利用機(jī)器學(xué)習(xí)方法對(duì)神經(jīng)肌肉罕見病DMD進(jìn)行分類預(yù)測(cè)

章鳴嬛,　陳　瑛,　沈　瑛,　馬軍山

(1.上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院,上海 200093;2.上海杉達(dá)學(xué)院 信息科學(xué)與技術(shù)學(xué)院,上海 201209; 3.上海交通大學(xué)醫(yī)學(xué)院附屬新華醫(yī)院,上海 200092)

?

利用機(jī)器學(xué)習(xí)方法對(duì)神經(jīng)肌肉罕見病DMD進(jìn)行分類預(yù)測(cè)

章鳴嬛1,2,陳瑛2,沈瑛3,馬軍山1

(1.上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院,上海 200093;2.上海杉達(dá)學(xué)院 信息科學(xué)與技術(shù)學(xué)院,上海 201209; 3.上海交通大學(xué)醫(yī)學(xué)院附屬新華醫(yī)院,上海 200092)

摘要：為早期診斷和檢測(cè)神經(jīng)肌肉罕見病——杜興氏肌營(yíng)養(yǎng)不良(DMD),設(shè)計(jì)了一組分類預(yù)測(cè)試驗(yàn).首先,利用小波變換對(duì)DMD患者組和健康對(duì)照組的磁共振圖像(MRI)進(jìn)行小波分解;其次,從所得的分解圖像中提取出若干紋理特征參數(shù)并進(jìn)行降維處理;最后,再基于這些紋理特征參數(shù),利用支持向量機(jī)算法(SVM)對(duì)試驗(yàn)圖像進(jìn)行分類預(yù)測(cè).試驗(yàn)結(jié)果顯示,若選擇適當(dāng)?shù)男〔ǚ纸獬叨?、分類器核函?shù)和相關(guān)參數(shù)組合,則MRI圖像的分類靈敏度、特異度和準(zhǔn)確率分別可達(dá)96.9%，97.3%和97.1%.該處理方法有望為臨床提供客觀有效的輔助診斷手段,可作為DMD罕見病無(wú)創(chuàng)檢測(cè)的嘗試探索.

關(guān)鍵詞：杜興氏肌營(yíng)養(yǎng)不良; 無(wú)創(chuàng)檢測(cè); 磁共振圖像; 紋理特征; 小波變換; 支持向量機(jī)

杜興氏肌營(yíng)養(yǎng)不良(Duchenne muscular dystrophy,DMD)是一種嚴(yán)重的神經(jīng)肌肉罕見疾病[1],由Duchenne于1868年首先描述.該疾病以骨骼肌進(jìn)行性壞死為主要病理特征,是常見的致死性骨骼肌遺傳疾病之一.DMD患者幾乎均在幼年發(fā)病,發(fā)病率為活產(chǎn)男嬰的1/3 500.

目前針對(duì)DMD尚無(wú)有效的治療方法,故高效準(zhǔn)確地早期診斷和檢測(cè)該疾病顯得非常重要.DMD的傳統(tǒng)診斷流程一般為:臨床疑似血清肌酸激酶增高肌電圖檢查呈肌源性損害肌肉病理檢查或基因檢查證實(shí).但肌電圖是一項(xiàng)創(chuàng)傷性檢查,會(huì)帶給病人極大不適.由于DMD患者多在幼年起病,該項(xiàng)檢查必然導(dǎo)致患兒巨大的恐懼與不合作.因此,臨床上迫切需要一種無(wú)創(chuàng)、敏感的診斷手段,以獲取對(duì)DMD的早期診斷.

作為一種相對(duì)安全有效的影像學(xué)檢查手段,磁共振圖像(magnetic resonance image,MRI)可以清晰準(zhǔn)確地顯示出肌肉的組織結(jié)構(gòu)和病變的位置,因此是神經(jīng)肌肉疾病診斷中一項(xiàng)非常有價(jià)值的輔助檢查手段[2-3].然而,當(dāng)前對(duì)MRI圖像的信息利用一般仍停留在醫(yī)生直接讀片來(lái)獲得診斷結(jié)果的階段,而這種方式會(huì)受到種種主觀因素的干擾,且人眼對(duì)圖像的分辨率遠(yuǎn)低于圖像本身,圖像中蘊(yùn)含的大量特征信息尚有待發(fā)掘.如果能夠利用計(jì)算機(jī)進(jìn)行輔助分析,則可很好地降低這些因素的影響,提取更多有效的信息,提高診斷準(zhǔn)確率.有學(xué)者通過(guò)分析MRI圖像所表現(xiàn)的病變組織的紋理特征[4]來(lái)進(jìn)行輔助診斷,例如利用小波變換來(lái)提取圖像的紋理特征信息并進(jìn)一步分析,力求為診斷提供更為客觀的依據(jù).

支持向量機(jī)(support vector machines,SVM)算法是建立在統(tǒng)計(jì)學(xué)習(xí)的VC(Vapnik-Chervonenkis)維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論基礎(chǔ)上的一種機(jī)器學(xué)習(xí)方法,在解決小樣本、非線性和高維度模式識(shí)別的問(wèn)題中表現(xiàn)出極大優(yōu)勢(shì).目前SVM算法在模式識(shí)別、生物醫(yī)學(xué)工程、醫(yī)學(xué)影像的分類預(yù)測(cè)等方面都有廣泛的應(yīng)用.謝紅梅等[5]提出了基于SVM的腦部CT圖像的分類算法.Sohail等[6]提出了基于SVM的卵巢超聲圖像的分類算法.Sela等[7]采集了肝部MRI圖像,并提出了基于SVM的肝部纖維化等級(jí)分類的算法.Fan等[8]提出了基于SVM的腦部MRI圖像的分類算法.以上文獻(xiàn)均顯示,利用SVM算法對(duì)醫(yī)學(xué)影像進(jìn)行分類和預(yù)測(cè),可獲得較高的分類準(zhǔn)確率,達(dá)到較好的分類效果.

為此,本文通過(guò)計(jì)算機(jī)輔助分析,先對(duì)試驗(yàn)MRI圖像進(jìn)行小波分解,從每幅圖像中均提取出12個(gè)紋理特征參數(shù)并降維,遴選得到8個(gè)參數(shù);再基于這些紋理特征參數(shù),利用SVM算法對(duì)試驗(yàn)圖像進(jìn)行有效的分類和預(yù)測(cè).力求以良好的分類預(yù)測(cè)結(jié)果為臨床醫(yī)師提供一種DMD罕見病的輔助診斷方法,以此作為DMD無(wú)創(chuàng)檢測(cè)的技術(shù)探索.

1數(shù)據(jù)采集與試驗(yàn)方法

1.1數(shù)據(jù)采集

本文涉及的所有樣本數(shù)據(jù)均來(lái)自上海交通大學(xué)附屬新華醫(yī)院小兒神經(jīng)科門診,以受檢者的MRI圖像為試驗(yàn)數(shù)據(jù)對(duì)象,利用GE SIGNA HORIZON 1.5T磁共振成像儀進(jìn)行MRI成像.根據(jù)DMD病變位置選定分析圖像,共獲取有效的MRI圖像244幅,包括127幅患者圖像和117幅健康兒童圖像.DMD罕見病患者組(8.4±1.7歲)與健康兒童對(duì)照組(8.8±1.9歲)的人數(shù)各15例,均為男性.DMD患者組均為經(jīng)肌肉活檢后,病理結(jié)果確診為DMD罕見病患者;健康兒童對(duì)照組均為運(yùn)動(dòng)發(fā)育正常、無(wú)慢性疾病史、無(wú)遺傳性疾病家族史的志愿者.本項(xiàng)研究已獲得受檢者家屬的知情同意.

圖像樣例如圖1所示.

圖1　DMD患者和健康兒童的MRI圖像樣例

1.2試驗(yàn)方法

1.2.1利用小波變換提取MRI圖像的紋理特征參數(shù)

DMD罕見病患者骨骼肌的病理變化主要表現(xiàn)為肌纖維退變、壞死和再生,間質(zhì)中有明顯的纖維組織和脂肪組織增生,故導(dǎo)致其MRI圖像上的高亮度信號(hào)發(fā)生改變.目前已有很多方法來(lái)提取紋理特征,如結(jié)構(gòu)分析方法、模型化方法、統(tǒng)計(jì)分析方法和頻譜分析方法等[9].頻譜分析方法中的小波變換法是近年來(lái)廣泛應(yīng)用的數(shù)學(xué)工具,它可進(jìn)行時(shí)間變換和頻率變換,具有多分辨率分析的特點(diǎn),且在時(shí)頻兩域均具備表征信號(hào)局部特征的能力[10],故本文采用小波變換法來(lái)提取圖像的紋理特征信息.利用尺度函數(shù)和小波函數(shù)的正交性,通過(guò)二維小波變換,從所選定的每幅MRI圖像(包括DMD罕見病患者及健康對(duì)照組)中分別提取出12個(gè)紋理特征參數(shù).二維小波變換的分解算法過(guò)程如下:

(1)

(2)

(3)

(4)

本研究選取DB作為小波基函數(shù),其消失矩陣的階數(shù)選定為4,分別對(duì)MRI圖像進(jìn)行尺度L=2,3,4的分解.由小波變換過(guò)程可知,對(duì)一幅圖像每做一次(層)小波變換,即可獲得水平(H)、垂直(V)和對(duì)角(D)共3組小波系數(shù),這是最基本的小波變換系數(shù).進(jìn)一步地,分別對(duì)水平、垂直、對(duì)角以及全部小波系數(shù)求取均值、方差和能量,即可獲得每幅圖像在第i(i=2,3,4)層上的12個(gè)紋理特征參數(shù),分別是:水平均值、水平方差和水平能量;垂直均值、垂直方差和垂直能量;對(duì)角均值、對(duì)角方差和對(duì)角能量;全部均值、全部方差和全部能量.

1.2.2利用主成分分析進(jìn)行圖像紋理特征降維

主成分分析(PCA)又稱主分量分析,由Pearson于1901年最先提出,又由Hotelling于1933年做了進(jìn)一步發(fā)展.PCA是一種優(yōu)秀的多元統(tǒng)計(jì)方法,從數(shù)學(xué)角度看,這是一種數(shù)據(jù)的降維處理技術(shù),能將多個(gè)變量合并成少數(shù)幾個(gè)不相關(guān)的綜合指標(biāo)[11].PCA是對(duì)一系列相關(guān)的變量進(jìn)行正交變換,得到一些彼此互不相關(guān)的變量,即主成分.實(shí)際應(yīng)用中,一般要從所有主成分中提取累計(jì)貢獻(xiàn)率盡可能高的綜合變量[12].

為提升預(yù)測(cè)模型性能,故考慮利用PCA進(jìn)行參數(shù)降維,在保證模型精度的前提下,力求以較少的參數(shù)個(gè)數(shù)達(dá)到試驗(yàn)?zāi)康?根據(jù)特征根λc的數(shù)值決定提取主成分的數(shù)目.設(shè)置λc=1,即方差大于等于1的所有主成分將被保留,其余均被舍棄.以分解尺度L=2為例,經(jīng)PCA分析后可得到3個(gè)貢獻(xiàn)率最大的主成分,這3個(gè)主成分對(duì)整體的累積貢獻(xiàn)率達(dá)到83.67%.圖2給出了主成分碎石圖,即按特征根從大到小排列的主成分散點(diǎn)圖.可見,前3個(gè)主成分特征根的變化非常明顯,后9個(gè)特征根的變化趨于平穩(wěn),因此提取3個(gè)主成分較為合適.根據(jù)紋理特征參數(shù)對(duì)主成分的貢獻(xiàn)情況,遴選得到8個(gè)紋理特征參數(shù),分別是全部方差、全部能量、對(duì)角能量、對(duì)角方差、垂直能量、垂直方差、水平能量、水平方差.

圖2　主成分碎石圖

1.2.3支持向量機(jī)分類器設(shè)計(jì)

支持向量機(jī)(SVM)是建立在統(tǒng)計(jì)學(xué)習(xí)的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論基礎(chǔ)上的一種機(jī)器學(xué)習(xí)方法,在解決小樣本、非線性和高維度模式識(shí)別的問(wèn)題中表現(xiàn)出極大優(yōu)勢(shì)[13].該理論的關(guān)鍵在于引入了核函數(shù)概念.由于低維空間內(nèi)的樣本集常常難以被準(zhǔn)確分類,可將低維空間內(nèi)的樣本集映射到高維空間,但會(huì)因此增加計(jì)算復(fù)雜度.核函數(shù)的引入完美地解決了該難題,大大提高了機(jī)器學(xué)習(xí)的非線性處理能力.常用的非線性核函數(shù)有徑向基核函數(shù)(RBF)、多項(xiàng)式核函數(shù)和sigmoid核函數(shù),其中RBF應(yīng)用最廣泛[14-15].有研究證明,RBF是一種普適核函數(shù),其收斂域較寬,是比較理想的分類函數(shù)[16-17],其表達(dá)式為

(5)

式中:x為空間任一點(diǎn);y為核函數(shù)的中心;γ為內(nèi)核參數(shù),改變?chǔ)弥禃?huì)令映射函數(shù)隨之改變,從而決定了線性分類所能達(dá)到的最小誤差值.另外,RBF還需確定懲罰因子C,該參數(shù)用來(lái)控制對(duì)于錯(cuò)分樣本的懲罰程度.

試驗(yàn)圖像被隨機(jī)分成10組,并保證每組中病人圖像和正常人圖像的分布情況接近總體分布.采用十折交叉驗(yàn)證法組織樣本數(shù)據(jù),訓(xùn)練模型并實(shí)現(xiàn)對(duì)測(cè)試樣本的分類預(yù)測(cè).研究選用RBF作為SVM的核函數(shù),同時(shí)設(shè)置多種(C,γ)組合,根據(jù)以往研究經(jīng)驗(yàn),依次選擇C=1,10,100,1 000;γ=0.083,5,80,1 000.比較預(yù)測(cè)結(jié)果隨16種(C,γ)組合的變化情況,確定最優(yōu)(C,γ)組合,以獲得推廣能力最優(yōu)的SVM模型.

2試驗(yàn)結(jié)果

從每幅圖像中分別提取出12個(gè)紋理特征參數(shù),分別是水平均值、水平方差和水平能量;垂直均值、垂直方差和垂直能量;對(duì)角均值、對(duì)角方差和對(duì)角能量;全部均值、全部方差和全部能量.以某位DMD患者的某幅試驗(yàn)圖像為例進(jìn)行數(shù)據(jù)展示,歸一化后的參數(shù)示例如表1所示.

表1　某DMD患者的某幅試驗(yàn)圖像的紋理特征參數(shù)(歸一化后)

在臨床醫(yī)學(xué)上,通?？捎渺`敏度來(lái)衡量試驗(yàn)方法正確地判定患病者的能力,可用特異度來(lái)衡量試驗(yàn)方法正確地判定無(wú)病者的能力.

圖3　不同(C,γ)參數(shù)組合下的靈敏度

3分析與討論

由圖4可知,在后8組(C,γ)參數(shù)組合下,對(duì)圖像進(jìn)行尺度L=2和L=4的小波分解時(shí),均出現(xiàn)了特異度大幅為零的情況,且L=3時(shí)的分類預(yù)測(cè)效果也不理想,故只保留前8組組合.

3.1最優(yōu)分解尺度

在3個(gè)分解尺度L=2,3,4中,L=2是最優(yōu)的.表2分別給出了MRI圖像在3個(gè)分解尺度下的圖3和圖4分別為對(duì)MRI圖像進(jìn)行尺度L=2,3,4的小波分解后,再對(duì)所得統(tǒng)計(jì)數(shù)據(jù)進(jìn)行分類預(yù)測(cè)的靈敏度和特異度.其中,橫坐標(biāo)為16種(C,γ)參數(shù)組合.

圖4　不同(C,γ)參數(shù)組合下的特異度

靈敏度和特異度的8組統(tǒng)計(jì)結(jié)果(均值±方差).可以看出,在3個(gè)分解尺度中,L=2的分類結(jié)果最好.

表2　MRI圖像在L=2,3,4下的分類結(jié)果

再利用t檢驗(yàn)對(duì)3個(gè)尺度分別進(jìn)行兩兩差異性檢驗(yàn),如表3所示.可知試驗(yàn)圖像的3個(gè)分解尺度之間均存在顯著性差異(p<0.05).

表3　3個(gè)尺度下的差異性檢查

因此,在3個(gè)分解尺度中,L=2是最優(yōu)分解尺度.故只需對(duì)MRI圖像進(jìn)行L=2的小波分解,即可提取最有效的紋理特征參數(shù).

3.2(C,γ)組合對(duì)分類結(jié)果的影響

在本文所選取的16種(C,γ)組合下,SVM模型的分類結(jié)果有以下特點(diǎn):當(dāng)C呈增加趨勢(shì)時(shí),在本文所選取的參數(shù)組合中,模型對(duì)DMD患者和健康兒童的預(yù)測(cè)差異均不大,即樣本預(yù)測(cè)的靈敏度和特異度受懲罰因子C的影響不大;當(dāng)γ呈增加趨勢(shì)時(shí),在本文所選取的參數(shù)組合中,模型對(duì)DMD患者的預(yù)測(cè)差異不大,即樣本預(yù)測(cè)的靈敏度受內(nèi)核參數(shù)γ的影響不大.但當(dāng)γ增加時(shí),模型對(duì)健康兒童的預(yù)測(cè)能力急劇下降,即特異度迅速降低,甚至出現(xiàn)了特異度大幅度為零的情況.其變化趨勢(shì)如圖5所示.

圖5　不同(C,γ)參數(shù)組合下的特異度變化趨勢(shì)

綜合以上分析,再結(jié)合原始試驗(yàn)數(shù)據(jù)可知:對(duì)MRI圖像進(jìn)行L=2的小波分解后,可得到最有效的紋理特征參數(shù).針對(duì)這些參數(shù)的分類預(yù)測(cè)問(wèn)題,RBF的最優(yōu)(C,γ)參數(shù)組合共有4組,分別是(1,0.083)、(10,0.083)、(100,0.083)及(1000,0.083).其中(1,0.083)組合的分類預(yù)測(cè)效果最好,其分類預(yù)測(cè)的靈敏度、特異度和分類準(zhǔn)確率分別可達(dá)96.9%,97.3%和97.1%.

為檢驗(yàn)所遴選的8個(gè)參數(shù)能否充分表征試驗(yàn)圖像的特征,本研究再利用最初的12個(gè)參數(shù)進(jìn)行同樣的分類預(yù)測(cè)試驗(yàn),仍采用十折交叉驗(yàn)證,并保證樣本的組織形式不變.結(jié)果顯示,其分類預(yù)測(cè)的靈敏度、特異度和分類準(zhǔn)確率分別是97.6%,97.3%和97.5%.可見,利用所遴選的這8個(gè)紋理特征參數(shù)來(lái)進(jìn)行分類預(yù)測(cè),其試驗(yàn)精度幾乎沒有降低.

4結(jié)論

利用小波變換及主成分分析,從試驗(yàn)圖像中優(yōu)化提取8個(gè)紋理特征參數(shù),對(duì)這些參數(shù)進(jìn)行基于SVM的建模,以實(shí)現(xiàn)對(duì)MRI圖像的分類預(yù)測(cè).根據(jù)分類預(yù)測(cè)結(jié)果可知,若選擇合適的小波基函數(shù)、小波分解尺度、SVM分類器核函數(shù)及相關(guān)參數(shù)組合,則該模型具有極高的分類預(yù)測(cè)精度,其靈敏度、特異度和分類準(zhǔn)確率分別可達(dá)96.9%,97.3%和97.1%.因此,本文所提及的試驗(yàn)方法是判斷該受檢者是否罹患DMD的一種可行的輔助診斷手段,能有效降低因有創(chuàng)檢測(cè)帶來(lái)的巨大身心痛苦,可作為DMD罕見病無(wú)創(chuàng)檢測(cè)的嘗試探索.

參考文獻(xiàn)：

[1]黃艷軍,郭虎,何燕,等.Duchenne肌營(yíng)養(yǎng)不良15例臨床及基因分析并文獻(xiàn)復(fù)習(xí)[J].中華臨床醫(yī)師雜志(電子版),2014,8(7):1275-1278.

[2]李悅,李小明,卜碧濤.磁共振在肌肉疾病診斷中的應(yīng)用[J].神經(jīng)損傷與功能重建,2011,6(4):302-304.

[3]Del Gaizo A,Banerjee S,Terk M.Adult onset glycogen storage disease type II (adult onset Pompe disease):report and magnetic resonance images of two cases[J].Skeletal Radiology,2009,38(12):1205-1208.

[4]Liu C,Yang T,Wang J,et al.Primary methods and applications of image texture research in computer-aided diagnosis[J].Journal of Clinical Rehabilitative Tissue Engineering Research,2009,13(39):7721-7727.

[5]謝紅梅,連宇,彭進(jìn)業(yè).基于Ncut分割和SVM分類器的醫(yī)學(xué)圖像分類算法[J].數(shù)據(jù)采集與處理,2009,24(6):734-737.

[6]Sohail A S M,Bhattacharya P,Mudur S P,et al.Classification of ultrasound medical images using distance based feature selection and fuzzy-SVM[C]∥Proceeding of the 5th Iberian Conference.Berlin Heidelberg:Springer,2011:176-183.

[7]Sela Y,Freiman M,Dery E,et al.fMRI-based hierarchical SVM model for the classification and grading of liver fibrosis[J].IEEE Transactions on Biomedical Engineering,2011,58(9):2574-2581.

[8]Fan Y,Resnick S M,Davatzikos C.Feature selection and classification of multiparametric medical images using bagging and SVM[C]∥Proceedings of the SPIE,2008:6914.

[9]劉麗,匡綱要.圖像紋理特征提取方法綜述[J].中國(guó)圖象圖形學(xué)報(bào),2009,14(4):622-635.

[10]張德豐.MATLAB小波分析[M].2版.北京:機(jī)械工業(yè)出版社,2012.

[11]洪素珍.如何有效利用主成分分析中的主成分[D].武漢:華中師范大學(xué),2008.

[12]李小娟.基于支持向量機(jī)的醫(yī)學(xué)圖像相關(guān)技術(shù)研究[D].沈陽(yáng):沈陽(yáng)理工大學(xué),2013.

[13]丁世飛,齊丙娟,譚紅艷.支持向量機(jī)理論與算法研究綜述[J].電子科技大學(xué)學(xué)報(bào),2011,40(1):2-10.

[14]王斐.基于多核函數(shù)SVM的非平衡數(shù)據(jù)分類研究[D].鎮(zhèn)江:江蘇大學(xué),2013.

[15]奉國(guó)和.SVM分類核函數(shù)及參數(shù)選擇比較[J].計(jì)算機(jī)工程與應(yīng)用,2011,47(3):123-124.

[16]周紹磊,廖劍,史賢俊.RBF-SVM的核參數(shù)選擇方法及其在故障診斷中的應(yīng)用[J].電子測(cè)量與儀器學(xué)報(bào),2014,28(3):240-246.

[17]王霞,王占岐,金貴,等.基于核函數(shù)支持向量回歸機(jī)的耕地面積預(yù)測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào),2014,30(4):204-211.

(編輯:董偉)

Classification Prediction of Duchenne Muscular Dystrophy with a Machine Learning Method

ZHANG MingHuan1,2,CHEN Ying2,SHEN Ying3,MA JunShan1

(1.School of Optical Electrical and Computer Engineering,University of Shanghai for Science and Technology,Shanghai 200093,China; 2.College of Information Science and Technology,Sanda University,Shanghai 201209,China; 3.Xin Hua Hospital Affiliated to Shanghai Jiao Tong University School of Medicine,Shanghai 200092,China)

Abstract：To diagnose and test the orphan neuromuscular disease——Duchenne muscular dystrophy (DMD) in early stage,an experimental plan was designed.First,the magnetic resonance images (MRI) for DMD patients and healthy persons were decomposed into wavelets by using wavelet transform technique.Then,the dimension reduction was conducted with respect to the texture feature parameters extracted from the decomposed images.In the end,on the basis of the texture feature parameters,the classification and prediction of these images were carried out by using support vector machines (SVM).The results show that if the suitable combination of wavelet function,decomposed scale,kernel function and related parameters were selected,the classification sensitivity,specificity and overall correct classification rate of the MRI images can reach 96.9%, 97.3% and 97.1% respectively.This plan might provide an objective and effective auxiliary method for clinical diagnoses.

Keywords：Duchenne muscular dystrophy; noninvasive detection; magnetic resonance image; texture feature; wavelet transform;support vector machine

中圖分類號(hào)：Q 334

文獻(xiàn)標(biāo)志碼：A

通信作者：馬軍山(1967-),男,教授.研究方向:光學(xué)工程、生物醫(yī)學(xué)工程.E-mail:junshanma@163.com

基金項(xiàng)目：上海市民辦高校重點(diǎn)科研項(xiàng)目(2016-SHNGE-01ZD);IBM大學(xué)合作部聯(lián)合研究項(xiàng)目(D-2111-15-001)

收稿日期：2015-05-07

DOI：10.13255/j.cnki.jusst.2016.02.010

文章編號(hào)：1007-6735(2016)02-0154-06

第一作者： 章鳴嬛(1980-),女,博士研究生.研究方向:醫(yī)學(xué)圖像處理.E-mail@zmh_cd@163.com