and Vision,/2):89—97. [8]
NG M K,QI L Q,YANG Y F,et a1.On semismooth Newton’s methods for total variation minimization[J].Journal of Mathematical Imaging and Vision,):256—276. [9] LI Y Y,SANTOSA F.putational algorithm for minimizing to— tal variation in image reconstruction[J].IEEE Transactions on Im— age Processing,):987—995. [10】 HUANG Y M,NG M K,WENY W.Afasttotal variationminimi— zation method for image restoration[J】.Muhiscale Modeling and Simulation,):774—795. [1 1】 ELAD M, MATLON B,ZIBULEVSKY M.Coordinate and sub— space optimization methods for linear squares with non—quadratic regularization[J】.Applied putational Harmonic Analysis, ):346—367. [121
YOUNG D M.herativc solution of large linear systems[M].New York:Academic, 1971. [131
胡家赣.线性代数方程组的迭代解法[M].北京:科学出版社,. [14】 VARGA R S.Matrix iterative analysis[M ].2nd ed.New York: Springer-Verlag,2000. (上接第 1111页) [13]
NGUYEN P B,BEGHDADI A,LUONG M.Robust watermarking in DoG scale space using a multi—scale JND model[C]// PCM 2009: Advan ces in Multimedia Information Processing, LNCS 5879. Berlin:Springer,3. [14] HARALICK R M , SHANMUGAM K ,DINSTEIN I.Textural features for image classification【J].IEEE Transactions on Systems Man and ics,):610—621. 【15】 BELONGIE S,MALIK J,PUZICHA J.Shape matching and object recognition using shape contexts[J].IEEE Transactions on Pattern [16] [17] Analysis and Machine Intelligence,):509—522. TACHPHETPIBOON S . AMORNRAKSA T . Applying F丌 features for fingerprint matching[C]//2006 1 st International Sym- posium on IEEE W ireless puting. Piscataway, NJ: IEEE Press.. KALPATHY CRAMER J, MULLER H, BEDRICK S,et a1. Over- view of the CLEF 201 1 medical image classification an d retrieval tasks[C]// CLEF 201 1 Working Notes.Amste￣am,her- lands: CLEF..播放器加载中，请稍候...
该用户其他文档
下载所得到的文件列表基于尺度空间中多特征融合的医学影像分类.pdf.pdf
文档介绍：
Journal puter Applications 计算机应用,):,1114 ISSN
C0DEN JYIIDU 2013.04一Ol 号:(2013)04 —1108—04
doi:10.3724/SP.J.108 基于尺度空间中多特征融合的医学影像分类李博 ,曹 鹏 ,栗伟 ,赵大哲(1.东北大学信息科学与工程学院,沈阳 .医学影像计算教育部重...
内容来自淘豆网转载请标明出处.