跳转到主要内容
认证机构:IGI全球平台(112.34.110.29)
登录
注册
语言:
英语
欢迎使用InfoCi平台
IGI全球平台
IGI全球平台
无法进行身份验证。
IP:112.34.110.29
数据库搜索
数据库搜索
基本搜索
高级搜索
专家搜索
保存的搜索
索策略
研究工具
研究工具
帮助
用户指南
咨询委员会
用户资源
用户资源
针对研究人员
对于作者
对于图书馆员
指数
该标题如下所示:
关闭
参考中心
该研究被引用于:
关闭
最近搜索的热门结果
关闭
基于GLCM和SVM分类器的多模态MRI脑肿瘤分割
李娜、郑洋
源标题:
国际认知信息学与自然智能杂志(IJCINI)
15(4)
版权:
© 2021
|
体积:
15
|
问题:
4
|
页:
18
国际标准编号:
1557-3958
|
EISSN公司:
1557-3966
|
EISBN13:
9781799859857
|
内政部:
10.4018/IJCINI.20211001.oa15
引用文章
引用文章
MLA公司
李娜和郑阳。
“基于GLCM和SVM分类器的多模式MRI数据脑肿瘤分割。”
IJCINI公司
2021年第4期第15卷:第1-18页。
http://doi.org/10.4018/IJCINI.20211001.oa15
亚太地区
Li,N.和Yang,Z.(2021)。
基于GLCM和SVM分类器的多模态MRI脑肿瘤分割。
国际认知信息学与自然智能杂志(IJCINI),15
(4), 1-18.
http://doi.org/10.4018/IJCINI.20211001.oa15
芝加哥
李娜和郑阳。
“基于GLCM和SVM分类器的多模态MRI数据脑肿瘤分割,”
国际认知信息学与自然智能杂志(IJCINI)
15,4号:1-18。
http://doi.org/10.4018/IJCINI.20211001.oa15
导出参考
收藏夹
完整发布下载
查看全文HTML
查看全文PDF
摘要
MRI脑肿瘤分割利用计算机技术在多模态脑图像上自动分割和标记肿瘤和正常组织,在疾病诊断、治疗规划和手术导航中发挥着重要作用。
我们提出了一种使用灰度共生矩阵(GLCM)纹理和集成支持向量机(SVM)结构的解决方案。
作者的这篇手稿关注于GLCM纹理对脑肿瘤分割的影响。
其结果不同于GLCM纹理在其他类型的图像处理中的应用。
实验材料是一个名为BraTs2015的数据集。
分割的五个不同标签分别是正常脑、坏死、水肿、非增强肿瘤和增强肿瘤。
利用Dice系数对该模型进行了验证。
结果表明,该方法具有较好的容量和较高的分割精度,且计算量小。
如果出现与翻译网站中包含的信息的准确性有关的任何问题,
请参阅网站的英文版本,即官方版本。
访问
www.igi-global.com/gateway/terms-and-conditions网站/
了解更多信息。