基于单数值分解 (SVD) 的图像协调和非协调在医学领域
Huachao Chen1, Xinze Li1, Ka-Hou Chan1
1Faculty of Applied Sciences, Macao Polytechnic University, Macao, China.
Quantitative imaging in medicine and surgery
|August 11, 2025
概括
这项研究引入了用于医疗图像协调的新奇奇值分解 (SVD) 算法. 这些方法提高了图像的一致性和质量,同时保留了诊断细节,提高了机器学习性能.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 图像处理 图像处理
背景情况:
- 医学成像变化导致不一致,阻碍诊断准确性和AI模型性能.
- 现有的协调技术往往会损害关键的图像细节.
- 这项研究解决了图像的变异性,同时保留了必要的诊断信息.
研究的目的:
- 开发基于单一值分解 (SVD) 的新协调和脱协调算法.
- 确保在各种医学成像条件中保持一致性.
- 为了在医学图像中保存重要的诊断信息.
主要方法:
- 利用SVD将图像分解成频段,进行有针对性的调整.
- 将SVD应用于RGB频道,以选择性增强相关结构和对比度正常化.
- 综合的协调和脱协调过程,通过对不同数据集的同类学和异质学实验 (MNIST,USPS,DRIVE,CHASE_DB1,RSNAbreast,INbreast) 进行验证.
主要成果:
- 在图像质量和效率方面,SVD算法超过了传统方法.
- 在数字分类中实现了高精度 (例如,在MNIST上99.21%).
- 在视网膜血管细分 (AUC高达0.982) 和乳腺癌检测 (AUC高达0.934) 中表现强.
结论:
- 基于SVD的算法为医疗图像变化提供了强大的解决方案.
- 这些技术提高了数据集和模式的视觉质量和临床实用性.
- 证明了提高机器学习模型在医学成像任务中的有效性的潜力.
