临床与医学科学杂志

抽象的

最先进的纹理特征提取技术在医学图像任务中的性能评估

塞缪尔·库西-杜阿*、奥贝德·阿皮亚、彼得·阿皮亚尼

目的：解释医学图像无疑是一项复杂的任务，需要广泛的知识。根据计算机辅助诊断 (CAD) 的说法，它可作为第二种意见，帮助放射科医生进行诊断，另一方面，基于内容的图像检索使用视觉内容帮助用户根据用户的兴趣从数据库中浏览、搜索和检索类似的医学图像。CBMIR 系统的能力取决于特征提取方法。纹理特征对于确定医学图像的内容非常重要。纹理特征提供场景深度、色调变化的空间分布和表面方向。因此，本研究旨在比较和评估 CBMIR 中的一些手工制作的纹理特征提取技术。这是为了帮助那些致力于增强 CBIR 系统的人们做出明智的决定，选择最佳的纹理特征提取技术。

方法：由于在考虑为 CBMIR 系统中的特定研究选择哪种技术时，没有明确的迹象表明哪种纹理特征提取技术最适合给定的性能指标。因此，这项工作的目的是使用以下指标比较评估以下纹理特征提取技术的性能：局部二值模式 (LBP)、Gabor 滤波器、灰度共生矩阵 (GLCM)、Haralick 描述符、加速段测试特征 (FAST) 和加速段测试特征和二元稳健独立基本特征 (FAST 和 BRIEF)；精度、召回率、F1 分数、均方误差 (MSE)、准确度和时间。这些技术与特定的相似性测量相结合以获得结果。

结果：结果表明，LBP、Haralick 描述符、FAST 和 GLCM 在（精度和准确度）、时间、F1 分数和召回率方面分别取得了最佳结果。LBP 的精度和准确度分别为 82.05% 和 88.23%。以下分数分别代表 Haralick 描述符、FAST 和 GLCM 模型的性能；0.88 秒、38.7% 和 44.82%。这些测试分数是从 1 k-10.5 k 范围内的数据集获得的。

结论：除了 LBP 优于上述其他 5 种模型外，它还优于以下提出的模型。Tamura 纹理特征和小波变换与 Hausdorff 距离相结合，分别在（精度、准确率和召回率）和（精度和召回率）方面以及可能的 F1 分数方面表现出色（因为 F1 分数是精度和召回率的加权平均值）。人们认为，LBP、Haralick 描述符和支持向量机 (SVM) 的集合可以代表一个强大的医学图像检索和分类系统。