CN103793711A - 一种基于脑部核磁共振图像的多维度纹理提取方法 - Google Patents
一种基于脑部核磁共振图像的多维度纹理提取方法 Download PDFInfo
- Publication number
- CN103793711A CN103793711A CN201410023305.4A CN201410023305A CN103793711A CN 103793711 A CN103793711 A CN 103793711A CN 201410023305 A CN201410023305 A CN 201410023305A CN 103793711 A CN103793711 A CN 103793711A
- Authority
- CN
- China
- Prior art keywords
- entropy
- energy
- poor
- correlativity
- region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于人群脑部核磁共振图像的多维度纹理提取方法,运用区域增长法将人群脑部核磁共振图像中感兴趣区域分割出来,采用Curvelet变换和Contourlet变换方法提取感兴趣区域的纹理特征参数,其中所述人群包括阿尔茨海默病人群体,轻度认知障碍病人群体和正常老年人群体,所述的感兴趣区域的纹理特征参数包括熵、灰度均值、相关性、能量、同质度、方差、最大概率、逆差距、聚类趋势、对比度、和的均值、差的均值、和的熵、差的熵,所述感兴趣区域包括内嗅皮层和海马两个区域。
Description
技术领域:
本发明属于医学技术领域,具体涉及一种基于脑部核磁共振图像(MRI)的多维度纹理提取方法。
背景技术:
在辅助诊断早期阿尔茨海默病(AD)中,识别MRI图像中ROIs(包括内嗅皮层,海马)的性质具有重要意义。但MRI影像技术只能以海马萎缩作为区别患者和正常人的指标之一,医生对MRI图像的解释易受主观个人影响,缺乏一致性,且不易准确评价痴呆患者症状的严重程度。
1、现有的图像处理技术有以下5种:
1)区域增长法(Region-growing Method):
该方法利用了图像的局部空间信息,可有效克服其它方法存在的图像分割空间不连续的缺点,但尚没有人用该方法进行脑部MRI图像的处理。
2)灰度共生矩阵(GLCM):
以往仅有少量相关研究中采用灰度共生矩阵法提取的纹理特征参数,这对于根据脑部MRI图像纹理特征诊断早期AD、MCI还远远不够。
3)小波变换(Wavelet Transformation):
小波变换形成的特征向量虽然能够在一定程度上对图像进行精确描述,但是利用小波变换提取图像中ROIs纹理特征存在着检索精度不高的缺点。
4)第二代小波变换(Curvelet变换):
继上世纪80年代后期发展起来的小波变换之后,1996年Swendens提出了先进的第二代小波变换,在基函数算法上也在不断改进,1998年E.J.Candes提出了Ridgelet变换、1999年E.J.Candes和D.L.Donoho发明了Curvelet变换新算法:
其中:2-j为尺度、θl为方向角θl、为位置R为转换弧度,2006年又提出了快速离散Curvelet变换。第二代小波变换不但保留了小波变换(Wavelet Transformation)方法多尺度的优点,同时还具有各向异性特点,能够很好地逼近奇异曲线,比Wavelet Transformation更加适合分析二维图像中的曲线或边缘特征,而且具有更高的逼近精度和更好的稀疏表达能力,能够为图像提供一种比Wavelet Transformation多分辨分析更加精确的方法。
5)Contourlet变换
Contourlet变换继承了Curvelet变换的各向异性尺度关系,在一定意义上它是Curvelet变换的另一种实现方式。Contourlet变换的基本思想是首先用一个类似小波的多尺度分解捕捉边缘奇异点,再根据方向信息将位置相近的奇异点汇集成轮廓段。
Contourlet变换可分为两个部分:拉普拉斯塔式滤波器结构(LaplacianPyramid,LP)和二维方向滤波器组(Directional Filter Bank,DFB)。LP分解首先产生原始信号的一个低通采样逼近及原始图像与低通预测图像之间的一个差值图像,对得到的低通图像继续分解得到下一层的低通图像和差值图像,如此逐步滤波得到图像的多分辨率分解;DFB滤波器组使用扇形结构的共轭镜像滤波器组以避免对输入信号的调制,同时将1层二叉树状结构的方向滤波器变成了21个并行通道的结构。
Contourlet变换是一种新的图像二维表示方法,具有多分辨率、局部定位、多方向性、近邻界采样和各向异性等性质,其基函数分布于多尺度、多方向上,少量系数即可有效地捕捉图像中的边缘轮廓,而边缘轮廓正是图像中的主要特征。
但是这些新方法在处理不同部位的MRI图像时,需要利用基函数重新构造新算法、选取适宜的参数,因此仍有许多理论问题值得研究。Contourlet变换已经成功地用于图像融合等实际问题,而用于脑部图像纹理特征提取的文献报道凤毛麟角。目前所查阅的文献中,仅有人使用GLCM和Wavelet变换对AD组及正常组脑部MRI图像提取纹理特征并建立预测模型,以诊断结果准确性对上述两种方法进行比较,发现采用GLCM提取纹理建模预测效果优于Wavelet变换。目前尚未见有人使用第二代小波变换以及Contourlet变换进行AD脑部MRI图像纹理提取。因此,需要结合上述现有技术的优点,并克服其不足,对图像的处理方法进行改进,以达到提高早期AD、MCI诊断率的目的。
2、常用的预测模型:
支持向量机(Support Vector Machine,SVM):
支持向量机是建立在统计学***面,使得该超平面在保证分类精度的同时,能够使超平面两侧的空白区域最大化。
理论上,支持向量机能够实现对线性可分数据的最优分类。以两类数据分类为例,给定训练样本集(xi,yj),i=1,2,…,l,x∈{±1},超平面记作(w·x)+b=0,为使分类面对所有样本正确分类并且具备分类间隔,就要求它满足如下约束:yi[(w·xi)+b]≥1,i=1,2,…,l,可以计算出分类间隔为2/||w||,因此构造最优超平面的问题就转化为在约束式下求:
为了解决该个约束最优化问题,引入Lagrange函数:
式中,αi>0为Lagrange乘数。约束最优化问题的解由Lagrange函数的鞍点决定,并且最优化问题的解在鞍点处满足对w和b的偏导为0,将该QP问题转化为相应的对偶问题即:
解得最优解
计算最优权值向量w*和最优偏置b*,分别为:
(w*·x)+b*=0,而最优分类函数为:
对于线性不可分情况,SVM的主要思想是将输人向量映射到一个高维的特征向量空间,并在该特征空间中构造最优分类面。
将x做从输入空间Rn到特征空间H的变换φ,得:
x→φ(x)=(φ1(x),φ2(x),…φl(x))T
以特征向量φ(x)代替输入向量x,则可以得到最优分类函数为:
发明内容:
本发明的目的在于提供一种对含有MCI、早期AD患者病灶以及正常老年人群ROIs的MRI图像的分割方法以及提取纹理特征的方法,建立多种预测模型,以便更有效的发现MCI患者,诊断早期AD以及观测正常老年人群的脑部结构改变。
本发明综合了现有技术中的区域增长法、灰度共生矩阵、小波变换等方法的优点,并加以改进,运用Curvelet变换和Contourlet变换提取ROIs的边缘纹理特征,纹理提取方法全面、新颖,能够达到发明目的。
本发明用以下主要技术路线建立了一种对含有MCI、早期AD患者病灶以及正常老年人ROIs的MRI图像的分割以及提取纹理特征的方法(具体程序见图4),并据此建立了判断相关ROIs性质的预测模型:
1)建立ROIs图像库;
2)运用区域增长法将图像中相关ROIs分割出来;
3)采用Curvelet变换和Contourlet变换处理图像,提取以下各变量:熵(熵)、灰度均值(灰度均值)、相关性(相关性)、能量(能量)、同质度(同质度geneity)、方差(Variance)、最大概率(Maximum probability,最大概率)、逆差距(Inverse Difference Moment,逆差距)、聚类趋势(Cluster Tendency)、对比度(Contrast)、和的均值(Sun-灰度均值)、差的均值(Difference-灰度均值)、和的熵(Sum-熵)、差的熵(Difference-熵);
4)用步骤2)~3)所得到的各种变量数据建立图像特征参量数据库;
5)根据步骤4)的数据库构建基于Curvelet变换和Contourlet变换的预测模型;建立预测模型的方法包括支持向量机;
6)将步骤5)所得到的各种参量数据与样本经反复验证,以修正预测模型,得到结果比较准确的理想模型。
7)比较步骤5)中基于Curvelet变换和Contourlet变换建立预测模型的预测效果。
目前对于图像的纹理还没有一个统一的定义,一般认为图像的纹理特征描述的是物体表面灰度或颜色的变化,这种变化与物体的自身属性有关,是某种纹理基元的重复。
采用Curvelet变换和Contourlet变换可以得到以下纹理特征参数:
相关性相关性:测量像素灰度的相关性;
本发明用上述方法建立了早期AD预测模型,判断准确度达到了100%。
以下是ROIs内部纹理提取的实例,步骤如下:
1、收集AD、MCI及正常老年人的MRI原始图像(附图说明以正常老年人的MRI图像为例),见图1;
2、用区域增长法分割上述图像,得到图像见图2、图3,分割采用编写好的程序,直接运行即可。
3、采用Curvelet变换和Contourlet变换提取纹理特征参量,每种方法分别有相应程序,直接运行即可,提取的纹理特征参量见表2~表29。
实验结果证明:
表1Curvelet变换与Contourlet变化不同方位差异性分析
由表1可知,Contourlet变换比Curvelet变换能较好反映AD组,MCI组,正常组之间纹理值总体差异性。
采用区域增长法分割ROIs,选取80%的数据作为训练样本,再根据余下20%的数据作为验证样本,以检验通过模型判断ROIs是否病变与病理诊断的一致性,证明通过Contourlet提取脑部MRI图像ROIs外部纹理建立预测早期肺癌的灵敏度、特异度均为100%。
通过以上数据,可以得到结论:采用区域增长法分割脑部MRI图像,并通Contourlet变换提取纹理特征参量建立预测模型对早期AD辅助诊断有很好的效果。
有益效果:
将区域增长法用于脑部MRI的分割,这是本发明的一个创新。经实验证明,区域增长法分割提取纹理建模要更优于整体分割提取纹理建模,能更好的保留结节的边缘信息;
Contourlet是提取脑部MRI图像内部纹理特征的有效方法,可以提取14种纹理特征参数,较全面的反映图像的纹理特征。
附图说明:
图1是正常老年人的MRI原始图像,其中用黑框标注的是ROIs;
图2是图1中用区域增长法分割后得到的左脑ROIs放大图像;
图3是图1中用区域增长法分割后得到的右脑ROIs放大图像;
图4是用本发明方法对脑部MRI图像进行多维度纹理提取的技术路线;
其中,1是左脑海马、内嗅皮层区域;2是右脑海马、内嗅皮层区域。
具体实施方式
以下实例是用本发明方法建立基于含相关ROIs的脑部MRI图像预测AD的模型介绍,这只是对本发明方法的进一步说明,但实例并不限制本发明的应用范围。实际上,用本方法还可对其它类型的医学图像进行性质判断。
图像来源:ADNI网站上共享的AD、MCI及正常老年人的脑部MRI图像,分别为.Nii格式的图像,使用MRIcro软件读取;
方法:采用Matlab软件编程,运用区域增长法将上述MRI图像中的ROIs分割出来,利用Contourlet变换提取相关ROIs的纹理特征参数。
以下是脑部MRI图像ROIs纹理特征参量提取的实例,步骤如下:
1、分别收集AD组病例20例,MCI病例组20例,正常组病例20例总共的250张脑部MRI原始图像,病例年龄为40~89岁,平均年龄为64岁,年龄分布的中位数为60岁。
2、用区域增长法分割图像,分割方式按区域增长法常规方法,采用编写好的程序,设定阈值为35,直接运行。图1是待分割的一个图像举例,得到图像见图2、图3,
3、分别采用Curvelet变换和Contourlet变换提取纹理特征参量,提取的纹理特征参量见表2~表29。
4、采用Curvelet变换和Contourlet变换方法提取脑部MRI图像ROIs分别得到14个纹理特征参量建立预测模型。
5、比较Curvelet变换和Contourlet变换两种纹理提取方法建立预测模型的预测效果。
由12例200张脑部MRI图像作为训练样本集,余下的3例50张脑部MRI图像作为测试样本进行支持向量机进行分类预测,预测效果:灵敏度=100%;特异度=100%;符合率=100%。
实验结果证明:采用区域增长法分割ROIs,选取80%的数据作为训练样本,再根据余下的20%的数据作为验证样本,以检验通过模型判断肺ROIs是否病变与病理诊断的一致性,证明通过对小样本脑部MRI图像ROIs提取纹理特征参量预测早期AD的灵敏度为100%。
通过以上数据,可以得到结论:采用区域增长法分割脑部MRI图像ROIs,并通过Contourlet变换提取纹理特征参量建立预测模型对早期AD的辅助诊断有很好的效果。
Curvelet变换提取的变量见表2~表15,Contourlet变换提取的变量见表16~表29(以AD组编号为136_s_0194的病例纹理值为例)。
表2灰度均值
表3标准差
标准差1 | 标准差2 | 标准差3 | 标准差4 | 标准差5 | 标准差6 |
4.3847711 | 1.42498491 | 1.36818905 | 1.41228397 | 1.462426799 | 1.591283749 |
标准差7 | 标准差8 | 标准差9 | 标准差10 | 标准差11 | 标准差12 |
1.32885786 | 1.9148351 | 1.41065529 | 1.55030154 | 1.367888924 | 1.405432669 |
标准差13 | 标准差14 | 标准差15 | 标准差16 | 标准差17 | 标准差18 |
1.30044057 | 1.579707287 | 1.33576328 | 1.18453501 | 1.427709383 | 1.277003212 |
标准差19 | 标准差20 | 标准差21 | 标准差22 | 标准差23 | 标准差24 |
1.7011195 | 1.443854262 | 1.38209543 | 1.57756675 | 1.392241419 | 1.647125047 |
标准差25 | 标准差26 | 标准差27 | 标准差28 | 标准差29 | 标准差30 |
1.42259127 | 1.430469425 | 1.51028701 | 1.27215853 | 1.311299465 | 1.527251474 |
标准差31 | 标准差32 | 标准差33 | 标准差34 | ||
1.04393555 | 1.52005899 | 1.7647135 | 0.86030865 |
表4聚类趋势
聚类趋势1 | 聚类趋势2 | 聚类趋势3 | 聚类趋势4 | 聚类趋势5 | 聚类趋势6 |
16.3606301 | 16.12439285 | 18.3695153 | 15.9238466 | 13.85499042 | 21.2569512 |
聚类趋势7 | 聚类趋势8 | 聚类趋势9 | 聚类趋势10 | 聚类趋势11 | 聚类趋势12 |
18.661451 | 18.32069429 | 16.9243141 | 17.3187788 | 14.44784022 | 20.6990795 |
聚类趋势13 | 聚类趋势14 | 聚类趋势15 | 聚类趋势16 | 聚类趋势17 | 聚类趋势18 |
11.959189 | 14.13415804 | 17.3955427 | 17.5325772 | 16.98576286 | 14.217201 |
聚类趋势19 | 聚类趋势20 | 聚类趋势21 | 聚类趋势22 | 聚类趋势23 | 聚类趋势24 |
16.8114409 | 15.24536246 | 15.3914861 | 15.5040628 | 15.43258971 | 13.98916839 |
聚类趋势25 | 聚类趋势26 | 聚类趋势27 | 聚类趋势28 | 聚类趋势29 | 聚类趋势30 |
16.331876 | 19.96832162 | 14.7059386 | 16.0655662 | 16.21379157 | 14.04231151 |
聚类趋势31 | 聚类趋势32 | 聚类趋势33 | 聚类趋势34 | ||
18.2942587 | 16.86866386 | 16.5871928 | 16.2555715 |
表5同质度
表6最大概率
表7能量
能量1 | 能量2 | 能量3 | 能量4 | 能量5 | 能量6 |
0.0498905 | 0.1160032 | 0.194533 | 0.173957 | 0.2182537 | 0.12101859 |
能量7 | 能量8 | 能量9 | 能量10 | 能量11 | 能量12 |
0.1489191 | 0.0817874 | 0.091902 | 0.1012048 | 0.1858977 | 0.10748128 |
能量13 | 能量14 | 能量15 | 能量16 | 能量17 | 能量18 |
0.345414 | 0.2464471 | 0.154017 | 0.1991889 | 0.1164763 | 0.12492103 |
能量19 | 能量20 | 能量21 | 能量22 | 能量23 | 能量24 |
0.0749974 | 0.1107258 | 0.164832 | 0.1727838 | 0.1557092 | 0.14539656 |
能量25 | 能量26 | 能量27 | 能量28 | 能量29 | 能量30 |
0.1146461 | 0.1371698 | 0.110386 | 0.1671202 | 0.4645303 | 0.29653236 |
能量31 | 能量32 | 能量33 | 能量34 | ||
0.3057156 | 0.0939511 | 0.084532 | 0.5190262 |
表8惯性矩
表9逆差距
表10熵
熵1 | 熵2 | 熵3 | 熵4 | 熵5 | 熵6 |
1.22035151 | 1.029386659 | 0.82359602 | 0.99692385 | 0.874746461 | 1.07754384 |
熵7 | 熵8 | 熵9 | 熵10 | 熵11 | 熵12 |
0.93065033 | 1.278111547 | 1.12947679 | 1.12073057 | 0.887906447 | 0.932229361 |
熵13 | 熵14 | 熵15 | 熵16 | 熵17 | 熵18 |
0.82547592 | 0.948837401 | 0.85367573 | 0.83820976 | 0.894950428 | 1.001405253 |
熵19 | 熵20 | 熵21 | 熵22 | 熵23 | 熵24 |
1.09676062 | 1.008200647 | 0.81700194 | 0.90675533 | 0.978592281 | 1.211409108 |
熵25 | 熵26 | 熵27 | 熵28 | 熵29 | 熵30 |
1.1444441 | 0.98236792 | 1.07274302 | 0.89660664 | 0.630961017 | 0.800516014 |
熵31 | 熵32 | 熵33 | 熵34 | ||
0.58298469 | 1.029947319 | 1.1837409 | 0.5506891 |
表11相关性
相关性1 | 相关性2 | 相关性3 | 相关性4 | 相关性5 | 相关性6 |
0.9155325 | 0.0907211 | 0.025449 | -0.199867 | -0.036875 | -0.0596785 |
相关性7 | 相关性8 | 相关性9 | 相关性10 | 相关性11 | 相关性12 |
-0.201381 | -0.014917 | -0.0417 | 0.0605341 | 0.0357446 | -0.1837574 |
相关性13 | 相关性14 | 相关性15 | 相关性16 | 相关性17 | 相关性18 |
0.0062253 | -0.031564 | -0.19318 | 0.0178852 | 0.0717881 | 0.02910943 |
相关性19 | 相关性20 | 相关性21 | 相关性22 | 相关性23 | 相关性24 |
0.0133719 | -0.211466 | 0.019258 | 0.016919 | -0.191599 | -0.00425 |
相关性25 | 相关性26 | 相关性27 | 相关性28 | 相关性29 | 相关性30 |
-0.035369 | 0.0656479 | 0.010318 | -0.184086 | 0.0910757 | 0.04394031 |
相关性31 | 相关性32 | 相关性33 | 相关性34 | ||
-0.222713 | -0.009445 | 0.084592 | -0.006333 |
表12和的均数
表13差的均数
表14和的熵
表15差的熵
差的熵1 | 差的熵2 | 差的熵3 | 差的熵4 | 差的熵5 | 差的熵6 |
2.7717822 | 2.7334586 | 2.646782 | 2.852217 | 2.7806391 | 2.90563906 |
差的熵7 | 差的熵8 | 差的熵9 | 差的熵10 | 差的熵11 | 差的熵12 |
2.852217 | 3.25 | 2.646782 | 2.977217 | 3 | 2.77439747 |
差的熵13 | 差的熵14 | 差的熵15 | 差的熵16 | 差的熵17 | 差的熵18 |
2.375 | 2.7806391 | 2.774397 | 2.4746018 | 2.9056391 | 2.64678222 |
差的熵19 | 差的熵20 | 差的熵21 | 差的熵22 | 差的熵23 | 差的熵24 |
3.0778195 | 2.6467822 | 2.608459 | 2.6467822 | 2.7743975 | 2.89939747 |
差的熵25 | 差的熵26 | 差的熵27 | 差的熵28 | 差的熵29 | 差的熵30 |
2.6467822 | 2.7806391 | 2.774397 | 2.7743975 | 2.4362781 | 2.64939747 |
差的熵31 | 差的熵32 | 差的熵33 | 差的熵34 | ||
2.5306391 | 2.7334586 | 3.024397 | 2.2169172 |
表16灰度均值
表17标准差
表18聚类趋势
表19同质度
A-1_1_H | A-1_2_H | A-1_3_H | A-1_4_H | A-1_5_H | A-1_6_H |
0.729353 | 0.85896 | 0.742591 | 0.811983 | 0.707436 | 0.820406 |
A-2_1_H | A-2_2_H | A-2_3_H | A-2_4_H | A-2_5_H | A-2_6_H |
0.673075 | 0.832321 | 0.804619 | 0.818736 | 0.765196 | 0.819104 |
A-3_1_H | A-3_2_H | A-3_3_H | A-3_4_H | A-3_5_H | A-3_6_H |
0.702889 | 0.770329 | 0.731664 | 0.812325 | 0.750113 | 0.823354 |
A-4_1_H | A-4_2_H | A-4_3_H | A-4_4_H | A-4_5_H | A-4_6_H |
0.630094 | 0.809826 | 0.765024 | 0.750887 | 0.722146 | 0.833379 |
A-5_1_H | A-5_2_H | A-5_3_H | A-5_4_H | A-5_5_H | A-5_6_H |
0.784226 | 0.802753 | 0.828898 | 0.824906 | 0.855482 | 0.832783 |
A-6_1_H | A-6_2_H | A-6_3_H | A-6_4_H | A-6_5_H | A-6_6_H |
0.860491 | 0.882292 | 0.902136 | 0.888263 | 0.899928 | 0.892365 |
A-7_1_H | A-7_2_H | A-7_3_H | A-7_4_H | A-7_5_H | A-7_6_H |
0.860491 | 0.872411 | 0.897529 | 0.897329 | 0.909925 | 0.913109 |
A-8_1_H | A-8_2_H | A-8_3_H | A-8_4_H | A-8_5_H | A-8_6_H |
0.720064 | 0.846891 | 0.845386 | 0.786799 | 0.819207 | 0.776603 |
B-1_1_H | B-1_2_H | B-1_3_H | B-1_4_H | B-1_5_H | B-1_6_H |
0.421003 | 0.63488 | 0.678265 | 0.758653 | 0.853534 | 0.902955 |
B-2_1_H | B-2_2_H | B-2_3_H | B-2_4_H | B-2_5_H | B-2_6_H |
0.413449 | 0.723771 | 0.737913 | 0.847828 | 0.900318 | 0.919516 |
B-3_1_H | B-3_2_H | B-3_3_H | B-3_4_H | B-3_5_H | B-3_6_H |
0.404989 | 0.67885 | 0.73714 | 0.734893 | 0.901268 | 0.88582 |
B-4_1_H | B-4_2_H | B-4_3_H | B-4_4_H | B-4_5_H | B-4_6_H |
0.379105 | 0.759241 | 0.706057 | 0.764712 | 0.862515 | 0.842974 |
B-5_1_H | B-5_2_H | B-5_3_H | B-5_4_H | B-5_5_H | B-5_6_H |
0.386228 | 0.803288 | 0.741632 | 0.777376 | 0.934154 | 0.900476 |
B-6_1_H | B-6_2_H | B-6_3_H | B-6_4_H | B-6_5_H | B-6_6_H |
0.492837 | 0.64838 | 0.84093 | 0.804451 | 0.934574 | 0.924924 |
B-7_1_H | B-7_2_H | B-7_3_H | B-7_4_H | B-7_5_H | B-7_6_H |
0.546176 | 0.825809 | 0.848521 | 0.875017 | 0.923975 | 0.925081 |
B-8_1_H | B-8_2_H | B-8_3_H | B-8_4_H | B-8_5_H | B-8_6_H |
0.341506 | 0.648599 | 0.822798 | 0.637463 | 0.89822 | 0.891833 |
表20最大概率
表21能量
A-1_1_能量 | A-1_2_能量 | A-1_3_能量 | A-1_4_能量 | A-1_5_能量 | A-1_6_能量 |
0.329817 | 0.429658 | 0.269169 | 0.357082 | 0.234291 | 0.360617 |
A-2_1_能量 | A-2_2_能量 | A-2_3_能量 | A-2_4_能量 | A-2_5_能量 | A-2_6_能量 |
0.252431 | 0.346633 | 0.319042 | 0.347412 | 0.283623 | 0.357081 |
A-3_1_能量 | A-3_2_能量 | A-3_3_能量 | A-3_4_能量 | A-3_5_能量 | A-3_6_能量 |
0.253393 | 0.27921 | 0.260922 | 0.328612 | 0.279507 | 0.329821 |
A-4_1_能量 | A-4_2_能量 | A-4_3_能量 | A-4_4_能量 | A-4_5_能量 | A-4_6_能量 |
0.262432 | 0.326571 | 0.281119 | 0.268873 | 0.252395 | 0.329804 |
A-5_1_能量 | A-5_2_能量 | A-5_3_能量 | A-5_4_能量 | A-5_5_能量 | A-5_6_能量 |
0.301237 | 0.305192 | 0.347685 | 0.334801 | 0.378429 | 0.328888 |
A-6_1_能量 | A-6_2_能量 | A-6_3_能量 | A-6_4_能量 | A-6_5_能量 | A-6_6_能量 |
0.380532 | 0.397709 | 0.422509 | 0.390428 | 0.431073 | 0.399358 |
A-7_1_能量 | A-7_2_能量 | A-7_3_能量 | A-7_4_能量 | A-7_5_能量 | A-7_6_能量 |
0.380532 | 0.385016 | 0.413217 | 0.421572 | 0.4422 | 0.437127 |
A-8_1_能量 | A-8_2_能量 | A-8_3_能量 | A-8_4_能量 | A-8_5_能量 | A-8_6_能量 |
0.235615 | 0.358153 | 0.365301 | 0.285675 | 0.385935 | 0.285943 |
B-1_1_能量 | B-1_2_能量 | B-1_3_能量 | B-1_4_能量 | B-1_5_能量 | B-1_6_能量 |
0.040559 | 0.152371 | 0.145938 | 0.322172 | 0.562941 | 0.703012 |
B-2_1_能量 | B-2_2_能量 | B-2_3_能量 | B-2_4_能量 | B-2_5_能量 | B-2_6_能量 |
0.047743 | 0.224751 | 0.327096 | 0.587206 | 0.694283 | 0.746295 |
B-3_1_能量 | B-3_2_能量 | B-3_3_能量 | B-3_4_能量 | B-3_5_能量 | B-3_6_能量 |
0.036529 | 0.199446 | 0.271257 | 0.326123 | 0.673829 | 0.615674 |
B-4_1_能量 | B-4_2_能量 | B-4_3_能量 | B-4_4_能量 | B-4_5_能量 | B-4_6_能量 |
0.02904 | 0.37342 | 0.237587 | 0.371034 | 0.590966 | 0.509126 |
B-5_1_能量 | B-5_2_能量 | B-5_3_能量 | B-5_4_能量 | B-5_5_能量 | B-5_6_能量 |
0.028061 | 0.46962 | 0.284735 | 0.343905 | 0.79342 | 0.696714 |
B-6_1_能量 | B-6_2_能量 | B-6_3_能量 | B-6_4_能量 | B-6_5_能量 | B-6_6_能量 |
0.065538 | 0.159744 | 0.563571 | 0.382843 | 0.794607 | 0.754498 |
B-7_1_能量 | B-7_2_能量 | B-7_3_能量 | B-7_4_能量 | B-7_5_能量 | B-7_6_能量 |
0.113649 | 0.562378 | 0.457991 | 0.611939 | 0.732534 | 0.757845 |
B-8_1_能量 | B-8_2_能量 | B-8_3_能量 | B-8_4_能量 | B-8_5_能量 | B-8_6_能量 |
0.027273 | 0.133006 | 0.501218 | 0.126851 | 0.585713 | 0.642467 |
表22惯性矩
表23逆差距
A-1_1_I_D_M | A-1_2_I_D_M | A-1_3_I_D_M | A-1_4_I_D_M | A-1_5_I_D_M | A-1_6_I_D_M |
0.712587 | 0.849413 | 0.720855 | 0.794639 | 0.679748 | 0.804419 |
A-2_1_I_D_M | A-2_2_I_D_M | A-2_3_I_D_M | A-2_4_I_D_M | A-2_5_I_D_M | A-2_6_I_D_M |
0.642687 | 0.818283 | 0.785718 | 0.803443 | 0.743536 | 0.803096 |
A-3_1_I_D_M | A-3_2_I_D_M | A-3_3_I_D_M | A-3_4_I_D_M | A-3_5_I_D_M | A-3_6_I_D_M |
0.687918 | 0.752437 | 0.708439 | 0.797982 | 0.727894 | 0.809125 |
A-4_1_I_D_M | A-4_2_I_D_M | A-4_3_I_D_M | A-4_4_I_D_M | A-4_5_I_D_M | A-4_6_I_D_M |
0.603872 | 0.796356 | 0.74549 | 0.729865 | 0.697074 | 0.819374 |
A-5_1_I_D_M | A-5_2_I_D_M | A-5_3_I_D_M | A-5_4_I_D_M | A-5_5_I_D_M | A-5_6_I_D_M |
0.772473 | 0.785752 | 0.813567 | 0.811672 | 0.844024 | 0.819457 |
A-6_1_I_D_M | A-6_2_I_D_M | A-6_3_I_D_M | A-6_4_I_D_M | A-6_5_I_D_M | A-6_6_I_D_M |
0.851849 | 0.87395 | 0.894326 | 0.877756 | 0.891504 | 0.883767 |
A-7_1_I_D_M | A-7_2_I_D_M | A-7_3_I_D_M | A-7_4_I_D_M | A-7_5_I_D_M | A-7_6_I_D_M |
0.851849 | 0.860903 | 0.888111 | 0.88889 | 0.902253 | 0.906185 |
A-8_1_I_D_M | A-8_2_I_D_M | A-8_3_I_D_M | A-8_4_I_D_M | A-8_5_I_D_M | A-8_6_I_D_M |
0.698492 | 0.837275 | 0.832835 | 0.767781 | 0.804973 | 0.756187 |
B-1_1_I_D_M | B-1_2_I_D_M | B-1_3_I_D_M | B-1_4_I_D_M | B-1_5_I_D_M | B-1_6_I_D_M |
0.345231 | 0.598857 | 0.655871 | 0.737716 | 0.838656 | 0.893359 |
B-2_1_I_D_M | B-2_2_I_D_M | B-2_3_I_D_M | B-2_4_I_D_M | B-2_5_I_D_M | B-2_6_I_D_M |
0.345887 | 0.702856 | 0.70873 | 0.829426 | 0.889851 | 0.911388 |
B-3_1_I_D_M | B-3_2_I_D_M | B-3_3_I_D_M | B-3_4_I_D_M | B-3_5_I_D_M | B-3_6_I_D_M |
0.3318 | 0.6468 | 0.713197 | 0.705259 | 0.893005 | 0.877113 |
B-4_1_I_D_M | B-4_2_I_D_M | B-4_3_I_D_M | B-4_4_I_D_M | B-4_5_I_D_M | B-4_6_I_D_M |
0.292172 | 0.732955 | 0.678273 | 0.739201 | 0.848489 | 0.829223 |
B-5_1_I_D_M | B-5_2_I_D_M | B-5_3_I_D_M | B-5_4_I_D_M | B-5_5_I_D_M | B-5_6_I_D_M |
0.308495 | 0.779828 | 0.724758 | 0.76087 | 0.926433 | 0.890352 |
B-6_1_I_D_M | B-6_2_I_D_M | B-6_3_I_D_M | B-6_4_I_D_M | B-6_5_I_D_M | B-6_6_I_D_M |
0.443182 | 0.620292 | 0.822765 | 0.788644 | 0.927426 | 0.917631 |
B-7_1_I_D_M | B-7_2_I_D_M | B-7_3_I_D_M | B-7_4_I_D_M | B-7_5_I_D_M | B-7_6_I_D_M |
0.496028 | 0.80542 | 0.837661 | 0.86274 | 0.917396 | 0.917402 |
B-8_1_I_D_M | B-8_2_I_D_M | B-8_3_I_D_M | B-8_4_I_D_M | B-8_5_I_D_M | B-8_6_I_D_M |
0.247864 | 0.621626 | 0.803763 | 0.608389 | 0.892866 | 0.881686 |
表24熵熵
A-1_1_熵 | A-1_2_熵 | A-1_3_熵 | A-1_4_熵 | A-1_5_熵 | A-1_6_熵 |
0.147365 | 0.249842 | 0.809925 | 0.674705 | 0.991099 | 0.707431 |
A-2_1_熵 | A-2_2_熵 | A-2_3_熵 | A-2_4_熵 | A-2_5_熵 | A-2_6_熵 |
0.257654 | 0.467325 | 0.744689 | 0.634534 | 0.841402 | 0.719484 |
A-3_1_熵 | A-3_2_熵 | A-3_3_熵 | A-3_4_熵 | A-3_5_熵 | A-3_6_熵 |
0.257654 | 0.78344 | 0.941854 | 0.577694 | 0.86642 | 0.638637 |
A-4_1_熵 | A-4_2_熵 | A-4_3_熵 | A-4_4_熵 | A-4_5_熵 | A-4_6_熵 |
0.5331 | 0.435041 | 0.892007 | 0.737686 | 0.926049 | 0.527086 |
A-5_1_熵 | A-5_2_熵 | A-5_3_熵 | A-5_4_熵 | A-5_5_熵 | A-5_6_熵 |
0.213101 | 0.673818 | 0.609655 | 0.569882 | 0.483188 | 0.542628 |
A-6_1_熵 | A-6_2_熵 | A-6_3_熵 | A-6_4_熵 | A-6_5_熵 | A-6_6_熵 |
0.147365 | 0.402757 | 0.533242 | 0.542628 | 0.402109 | 0.370703 |
A-7_1_熵 | A-7_2_熵 | A-7_3_熵 | A-7_4_熵 | A-7_5_熵 | A-7_6_熵 |
0.147365 | 0.449194 | 0.504984 | 0.419245 | 0.339453 | 0.314577 |
A-8_1_熵 | A-8_2_熵 | A-8_3_熵 | A-8_4_熵 | A-8_5_熵 | A-8_6_熵 |
0.459046 | 0.485728 | 0.599459 | 0.827273 | 0.63416 | 0.862612 |
B-1_1_熵 | B-1_2_熵 | B-1_3_熵 | B-1_4_熵 | B-1_5_熵 | B-1_6_熵 |
1.135293 | 1.372649 | 0.989272 | 0.907689 | 0.623399 | 0.407773 |
B-2_1_熵 | B-2_2_熵 | B-2_3_熵 | B-2_4_熵 | B-2_5_熵 | B-2_6_熵 |
0.960201 | 1.047255 | 1.102955 | 0.80623 | 0.460222 | 0.339453 |
B-3_1_熵 | B-3_2_熵 | B-3_3_熵 | B-3_4_熵 | B-3_5_熵 | B-3_6_熵 |
1.226785 | 1.259216 | 0.944822 | 1.048946 | 0.364806 | 0.394297 |
B-4_1_熵 | B-4_2_熵 | B-4_3_熵 | B-4_4_熵 | B-4_5_熵 | B-4_6_熵 |
1.276276 | 1.092116 | 1.066606 | 1.01884 | 0.502752 | 0.594869 |
B-5_1_熵 | B-5_2_熵 | B-5_3_熵 | B-5_4_熵 | B-5_5_熵 | B-5_6_熵 |
1.311138 | 1.098337 | 0.707474 | 0.769707 | 0.306765 | 0.404825 |
B-6_1_熵 | B-6_2_熵 | B-6_3_熵 | B-6_4_熵 | B-6_5_熵 | B-6_6_熵 |
0.967183 | 1.21674 | 0.765465 | 0.833332 | 0.302827 | 0.361857 |
B-7_1_熵 | B-7_2_熵 | B-7_3_熵 | B-7_4_熵 | B-7_5_熵 | B-7_6_熵 |
1.010607 | 1.027496 | 0.585507 | 0.662255 | 0.277905 | 0.354045 |
B-8_1_熵 | B-8_2_熵 | B-8_3_熵 | B-8_4_熵 | B-8_5_熵 | B-8_6_熵 |
1.25816 | 1.235578 | 0.807947 | 0.975353 | 0.25531 | 0.599459 |
表25相关性
A-1_1_C | A-1_2_C | A-1_3_C | A-1_4_C | A-1_5_C | A-1_6_C |
0.453488 | 0.691889 | 0.611768 | 0.7148 | 0.62426 | 0.732309 |
A-2_1_C | A-2_2_C | A-2_3_C | A-2_4_C | A-2_5_C | A-2_6_C |
0.459653 | 0.735835 | 0.733302 | 0.715312 | 0.697015 | 0.732849 |
A-3_1_C | A-3_2_C | A-3_3_C | A-3_4_C | A-3_5_C | A-3_6_C |
0.495842 | 0.652304 | 0.653717 | 0.67898 | 0.656804 | 0.746605 |
A-4_1_C | A-4_2_C | A-4_3_C | A-4_4_C | A-4_5_C | A-4_6_C |
0.35345 | 0.651618 | 0.666332 | 0.599482 | 0.629691 | 0.742986 |
A-5_1_C | A-5_2_C | A-5_3_C | A-5_4_C | A-5_5_C | A-5_6_C |
0.595731 | 0.712844 | 0.721926 | 0.704375 | 0.756268 | 0.731947 |
A-6_1_C | A-6_2_C | A-6_3_C | A-6_4_C | A-6_5_C | A-6_6_C |
0.713227 | 0.774956 | 0.844911 | 0.837104 | 0.84023 | 0.840448 |
A-7_1_C | A-7_2_C | A-7_3_C | A-7_4_C | A-7_5_C | A-7_6_C |
0.713227 | 0.80898 | 0.854349 | 0.820523 | 0.864554 | 0.865475 |
A-8_1_C | A-8_2_C | A-8_3_C | A-8_4_C | A-8_5_C | A-8_6_C |
0.583363 | 0.732909 | 0.745791 | 0.723227 | 0.706181 | 0.70656 |
B-1_1_C | B-1_2_C | B-1_3_C | B-1_4_C | B-1_5_C | B-1_6_C |
-0.06096 | 0.02836 | 0.181045 | 0.07172 | -0.04784 | -0.17716 |
B-2_1_C | B-2_2_C | B-2_3_C | B-2_4_C | B-2_5_C | B-2_6_C |
-0.11077 | -0.02076 | -0.04274 | -0.16053 | -0.17078 | -0.18233 |
B-3_1_C | B-3_2_C | B-3_3_C | B-3_4_C | B-3_5_C | B-3_6_C |
-0.08765 | -0.03503 | -0.05094 | -0.15471 | -0.0704 | -0.15323 |
B-4_1_C | B-4_2_C | B-4_3_C | B-4_4_C | B-4_5_C | B-4_6_C |
-0.0882 | -0.05643 | 0.025384 | 0.173975 | -0.14326 | -0.09191 |
B-5_1_C | B-5_2_C | B-5_3_C | B-5_4_C | B-5_5_C | B-5_6_C |
-0.12153 | -0.12012 | -0.12315 | 0.022757 | -0.19152 | -0.24968 |
B-6_1_C | B-6_2_C | B-6_3_C | B-6_4_C | B-6_5_C | B-6_6_C |
0.136108 | -0.03391 | -0.20318 | 0.027926 | -0.11888 | 0.034783 |
B-7_1_C | B-7_2_C | B-7_3_C | B-7_4_C | B-7_5_C | B-7_6_C |
0.064315 | -0.18657 | -0.19499 | -0.2193 | -0.12311 | -0.09605 |
B-8_1_C | B-8_2_C | B-8_3_C | B-8_4_C | B-8_5_C | B-8_6_C |
0.185817 | -0.05458 | -0.06841 | 0.120048 | 0.005032 | -0.03155 |
表26和的均数
表27差的均数
A-1_1_D-m | A-1_2_D-m | A-1_3_D-m | A-1_4_D-m | A-1_5_D-m | A-1_6_D-m |
4.330357 | 2.138244 | 2.994348 | 2.142065 | 2.835198 | 1.997181 |
A-2_1_D-m | A-2_2_D-m | A-2_3_D-m | A-2_4_D-m | A-2_5_D-m | A-2_6_D-m |
4.200893 | 2.104315 | 2.19344 | 2.239163 | 2.377385 | 2.019957 |
A-3_1_D-m | A-3_2_D-m | A-3_3_D-m | A-3_4_D-m | A-3_5_D-m | A-3_6_D-m |
3.879464 | 2.75506 | 2.739019 | 2.507524 | 2.533449 | 2.016009 |
A-4_1_D-m | A-4_2_D-m | A-4_3_D-m | A-4_4_D-m | A-4_5_D-m | A-4_6_D-m |
4.889881 | 2.667708 | 2.62626 | 3.174323 | 2.70422 | 2.090096 |
A-5_1_D-m | A-5_2_D-m | A-5_3_D-m | A-5_4_D-m | A-5_5_D-m | A-5_6_D-m |
3.087798 | 2.303869 | 2.19344 | 2.302779 | 1.84492 | 2.148413 |
A-6_1_D-m | A-6_2_D-m | A-6_3_D-m | A-6_4_D-m | A-6_5_D-m | A-6_6_D-m |
2.232143 | 1.689137 | 1.21389 | 1.342886 | 1.207465 | 1.282544 |
A-7_1_D-m | A-7_2_D-m | A-7_3_D-m | A-7_4_D-m | A-7_5_D-m | A-7_6_D-m |
2.232143 | 1.553125 | 1.202153 | 1.374208 | 1.05587 | 1.044899 |
A-8_1_D-m | A-8_2_D-m | A-8_3_D-m | A-8_4_D-m | A-8_5_D-m | A-8_6_D-m |
3.361607 | 2.006845 | 1.915359 | 2.28845 | 2.008073 | 2.340365 |
B-1_1_D-m | B-1_2_D-m | B-1_3_D-m | B-1_4_D-m | B-1_5_D-m | B-1_6_D-m |
3.110119 | 1.439583 | 1.003132 | 0.857143 | 0.535334 | 0.376744 |
B-2_1_D-m | B-2_2_D-m | B-2_3_D-m | B-2_4_D-m | B-2_5_D-m | B-2_6_D-m |
3.212798 | 0.959375 | 1.100518 | 0.656178 | 0.374198 | 0.299769 |
B-3_1_D-m | B-3_2_D-m | B-3_3_D-m | B-3_4_D-m | B-3_5_D-m | B-3_6_D-m |
3.43006 | 1.245685 | 0.985383 | 1.114523 | 0.338087 | 0.364959 |
B-4_1_D-m | B-4_2_D-m | B-4_3_D-m | B-4_4_D-m | B-4_5_D-m | B-4_6_D-m |
3.641369 | 0.976935 | 1.210397 | 0.853183 | 0.549405 | 0.552794 |
B-5_1_D-m | B-5_2_D-m | B-5_3_D-m | B-5_4_D-m | B-5_5_D-m | B-5_6_D-m |
3.455357 | 0.912946 | 0.920111 | 0.751692 | 0.269593 | 0.430039 |
B-6_1_D-m | B-6_2_D-m | B-6_3_D-m | B-6_4_D-m | B-6_5_D-m | B-6_6_D-m |
2.845238 | 1.385119 | 0.744168 | 0.758785 | 0.265551 | 0.302827 |
B-7_1_D-m | B-7_2_D-m | B-7_3_D-m | B-7_4_D-m | B-7_5_D-m | B-7_6_D-m |
2.665179 | 1.012649 | 0.705357 | 0.521025 | 0.317952 | 0.29919 |
B-8_1_D-m | B-8_2_D-m | B-8_3_D-m | B-8_4_D-m | B-8_5_D-m | B-8_6_D-m |
3.28125 | 1.248958 | 0.714754 | 1.215978 | 0.300066 | 0.368643 |
表28和的熵
A-1_1_S-E | A-1_2_S-E | A-1_3_S-E | A-1_4_S-E | A-1_5_S-E | A-1_6_S-E |
0.612069 | 1.011892 | 2.75211 | 2.559395 | 2.653717 | 2.357032 |
A-2_1_S-E | A-2_2_S-E | A-2_3_S-E | A-2_4_S-E | A-2_5_S-E | A-2_6_S-E |
0.947376 | 1.724922 | 2.397386 | 2.264199 | 2.474822 | 2.136188 |
A-3_1_S-E | A-3_2_S-E | A-3_3_S-E | A-3_4_S-E | A-3_5_S-E | A-3_6_S-E |
1.011892 | 2.539099 | 2.962306 | 1.771709 | 2.437167 | 2.382927 |
A-4_1_S-E | A-4_2_S-E | A-4_3_S-E | A-4_4_S-E | A-4_5_S-E | A-4_6_S-E |
2.028047 | 1.531374 | 2.856791 | 2.269515 | 2.485508 | 1.92766 |
A-5_1_S-E | A-5_2_S-E | A-5_3_S-E | A-5_4_S-E | A-5_5_S-E | A-5_6_S-E |
0.748327 | 2.132039 | 2.136188 | 2.055342 | 1.836225 | 2.264199 |
A-6_1_S-E | A-6_2_S-E | A-6_3_S-E | A-6_4_S-E | A-6_5_S-E | A-6_6_S-E |
0.612069 | 1.571539 | 1.838792 | 2.058986 | 1.853822 | 1.836225 |
A-7_1_S-E | A-7_2_S-E | A-7_3_S-E | A-7_4_S-E | A-7_5_S-E | A-7_6_S-E |
0.612069 | 1.911607 | 1.905091 | 1.727867 | 1.942689 | 1.612649 |
A-8_1_S-E | A-8_2_S-E | A-8_3_S-E | A-8_4_S-E | A-8_5_S-E | A-8_6_S-E |
1.914239 | 1.671989 | 2.242653 | 2.382927 | 2.41185 | 2.593117 |
B-1_1_S-E | B-1_2_S-E | B-1_3_S-E | B-1_4_S-E | B-1_5_S-E | B-1_6_S-E |
2.943925 | 3.07012 | 2.694398 | 2.619668 | 2.056985 | 1.938491 |
B-2_1_S-E | B-2_2_S-E | B-2_3_S-E | B-2_4_S-E | B-2_5_S-E | B-2_6_S-E |
2.861919 | 2.483775 | 2.804868 | 2.191245 | 1.778759 | 1.726835 |
B-3_1_S-E | B-3_2_S-E | B-3_3_S-E | B-3_4_S-E | B-3_5_S-E | B-3_6_S-E |
3.186176 | 2.732559 | 2.705314 | 2.602177 | 1.726835 | 1.726835 |
B-4_1_S-E | B-4_2_S-E | B-4_3_S-E | B-4_4_S-E | B-4_5_S-E | B-4_6_S-E |
3.366478 | 2.684184 | 2.921308 | 2.722804 | 2.083337 | 2.235981 |
B-5_1_S-E | B-5_2_S-E | B-5_3_S-E | B-5_4_S-E | B-5_5_S-E | B-5_6_S-E |
3.097308 | 2.721316 | 2.339401 | 2.260333 | 1.656175 | 1.911607 |
B-6_1_S-E | B-6_2_S-E | B-6_3_S-E | B-6_4_S-E | B-6_5_S-E | B-6_6_S-E |
3.081967 | 2.726498 | 2.359926 | 2.417582 | 1.637968 | 1.809459 |
B-7_1_S-E | B-7_2_S-E | B-7_3_S-E | B-7_4_S-E | B-7_5_S-E | B-7_6_S-E |
3.18791 | 2.696965 | 1.954305 | 2.050971 | 1.612649 | 1.72128 |
B-8_1_S-E | B-8_2_S-E | B-8_3_S-E | B-8_4_S-E | B-8_5_S-E | B-8_6_S-E |
3.471159 | 2.899189 | 2.437167 | 2.71465 | 1.466858 | 1.825372 |
表29差的熵
A-1_1_D-E | A-1_2_D-E | A-1_3_D-E | A-1_4_D-E | A-1_5_D-E | A-1_6_D-E |
0.668564 | 1.311278 | 3 | 2.899397 | 2.875 | 2.477217 |
A-2_1_D-E | A-2_2_D-E | A-2_3_D-E | A-2_4_D-E | A-2_5_D-E | A-2_6_D-E |
1.311278 | 1.621641 | 2.82782 | 2.655639 | 3.030639 | 2.423795 |
A-3_1_D-E | A-3_2_D-E | A-3_3_D-E | A-3_4_D-E | A-3_5_D-E | A-3_6_D-E |
1.311278 | 3.125 | 2.95282 | 2.483459 | 2.521782 | 2.305037 |
A-4_1_D-E | A-4_2_D-E | A-4_3_D-E | A-4_4_D-E | A-4_5_D-E | A-4_6_D-E |
2.271782 | 2 | 3.125 | 2.858459 | 2.5 | 2.125 |
A-5_1_D-E | A-5_2_D-E | A-5_3_D-E | A-5_4_D-E | A-5_5_D-E | A-5_6_D-E |
0.993393 | 2.655639 | 2.483459 | 2.57782 | 2.555037 | 2.436278 |
A-6_1_D-E | A-6_2_D-E | A-6_3_D-E | A-6_4_D-E | A-6_5_D-E | A-6_6_D-E |
0.668564 | 2.07782 | 2.298795 | 2.649397 | 2.405639 | 2.280639 |
A-7_1_D-E | A-7_2_D-E | A-7_3_D-E | A-7_4_D-E | A-7_5_D-E | A-7_6_D-E |
0.668564 | 2.349602 | 2.375 | 2.030639 | 1.794737 | 2.07782 |
A-8_1_D-E | A-8_2_D-E | A-8_3_D-E | A-8_4_D-E | A-8_5_D-E | A-8_6_D-E |
2.375 | 2.07782 | 2.75 | 2.75 | 2.780639 | 3.030639 |
B-1_1_D-E | B-1_2_D-E | B-1_3_D-E | B-1_4_D-E | B-1_5_D-E | B-1_6_D-E |
3.155639 | 3.405639 | 2.521782 | 2.771782 | 2.521782 | 2.349602 |
B-2_1_D-E | B-2_2_D-E | B-2_3_D-E | B-2_4_D-E | B-2_5_D-E | B-2_6_D-E |
3.32782 | 2.774397 | 3.25 | 2.474602 | 2.530639 | 2.20282 |
B-3_1_D-E | B-3_2_D-E | B-3_3_D-E | B-3_4_D-E | B-3_5_D-E | B-3_6_D-E |
3.45282 | 3.108459 | 2.875 | 2.95282 | 2.07782 | 2.20282 |
B-4_1_D-E | B-4_2_D-E | B-4_3_D-E | B-4_4_D-E | B-4_5_D-E | B-4_6_D-E |
3.45282 | 3 | 3.280639 | 2.646782 | 2.655639 | 2.608459 |
B-5_1_D-E | B-5_2_D-E | B-5_3_D-E | B-5_4_D-E | B-5_5_D-E | B-5_6_D-E |
3.20282 | 3.024397 | 2.82782 | 2.477217 | 2.20282 | 2.548795 |
B-6_1_D-E | B-6_2_D-E | B-6_3_D-E | B-6_4_D-E | B-6_5_D-E | B-6_6_D-E |
3.108459 | 2.95282 | 2.852217 | 2.852217 | 2.07782 | 2.271782 |
B-7_1_D-E | B-7_2_D-E | B-7_3_D-E | B-7_4_D-E | B-7_5_D-E | B-7_6_D-E |
3.625 | 2.95282 | 2.20282 | 2.436278 | 2.305037 | 2.25 |
B-8_1_D-E | B-8_2_D-E | B-8_3_D-E | B-8_4_D-E | B-8_5_D-E | B-8_6_D-E |
3.024397 | 3.07782 | 2.75 | 3 | 1.919737 | 2.375 |
Claims (3)
1.一种基于人群脑部核磁共振图像的多维度纹理提取方法,其特征在于:运用区域增长法将人群脑部核磁共振图像中需要的区域分割出来。
2.根据权利要求1所述的提取方法,其特征在于:采用Curvelet变换方法提取需要的区域的纹理特征参数,其中所述人群包括阿尔茨海默病人群体,轻度认知障碍病人群体和正常老年人群体,所述的需要的区域的纹理特征参数包括熵、灰度均值、相关性、能量、同质度、方差、最大概率、逆差距、聚类趋势、对比度、和的均值、差的均值、和的熵、差的熵,所述需要的区域包括内嗅皮层和海马两个区域。
3.根据权利要求1所述的提取方法,其特征在于:采用Contourlet变换方法提取需要的区域的纹理特征参数,其中所述人群包括阿尔茨海默病人群体,轻度认知障碍病人群体和正常老年人群体,所述的需要的区域的纹理特征参数包括熵、灰度均值、相关性、能量、同质度、方差、最大概率、逆差距、聚类趋势、对比度、和的均值、差的均值、和的熵、差的熵,所述需要的区域包括内嗅皮层和海马两个区域。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410023305.4A CN103793711A (zh) | 2014-01-17 | 2014-01-17 | 一种基于脑部核磁共振图像的多维度纹理提取方法 |
PCT/CN2014/001130 WO2015106374A1 (zh) | 2014-01-17 | 2014-12-16 | 一种基于脑部核磁共振图像的多维度纹理提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410023305.4A CN103793711A (zh) | 2014-01-17 | 2014-01-17 | 一种基于脑部核磁共振图像的多维度纹理提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103793711A true CN103793711A (zh) | 2014-05-14 |
Family
ID=50669354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410023305.4A Pending CN103793711A (zh) | 2014-01-17 | 2014-01-17 | 一种基于脑部核磁共振图像的多维度纹理提取方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN103793711A (zh) |
WO (1) | WO2015106374A1 (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015106374A1 (zh) * | 2014-01-17 | 2015-07-23 | 首都医科大学 | 一种基于脑部核磁共振图像的多维度纹理提取方法 |
WO2015106373A1 (zh) * | 2014-01-17 | 2015-07-23 | 首都医科大学 | 一种基于脑核磁共振图像多维度纹理建立预测模型的方法 |
CN104881680A (zh) * | 2015-05-25 | 2015-09-02 | 电子科技大学 | 一种基于二维特征和三维特征融合的阿尔茨海默病及轻度认知功能障碍识别方法 |
CN106780372A (zh) * | 2016-11-30 | 2017-05-31 | 华南理工大学 | 一种基于广义树稀疏的权重核范数磁共振成像重建方法 |
CN109492700A (zh) * | 2018-11-21 | 2019-03-19 | 西安中科光电精密工程有限公司 | 一种基于多维信息融合的复杂背景目标识别方法 |
CN110033019A (zh) * | 2019-03-06 | 2019-07-19 | 腾讯科技(深圳)有限公司 | 人体部位的异常检测方法、装置和存储介质 |
CN111739645A (zh) * | 2020-05-14 | 2020-10-02 | 上海依智医疗技术有限公司 | 一种免疫相关性肺炎预测模型的训练方法 |
CN111754598A (zh) * | 2020-06-27 | 2020-10-09 | 昆明理工大学 | 基于变换学习的局部空间邻域并行磁共振成像重构方法 |
CN113962930A (zh) * | 2021-09-07 | 2022-01-21 | 北京邮电大学 | 阿尔茨海默病风险评估模型建立方法和电子设备 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108241865B (zh) * | 2016-12-26 | 2021-11-02 | 哈尔滨工业大学 | 基于超声图像的多尺度多子图肝纤维化多级量化分期方法 |
WO2019170711A1 (en) | 2018-03-07 | 2019-09-12 | Institut National De La Sante Et De La Recherche Medicale (Inserm) | Method for early prediction of neurodegenerative decline |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011514190A (ja) * | 2008-02-29 | 2011-05-06 | エージェンシー フォー サイエンス,テクノロジー アンド リサーチ | 画像内の解剖学的構造のセグメンテーションおよびモデリングのための方法およびシステム |
CN101853493B (zh) * | 2009-10-21 | 2013-06-19 | 首都医科大学 | 医学图像中结节的多维度纹理提取方法 |
CN103793711A (zh) * | 2014-01-17 | 2014-05-14 | 首都医科大学 | 一种基于脑部核磁共振图像的多维度纹理提取方法 |
CN103793908A (zh) * | 2014-01-17 | 2014-05-14 | 首都医科大学 | 一种基于脑核磁共振图像多维度纹理建立预测模型的方法 |
-
2014
- 2014-01-17 CN CN201410023305.4A patent/CN103793711A/zh active Pending
- 2014-12-16 WO PCT/CN2014/001130 patent/WO2015106374A1/zh active Application Filing
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015106373A1 (zh) * | 2014-01-17 | 2015-07-23 | 首都医科大学 | 一种基于脑核磁共振图像多维度纹理建立预测模型的方法 |
WO2015106374A1 (zh) * | 2014-01-17 | 2015-07-23 | 首都医科大学 | 一种基于脑部核磁共振图像的多维度纹理提取方法 |
CN104881680A (zh) * | 2015-05-25 | 2015-09-02 | 电子科技大学 | 一种基于二维特征和三维特征融合的阿尔茨海默病及轻度认知功能障碍识别方法 |
CN106780372A (zh) * | 2016-11-30 | 2017-05-31 | 华南理工大学 | 一种基于广义树稀疏的权重核范数磁共振成像重建方法 |
CN106780372B (zh) * | 2016-11-30 | 2019-06-18 | 华南理工大学 | 一种基于广义树稀疏的权重核范数磁共振成像重建方法 |
CN109492700B (zh) * | 2018-11-21 | 2020-09-08 | 西安中科光电精密工程有限公司 | 一种基于多维信息融合的复杂背景目标识别方法 |
CN109492700A (zh) * | 2018-11-21 | 2019-03-19 | 西安中科光电精密工程有限公司 | 一种基于多维信息融合的复杂背景目标识别方法 |
CN110033019A (zh) * | 2019-03-06 | 2019-07-19 | 腾讯科技(深圳)有限公司 | 人体部位的异常检测方法、装置和存储介质 |
CN110033019B (zh) * | 2019-03-06 | 2021-07-27 | 腾讯科技(深圳)有限公司 | 人体部位的异常检测方法、装置和存储介质 |
CN111739645A (zh) * | 2020-05-14 | 2020-10-02 | 上海依智医疗技术有限公司 | 一种免疫相关性肺炎预测模型的训练方法 |
CN111739645B (zh) * | 2020-05-14 | 2024-01-30 | 北京深睿博联科技有限责任公司 | 一种免疫相关性肺炎预测模型的训练方法 |
CN111754598A (zh) * | 2020-06-27 | 2020-10-09 | 昆明理工大学 | 基于变换学习的局部空间邻域并行磁共振成像重构方法 |
CN111754598B (zh) * | 2020-06-27 | 2022-02-25 | 昆明理工大学 | 基于变换学习的局部空间邻域并行磁共振成像重构方法 |
CN113962930A (zh) * | 2021-09-07 | 2022-01-21 | 北京邮电大学 | 阿尔茨海默病风险评估模型建立方法和电子设备 |
CN113962930B (zh) * | 2021-09-07 | 2022-09-09 | 北京邮电大学 | 阿尔茨海默病风险评估模型建立方法和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2015106374A1 (zh) | 2015-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103793711A (zh) | 一种基于脑部核磁共振图像的多维度纹理提取方法 | |
Wang et al. | Single slice based detection for Alzheimer’s disease via wavelet entropy and multilayer perceptron trained by biogeography-based optimization | |
US9881374B2 (en) | Method for establishing prediction model based on multidimensional texture of brain nuclear magnetic resonance images | |
CN103714536B (zh) | 基于稀疏表示的多模态磁共振图像的分割方法及装置 | |
Montaha et al. | BreastNet18: a high accuracy fine-tuned VGG16 model evaluated using ablation study for diagnosing breast cancer from enhanced mammography images | |
Ali et al. | Machine learning based automated segmentation and hybrid feature analysis for diabetic retinopathy classification using fundus image | |
CN110534195B (zh) | 一种基于数据空间变换的阿尔兹海默症检测方法 | |
CN104881680A (zh) | 一种基于二维特征和三维特征融合的阿尔茨海默病及轻度认知功能障碍识别方法 | |
CN104346617A (zh) | 一种基于滑动窗口和深度结构提取特征的细胞检测方法 | |
Somasundaram et al. | Brain segmentation in magnetic resonance human head scans using multi-seeded region growing | |
Yang et al. | Skull sex estimation based on wavelet transform and Fourier transform | |
Sharan et al. | Encoder modified U-net and feature pyramid network for multi-class segmentation of cardiac magnetic resonance images | |
Lahmiri | Features extraction from high frequency domain for retina digital images classification | |
Deshmukh et al. | Study of different brain tumor MRI image segmentation techniques | |
CN105512670B (zh) | 基于keca特征降维和聚类的hrct周围神经分割 | |
Sathish et al. | Exponential cuckoo search algorithm to radial basis neural network for automatic classification in MRI images | |
Saleh et al. | A brief analysis of multimodal medical image fusion techniques | |
Yadav et al. | A feature extraction using probabilistic neural network and BTFSC-net model with deep learning for brain tumor classification | |
Ramana | Alzheimer disease detection and classification on magnetic resonance imaging (MRI) brain images using improved expectation maximization (IEM) and convolutional neural network (CNN) | |
CN114492519A (zh) | 一种基于超声回波射频信号的肺超声特殊征象b线识别分类方法 | |
CN105260609A (zh) | 一种存储医学图像的方法和装置 | |
Kumaraswamy et al. | Automatic prostate segmentation of magnetic resonance imaging using Res-Net | |
Aggarwal et al. | 3d discrete wavelet transform for computer aided diagnosis of A lzheimer's disease using t1‐weighted brain MRI | |
Mahdi | Computer aided diagnosis system for breast cancer using ID3 and SVM based on slantlet transform | |
CN106570880A (zh) | 结合模糊聚类和马尔科夫随机场的脑组织mri图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140514 |
|
RJ01 | Rejection of invention patent application after publication |