基于显着性折叠数据的 LBP 特征 SVM 医学图像分类
本文介绍了一种新的方法，结合区域提议和显著性检测的方法，通过 ChestX-ray14 数据集，证明该模型在弱监督下疾病诊断和定位方面的性能已经成为新的 state-of-the-art。
May, 2020
本文通过将更多的权重分配给相关特征，使用最大偏差原则构建预计算内核函数，利用加权特征支持向量机 (WFSVM) 自动分类良性或恶性的乳腺组织类型，将 MIAS 乳腺 X 线图像数据库分为训练和测试集，并使用预处理技术和特征提取，结果显示使用 WFSVM 分类器的纹理特征的准确性优于其他特征，并且支持向量的数量少于 SVM 分类器。
Sep, 2020
本文提出了一个神经网络模型，利用全局关注图和多个局部区域的信息来分类乳腺癌病变，该模型能够在筛查乳腺 X 线照片的解释方面实现放射科医师水平的性能，并生成可能的恶性发现的像素级显著图。
Jun, 2019
我们的研究旨在利用 CT 扫描图像质量增强方法和自适应局部二进制模式（A-LBP）特征提取方法，结合五个分类器和软投票方法，实现对肾脏异常的自动检测，并取得 99% 以上的准确率。
Apr, 2024
为解决医学影像诊断过程中对多种异常区域进行定位的难题，在仅有图像层级标签的情况下，本文提出了一种新颖的多分辨率学习模型，借助 Log-Sum-Exp 池化函数和可学习的下边界适应方法构建尖锐性先前概率，生成高分辨率的显著图，并且在解读胸部 X 光片方面取得了最新的最佳性能。
Mar, 2018
该研究旨在提出生成和使用条形码来注释医学图像及其感兴趣的区域，以加强现有基于特征的分类模式的图像检索方法的准确性，使用 Radon 条形码和 IRMA X-ray 数据集验证了它的有效性。
May, 2015
介绍了二维、时空三维和四维等不同领域中最具代表性的 Local binary patterns 及其变种，探讨了其应用，包括纹理、图像描述和信号分析等，同时简要概述了其未来的研究挑战。
Dec, 2016
提出了一种利用空间分层技术的新型无监督医学图像特征提取方法，并提出了基于权重的目标函数以实现快速图像识别。该算法将图像的像素分为多个子域，并使用四叉树访问图像。利用单纯形算法提出了一种阈值优化技术。针对高光谱图像的非线性特征，提出了一种基于核函数的广义判别分析算法。该方法不仅可以克服传统方法易受光线影响的缺点，还可以快速准确地提取目标特征，对临床诊断具有重要的参考意义。
May, 2024
本研究提出了一种采用卷积神经网络和 Radon 条形码的医学图像检索方法，结果表明其在医疗图像中检索方面的表现优于其他已发表的方法。
Apr, 2016
本文提出一种基于多层图像分割的监督学习方法，将区域特征向量映射到显著性得分，最终融合多个级别的得分来产生显著图，同时通过研究区域对比度和背景性质，实现了在六个基准数据集上优于现有方法的显著物体检测算法。
Oct, 2014