内科学：开放获取
开放获取

抽象的

医学图像检索分类的监督学习方法

Ranjana Battur*、Jagadisha N

生物医学工程的进步对医疗或保健行业意义重大。然而，它面临着如何将其应用于医疗保健方面的医学和生物学等问题。近年来，编程和设备创新的快速发展使得保持有益图像积累的问题变得简单。诸如阴影、形状和构图之类的视觉元素被实现用于图像检索。传统的图像索引策略在空间和时间方面已被证明既不合理也不有效，因此引发了新方法的进步。一种称为基于内容的图像检索（CBIR）的新概念有利于预测具有不同成像模式、具有不同方向和生物方案的解剖区域的不同类型的医学图像。医学图像检索的分类是医学图像组的主要关注点。因此，支持向量机（SVM）分类器有利于基于相似性匹配的查询和数据库图像的分组预测。对于所有不同类型的查询，有效地检测比较图像的特征是非常困难的。因此，所提出的SVM-MIR旨在使用SVM分类器方法对生物医学图像进行分类和检索。基于 SVM-MIR 的分类考虑了许多组医学图像进行分析。与现有方法相比，所提出的 SVM-MIR 方法的结果实现了更好的性能。支持向量机（SVM）分类器有利于基于相似性匹配的查询和数据库图像的分组预测。对于所有不同类型的查询，有效地检测比较图像的特征是非常困难的。因此，所提出的SVM-MIR旨在使用SVM分类器方法对生物医学图像进行分类和检索。基于 SVM-MIR 的分类考虑了许多组医学图像进行分析。与现有方法相比，所提出的 SVM-MIR 方法的结果实现了更好的性能。支持向量机（SVM）分类器有利于基于相似性匹配的查询和数据库图像的分组预测。对于所有不同类型的查询，有效地检测比较图像的特征是非常困难的。因此，所提出的SVM-MIR旨在使用SVM分类器方法对生物医学图像进行分类和检索。基于 SVM-MIR 的分类考虑了许多组医学图像进行分析。与现有方法相比，所提出的 SVM-MIR 方法的结果实现了更好的性能。基于 SVM-MIR 的分类考虑了许多组医学图像进行分析。与现有方法相比，所提出的 SVM-MIR 方法的结果实现了更好的性能。基于 SVM-MIR 的分类考虑了许多组医学图像进行分析。与现有方法相比，所提出的 SVM-MIR 方法的结果实现了更好的性能。