| [1] |
S.B.Gaikwad，M.S.Joshi，使用主成分分析和概率神经网络进行脑肿瘤分类，国际期刊计算。申请。，120(2015), 5-9. |
| [2] |
Q.T.Ostrom、G.Cioffi、H.Gittleman、N.Patil、K.Waite、C.Kruchko等，《CBTRUS统计报告：2012-2016年美国诊断的原发性脑肿瘤和其他中枢神经系统肿瘤》，神经。昂科尔。，21（2019），v1-v100。数字对象标识：10.1093/neuonc/noz150
|
| [3] |
D.N.Louis、A.Perry、G.Reifenberger、A.von Deimling、D.Figarella-Branger、W.K.Cavenee等人，《2016年世界卫生组织中枢神经系统肿瘤分类：总结》，神经病理学学报。，131(2016), 803-820. 数字对象标识：2007年10月10日/00401-016-1545-1
|
| [4] |
Z.N.K.Swati，Q.Zhao，M.Kabir，F.Ali，Z.Ali，S.Ahmed，et al.，使用转移学习对MR图像进行基于内容的脑肿瘤检索，IEEE接入，7(2019), 17809-17822. 数字对象标识：10.1109/通道2019.2892455
|
| [5] |
S.Pereira，R.Meier，V.Alves，M.Reyes，C.A.Silva，使用卷积神经网络和质量评估从mri数据自动对脑肿瘤分级，收录于：理解和解释医学图像计算应用中的机器学习、施普林格、查姆、。，2018,106-114. |
| [6] |
S.Deepak，P.M.Ameer，通过转移学习使用深度CNN特征进行脑肿瘤分类，计算。生物医学。，111(2019), 103345. 数字对象标识：2016年10月10日/j.com.pbiomed 2019年10月10日3345
|
| [7] |
K.Machale，H.B.Nandpuru，V.Kapur，L.Kosta，使用混合分类器（SVM-KNN）进行MRI脑癌分类，收录于：2015年国际Conf.Ind.Instrum。控制IEEE，2015年，第60-65页。 |
| [8] |
S.Rathore，M.Hussain，M.Aksam Iftikhar，A.Jalil，基于信息丰富的混合特征的结肠活检图像集成分类，计算。生物医学。，47(2014), 76-92. 数字对象标识：10.1016/j.compbiomed.2013年12月10日
|
| [9] |
S.Rathore，M.Hussain，A.Khan，使用新的几何特征和一些传统特征的混合的自动结肠癌检测，计算。生物医学。，65(2015) 279-296. 数字对象标识：2016年10月10日/j.compbiomed.2015.03.004
|
| [10] |
L.Hussain，A.Ahmed，S.Saeed，S.Rathore，I.A.Awan，S.A.Shah等人，通过结合特征提取策略使用机器学习技术检测前列腺癌，癌症生物标记物，21(2018), 393-413. 数字对象标识：10.3233/CBM-170643
|
| [11] |
Y.Asim、B.Raza、A.Kamran、M.Saima、A.K.Malik、S.Rathore等人，通过机器学习实现阿尔茨海默病检测的多模式、多tlas方法，国际期刊图像。系统。技术。，28(2018), 113-123. 数字对象标识：10.1002/ima.22263
|
| [12] |
A.Islam，M.F.Hossain，C.Saha，使用BWT-KSVM进行脑肿瘤分类的新混合方法，见：2017年第四届国际会议电子版。工程师。，IEEE，2017241-246。 |
| [13] |
P.P.Rebouças Filho，E.de S.Rebou-sas，L.B.Marinho，R.M.Sarmento，J.M.R.S.Tavares，V.H.C.de Albuquerque，《人体组织密度分析：从医学图像中提取特征的新方法》，模式识别。莱特。，94(2017), 211-218. 数字对象标识：2016年10月10日/j.patrec.2017.02.005
|
| [14] |
B.Dhruv，N.Mittal，M.Modi，三维医学图像上Haralick和GLCM纹理分析研究，国际神经科学杂志。，129(2019), 350-362. 数字对象标识：10.1080/00207454.2018.1536052
|
| [15] |
Q.Zheng，H.Li，B.Fan，S.Wu，J.Xu，集成支持向量机和图切割用于医学图像分割，视觉杂志。Commun公司。图像表示，55(2018), 157-165. 数字对象标识：2016年10月10日/j.jvcir.2018.06.005
|
| [16] |
S.A.Taie，W.Ghonaim，《基于CSO的支持向量机算法在脑肿瘤疾病诊断中的应用》，载于：2017年IEEE国际会议普及计算。Commun公司。工作。（PerCom工作.)，IEEE，2017183-187。 |
| [17] |
M.K.Abd-Ellah，A.I.Awad，A.A.M.Khalaf，H.F.A.Hamed，使用核支持向量机对脑肿瘤MRI进行分类，收录于：信息社会健康国际会议查姆施普林格。2016,151-160. |
| [18] |
H.Alquran，I.A.Qasmieh，A.M.Alqudah，S.Alhammouri，E.Alawneh，A.Abughazaleh等人，使用支持向量机的黑色素瘤皮肤癌检测和分类，在：2017 IEEE Jordan Conf.申请。电气。工程计算。Technol公司。IEEE，2017年，第1-5页。 |
| [19] |
S.Wang，S.Du，A.Atangana，A.Liu，Z.Lu，平稳小波熵在病理脑检测中的应用，Multimed公司。工具应用程序。，77(2018), 3701-3714. 数字对象标识：2007年10月10日/11042-017-4476-5
|
| [20] |
Y.Zhang，J.Yang，S.Wang，Z.Dong，P.Phillips，通过Hu不变矩和机器学习进行MRI扫描中的病理脑检测，J.实验理论。Artif公司。智力。，29(2017), 299-312. 数字对象标识：10.1080/0952813X.2015.1132274
|
| [21] |
程建华，杨文阳，黄明华，黄文华，姜建江，周瑜，等，基于自适应空间池和fisher向量表示的脑肿瘤检索，公共科学图书馆一号，11（2016），e0157112。数字对象标识：10.1371/新闻稿.0157112
|
| [22] |
J.Cheng，W.Huang，S.Cao，R.Yang，W.Yang，Z.Yun，et al.，通过肿瘤区域增强和分割增强脑肿瘤分类性能，《公共科学图书馆·综合》。，10（2015），e0140381。数字对象标识：10.1371/日志.文件.0140381
|
| [23] |
N.Abiwinanda，M.Hanif，S.T.Hesaputra，A.Handayani，T.R.Mengko，使用卷积神经网络进行脑肿瘤分类，收录于：世界大会。医学物理。生物识别。2018年工程新加坡施普林格，2019183-189。 |
| [24] |
M.Sajjad，S.Khan，K.Muhammad，W.Wu，A.Ullah，S.W.Baik，使用深度CNN进行多粒度脑肿瘤分类，并进行广泛数据增强，J.计算。科学。，30(2019), 174-182. 数字对象标识：2016年10月10日/j.jocs.2018.12.003
|
| [25] |
R.Zia，P.Akhtar，A.Aziz，一种新的基于矩形窗口的图像裁剪方法，用于脑肿瘤分类系统的泛化，国际期刊图像。系统。Technol公司。，28(2018), 153-162. 数字对象标识：2002年10月10日/ima.22266
|
| [26] |
M.M.Badía，M.采。Barjaktarovć，使用卷积神经网络从MRI图像中对脑肿瘤进行分类，申请。科学。，10(2020), 1999. 数字对象标识：10.3390/app10061999
|
| [27] |
A.Gumaei，M.M.Hassan，M.R.Hasson，A.Alelaiwi，G.Fortino，一种基于正则极限学习机的脑肿瘤分类混合特征提取方法，IEEE接入，7(2019), 36266-36273. 数字对象标识：10.1109/通道2019.2904145
|
| [28] |
黄志伟，杜晓霞，陈立林，李彦，刘明明，周瑜，等，基于复杂网络的卷积神经网络在脑肿瘤图像分类中的应用，IEEE接入，8(2020), 89281-89290. 数字对象标识：10.1109/通道.2020.2993618
|
| [29] |
L.Hussain，I.A.Awan，W.Aziz，S.Saeed，A.Ali，F.Zeeshan等人，通过提取多模态特征和使用机器学习技术检测充血性心力衰竭，生物识别。Res.Int.公司。，2020(2020), 1-19. |
| [30] |
L.Hussain，W.Aziz，S.Saeed，I.A.Awan，A.A.Abbasi，N.Maroof，通过基于精细模糊熵（FuzEn）方法提取混合特征并使用机器学习技术进行心律失常检测，波浪随机。复杂介质。，30(2020), 656-686. 数字对象标识：10.1080/17455030.2018.1554926
|
| [31] |
D.S.Guru，Y.H.Sharath，S.Manjunath，纹理特征和KNN在花卉图像分类中的应用，国际期刊计算。申请。, (2010), 21-29. |
| [32] |
A.N.Esgiar，R.N.Naguib，B.S.Sharif，M.K.Bennett，A.Murray，用于定量测量和特征识别正常和癌变结肠粘膜的显微图像分析，IEEE传输。技术信息。生物识别。，2（1998年），197-203年。数字对象标识：10.1109/4233.735785
|
| [33] |
A.N.Esgiar，R.N.G.Naguib，B.S.Sharif，M.K.Bennett，A.Murray，结肠癌图像检测中的分形分析，IEEE传输。技术信息。生物识别。，6(2002), 54-58. 数字对象标识：10.1109/4233.992163
|
| [34] |
M.Masseroli，A.Bollea，G.Forloni，通过计算机图像分析对神经元进行定量形态学和形状分类，计算。方法生物识别程序。, (1993), 89-99. |
| [35] |
李永明，曾晓平，基于小波、形态学和组合方法的尿沉渣分割新策略，计算。方法生物识别程序。，84(2006), 162-173. 数字对象标识：2016年10月10日/j.cmpb.2006.07.010
|
| [36] |
A.Hyvä；rinen，E.Oja，《独立成分分析：算法与应用》，神经网络，13(2000), 411-430. 数字对象标识：10.1016/S0893-6080（00）00026-5
|
| [37] |
Y.Xiao，Z.Zhu，Y.Zhao，稀疏表示的核重构ICA，IEEE传输。神经网络学习。系统。，26(2015), 1222-1232. 数字对象标识：10.1109/TNNLS.2014.2334711
|
| [38] |
J.Hurri，P.O.Hoyer，自然图像统计学，早期计算视觉的概率方法施普林格科技与商业媒体，39(2009). |
| [39] |
Q.V.Le，A.Karpenko，J.Ngiam，A.Y.Ng，ICA，高效超完备特征学习的重建成本，高级神经。通知。工艺系统。，24(2011), 1017-1025. |
| [40] |
Q.V.Le，M.A.Ranzato，M.Devin，G.S.Corrado，A.Y.Ng，使用大规模无监督学习构建高层特征，In2013年IEEE声学、语音和信号处理国际会议，IEEE，（2013），8595-8598 |
| [41] |
Y.Boureau，视觉识别中特征池的理论分析，in第27届机器学习国际会议（ICML-10）会议记录, (2010), 111-118. |
| [42] |
Y.Lecun，学习不变特征层次，In欧洲计算机视觉会议，施普林格，柏林，海德堡，（2012），496-505 |
| [43] |
A.P.Dobrowolski，M.Wierzbowski，K.Tomczykiewicz，神经肌肉疾病分类中的多分辨率MUAP分解和基于SVM的分析，计算。方法生物识别程序。，107(2012), 393-403. 数字对象标识：10.1016/j.cmpb.2010.12.006
|
| [44] |
J.Schmidhuber，《神经网络的深度学习：概述》，神经网络，61(2015), 85-117. 数字对象标识：2016年10月10日/j.neunet.2014.09.003
|
| [45] |
H.Papadopoulos，V.Vovk，A.Gammerman，《共形预测及其应用》特刊客座编辑前言，安。数学。Artif公司。智力。，74(2015), 1-7. 数字对象标识：2007年10月10日/10472-014-9429-3
|
| [46] |
N.Kambhatla，T.K.Leen，局部主成分分析降维，神经计算。，9（1997），第1493-1516页。数字对象标识：10.1162/neco.1997.9.7.1493
|
| [47] |
A.Pathak，B.Vohra，K.Gupta，《班级可分性的监督学习方法——线性判别分析》，载：2019年国际竞争情报。计算。控制系统。，IEEE，（2019），1088-1093。 |
| [48] |
杨伟，冯庆峰，于明宇，陆振中，高彦，徐彦，等，利用肿瘤边缘信息和学习距离度量在增强MRI图像中基于内容的脑肿瘤检索，医学物理。，39（2012），6929-6942。数字对象标识：10.1118/1.4754305
|
| [49] |
M.Huang，W.Yang，M.Yu，Z.Lu，Q.Feng，W.Chen，对比增强MRI图像中具有区域特异性视觉词汇表征的脑肿瘤检索，计算。数学。方法医学。，2012(2012), 1-17. |
| [50] |
M.Huang，W.Yang，Y.Wu，J.Jiang，Y.Gao，Y.Chen，等，利用脑肿瘤T1加权对比增强磁共振图像的空间布局信息进行基于内容的图像检索，公共科学图书馆一号，9（2014），e102754。数字对象标识：10.1371/journal.pone.0102754
|
| [51] |
P.Afshar，K.N.Plataniotis，A.Mohammadi，基于mri图像和肿瘤粗略边界的脑肿瘤分类胶囊网络，收录于：ICASSP 2019-2019 IEEE国际会议。语音信号处理.，IEEE，（2019），1368-1372。 |
| [52] |
P.Afshar，A.Mohammadi，K.N.Plataniotis，通过胶囊网络进行脑肿瘤类型分类，收录于：2018年第25届IEEE国际会议图像处理。，IEEE，（2018），3129-3133。 |
| [53] |
J.S.Paul、A.J.Plassard、B.A.Landman、D.Fabbri，脑肿瘤分类的深度学习，收录于：2017年医学成像：分子、结构和功能成像中的生物医学应用.，国际光学与光子学学会，10137（2017），1013710。 |
| [54] |
E.I.Zacharaki，S.Wang，S.Chawla，D.Soo，R.Yoo，E.R.Wolf等人，在机器学习方案中使用MRI纹理和形状对脑肿瘤类型和等级进行分类，Magn.公司。Reson公司。医学。，62(2009), 1609-1618. 数字对象标识：10.1002/平方米22147
|
| [55] |
A.Kabir Anaraki，M.Ayati，F.Kazemi，通过卷积神经网络和遗传算法基于磁共振成像的脑肿瘤分级分类和分级，生物网络。生物识别。工程师。，39(2019), 63-74. 数字对象标识：2016年10月10日/j.bbe.2018.10.004
|
| [56] |
J.Sachdeva、V.Kumar、I.Gupta、N.Khandelwal、C.K.Ahuja，分割、特征提取和多类脑肿瘤分类，J.数字。图像。，26(2013), 1141-1150. 数字对象标识：2007年10月10日/10278-013-9600-0
|
| [57] |
R.A.Lerski、K.Straughan、L.R.Schad、D.Boyce、S.Blüml、I.Zuna、VⅢ。MR图像纹理分析——一种组织表征方法，Magn.公司。Reson公司。成像。，11(1993), 873-887. 数字对象标识：10.1016/0730-725X（93）90205-R（电话：10.1016/0730-725X（93）90205-R）
|
| [58] |
S.Herlidou-Míme、J.Constans、B.Carsin、D.Olivie、P.Eliat、L.Nadal-Desbarats等，纹理测试对象、正常大脑和颅内肿瘤的MRI纹理分析，Magn.公司。Reson公司。成像。，21(2003), 989-993. 数字对象标识：10.1016/S0730-725X（03）00212-1
|
| [59] |
L.R.Schad，S.Blüml，I.Zuna，IX.通过纹理分析对颅内肿瘤的MR组织表征，Magn.公司。Reson公司。成像。，11(1993), 889-896. 数字对象标识：10.1016/0730-725X（93）90206-S
|
| [60] |
A.Devos、A.W.Simonetti、M.van der Graaf、L.Lukas、J.A.K.Suykens、L.Vanhamme等，《多变量MR成像强度与MR光谱成像代谢数据在脑肿瘤分类中的应用》，J.马格纳。Reson公司。，173(2005), 218-228. 数字对象标识：2016年10月10日/j.jmr.2004.12.007
|
| [61] |
L.Lukas，A.Devos，J.A.K.Suykens，L.Vanhamme，F.A.Howe，C.Majós等人，基于长回声质子MRS信号的脑肿瘤分类，Artif公司。智力。医学。，31(2004), 73-89. 数字对象标识：2016年10月10日/j.artmed.2004.01.01
|
| [62] |
A.Devos，L.Lukas，J.A.K.Suykens，L.Vanhamme，A.R.Tate，F.A.Howe，et al.，使用短回波时间1H MR光谱对脑肿瘤进行分类，J.马格纳。Reson公司。，170(2004), 164-175. 数字对象标识：2016年10月10日/j.jmr.2004.06.010
|
| [63] |
Y.Huang，P.J.G.Lisboa，W.El-Deredy，磁共振波谱肿瘤分级：特征提取与变量选择的比较，《统计医学》。，22(2003), 147-164. 数字对象标识：10.1002/sim.1321
|
| [64] |
A.R.Tate，C.Majós，A.Moreno，F.A.Howe，J.R.Griffiths，C.Arüs，《体内1H脑肿瘤光谱中短回声时间的自动分类：一项多中心研究》，Magn.公司。Reson公司。医学。，49(2003), 29-36. 数字对象标识：10.1002每分钟.10315
|
| [65] |
Y.D.Cho，G.H.Choi，S.P.Lee，J.K.Kim，用于区分脑膜瘤和其他脑肿瘤的1H-MRS代谢模式，Magn.公司。Reson公司。成像。，21(2003), 663-672. 数字对象标识：10.1016/S0730-725X（03）00097-3
|
| [66] |
潘云英、黄文华、林振中、朱文珠、周建洲、黄建华等，基于神经网络和卷积神经网络的脑肿瘤分级，收录于：2015年第37年。国际会议IEEE Eng.Med.Biol。Soc公司。，IEEE，（2015），699-702。 |
