下载文档原格式
基于肿瘤形状特征与点云方法的PET-CT多模态图像神经母
细胞瘤分割
周维钦;王朝立;孙占全;陈素芸;李超;傅宏亮;刘晓虹
【期刊名称】《软件导刊》
【年(卷),期】2024(23)3
【摘要】通过智能学习方法对PET-CT图像进行肿瘤自动分割,是辅助医生制定诊疗计划的重要研究领域。
PET-CT图像兼具PET和CT两种模态优点,传统方法大多只简单的将两种模态的图像进行配准和融合后提取特征,忽略了神经母细胞瘤具有肿瘤边界轮廓不规则的特点。
为此,提出一种两阶段的自动分割框架结构模型。
首先,利用3D卷积神经网络定位肿瘤位置;然后在分割出的肿瘤区域附近生成多模态点云数据,并提取肿瘤的形状轮廓特征;最后,将两个网络提取的特征进行融合用来预测最终分割结果。
在自有数据集和公共数据集上,将所提模型与其他多模态方法进行比较实验,实验结果验证了所提模型的优越性与有效性。
以期为研究神经母细胞瘤分割的研究人员提供参考与借鉴。
【总页数】6页(P128-133)
【作者】周维钦;王朝立;孙占全;陈素芸;李超;傅宏亮;刘晓虹
【作者单位】上海理工大学光电信息与计算机工程学院;上海交通大学医学院附属新华医院核医学科;上海市第八人民医院放射科
【正文语种】中文
【中图分类】TP183
【相关文献】
1.基于颜色和形状特征的棉花害螨图像分割方法
2.基于SVM模型参数优化的多模态MRI图像肿瘤分割方法
3.基于层次聚类的多模态磁共振脑肿瘤图像的自动分割方法
4.一种基于超像素和改进U-net的多模态脑部肿瘤图像分割方法
5.基于改进U-Net的PET-CT双模态头颈部肿瘤分割
因版权原因，仅展示原文概要，查看原文内容请购买。
基于局部分形维的黑色素瘤轮廓不对称性和不规则性分析马莉;郭安哲
【期刊名称】《中国生物医学工程学报》
【年(卷),期】2009(028)004
【摘要】针对计算机辅助早期诊断黑色素瘤中皮肤肿瘤轮廓的结构不规则性和不对称性检测问题,本研究提出了多尺度局部分形维算法.在不断去除轮廓纹理不规则部分的同时提取多尺度下轮廓不规则程度的特征量,建立了具有重要诊断意义的结构不规则性度量的新方法;同时提出基于局部分形维描述轮廓不对称的特征度量.试验表明所提取的特征较全局分形维和基于轮廓空间不规则性度量的方法在多尺度上具有显著的不规则性信息;轮廓不对称度量使用局部分形维能显著地表现出黑色素瘤轮廓的不对称程度,可提供多种不对称信息描述,增强了基于轮廓不规则性和不对称性特征鉴别黑色素瘤的能力.
【总页数】7页(P508-513,526)
【作者】马莉;郭安哲
【作者单位】杭州电子科技大学自动化学院,杭州,310018;杭州电子科技大学自动化学院,杭州,310018
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于多尺度局部分形维的黑色素瘤轮廓不规则性描述方法 [J], 马莉
2.基于局部分形维数特征的医学超声图像轮廓提取 [J], 陈文山
3.黑色素瘤表面不均匀性的轮廓描述与分析 [J], 华秀秀;马莉
4.基于显著小波子带的轮廓结构不规则性检测 [J], 余光光;马莉;李庆奇
5.一种基于多尺度局部分形维轮廓不规则特征提取算法 [J], 郭安哲;马莉;和瑞勇;毛俊勇;王文峰
因版权原因，仅展示原文概要，查看原文内容请购买。
《基于边缘信息的多尺度无造影剂肝脏肿瘤分割方法研究》篇一一、引言随着医学影像技术的快速发展，肝脏肿瘤的检测与分割成为了临床诊断和治疗的重要环节。
无造影剂的肝脏肿瘤分割方法，因其无需额外造影剂、减少患者负担等优点，逐渐受到广泛关注。
本文提出了一种基于边缘信息的多尺度无造影剂肝脏肿瘤分割方法，旨在提高分割精度和效率。
二、相关工作回顾当前，肝脏肿瘤分割方法主要包括基于阈值、区域生长、聚类分析以及深度学习等方法。
然而，这些方法在处理不同尺寸、形态和密度的肝脏肿瘤时，往往存在分割不准确、鲁棒性差等问题。
特别是无造影剂条件下，肝脏肿瘤与周围组织的对比度较低，增加了分割难度。
因此，如何准确、高效地实现无造影剂肝脏肿瘤的分割成为了研究的重点。
三、方法介绍本文提出的基于边缘信息的多尺度无造影剂肝脏肿瘤分割方法，主要包含以下步骤：1. 图像预处理：对医学影像进行去噪、增强等预处理操作，提高图像质量。
2. 多尺度特征提取：利用不同尺度的卷积核提取图像中的多尺度特征信息。
3. 边缘信息检测：通过边缘检测算法，提取出肝脏肿瘤的边缘信息。
4. 融合策略：将多尺度特征和边缘信息进行融合，形成融合特征。
5. 分割模型：基于融合特征，利用深度学习模型进行肝脏肿瘤的分割。
四、实验与分析1. 数据集与实验环境：本实验采用公开的医学影像数据集进行实验，实验环境为高性能计算机。
2. 实验过程与结果：首先，我们对预处理后的图像进行多尺度特征提取和边缘信息检测。
然后，将提取的特征进行融合，形成融合特征。
最后，利用深度学习模型进行肝脏肿瘤的分割。
实验结果表明，该方法在处理不同尺寸、形态和密度的肝脏肿瘤时，具有较高的分割精度和鲁棒性。
为了进一步验证本方法的优越性，我们与其他无造影剂肝脏肿瘤分割方法进行了对比实验。
实验结果表明，本文提出的方法在分割精度、效率和鲁棒性方面均具有明显优势。
五、讨论与展望本文提出的基于边缘信息的多尺度无造影剂肝脏肿瘤分割方法，在处理不同尺寸、形态和密度的肝脏肿瘤时，具有较高的分割精度和鲁棒性。
基于多尺度分析的数据挖掘与特征选择方法研究数据挖掘和特征选择是当今研究领域中的热点问题。
为了提高数据挖掘的效果和特征选择的准确性，本文提出了一种基于多尺度分析的方法。
首先，通过将数据集分为不同尺度，我们可以更好地理解数据集中不同尺度之间的关系。
然后，我们使用一种新颖的特征选择算法来选择最具代表性和相关性的特征。
最后，我们使用实验验证了该方法在不同领域中的有效性。
1. 引言在当今信息时代，大量海量的数据被产生和存储。
如何从这些海量数据中提取有用信息成为了一个重要问题。
因此，数据挖掘技术应运而生，并成为解决这个问题的有效手段之一。
然而，在进行数据挖掘之前，我们需要先进行特征选择来减少计算复杂度和提高模型准确性。
传统的特征选择方法主要是通过统计学指标或启发式算法来评估每个特征与目标变量之间的相关性，并选取最具代表性的特征。
然而，这些方法往往忽略了数据集中不同尺度之间的关系，导致特征选择结果不准确。
为了解决这个问题，本文提出了一种基于多尺度分析的数据挖掘与特征选择方法。
该方法首先将数据集分为不同尺度，然后使用一种新颖的特征选择算法来选择最具代表性和相关性的特征。
最后，我们使用实验验证了该方法在不同领域中的有效性。
2. 方法2.1 数据集划分在本文中，我们将数据集划分为多个尺度。
每个尺度代表着数据集中不同层次或粒度上的信息。
通过将数据集划分为多个尺度，我们可以更好地理解和挖掘数据集中不同尺度之间的关系。
2.2 特征选择算法在每个尺度上，我们使用一种新颖的特征选择算法来选择最具代表性和相关性的特征。
该算法首先计算每个特征与目标变量之间的相关系数，并根据相关系数进行排序。
然后，在保留目标变量相关系数较高的前提下，使用信息增益或基于模型评估准则来评估每个特征与其他特征之间的相关性。
最后，根据相关性和代表性的综合评价指标，选择最终的特征子集。
3. 实验结果为了验证本文方法的有效性，我们在不同领域的数据集上进行了实验。
基于多特征描述的乳腺癌肿瘤病理自动分级摘要：为了辅助病理医生快速高效诊断乳腺癌并提供乳腺癌预后信息，提出一种计算机辅助乳腺癌肿瘤病理自动分级方法。
该方法使用深度卷积神经网络和滑动窗口自动检测病理图像中的细胞；随后综合运用基于稀疏非负矩阵分解的颜色分离、前景标记的分水岭算法以及椭圆拟合得到每个细胞的轮廓。
基于检测到的细胞和拟合出的细胞轮廓，提取出肿瘤的组织结构特征和上皮细胞的纹理形状特征等共203维的特征，运用这些特征训练支持向量机分类器（SVM），实现对病理组织图像自动分级。
17位患者的49张H&E染色的乳腺癌病理组织图像自动分级的100次十折交叉检验评估结果表明：基于病理图像的细胞形状特征与组织的空间结构特征对病理图像的高、中、低分化等级分类整体准确率为90.20%；同时对高、中、低各分化等级的区分准确率分别为92.87%、82.88%、93.61%。
相比使用单一结构特征或者纹理特征的方法，所提方法具有更高的准确率，能准确地对病理组织图像中肿瘤的高级和低级分化程度自动分级，且各分级之间的准确率差异较小。
关键词：乳腺癌；组织病理图像；自动英文无病理病理分级；计算机辅助预后分析中图分类号：TP391.41；TP182文献标志码：AAbstract：In order to assist in the fast and efficient diagnosis of breast cancer and provide the prognosis information for pathologists，a computeraided diagnosis approach for automatically grading breast pathological images was proposed. In the proposed algorithm，cells of pathological images were first automatically detected by deep convolutional neural network and sliding window. Then，the algorithms of color separation based on sparse nonnegative matrix factorization，marker controlled watershed，and ellipse fitting were integrated to get the boundary of each cell. A total of203dimensional imagederived features，including architectural features of tumor，texture and shape features of epithelial cells were extracted from the pathological images based on the detected cells and the fitted boundary. A Support Vector Machine （SVM）classifier was trained by using the extracted features to realize the automated grading of pathological images. In order to verify the proposed algorithm，a total of 49 Hematoxylin & Eosin （H&E）stained breast pathological images obtained from 17 patients were considered. The experimentalresults show that，for 100 tenfold crossvalidation trials，the features with the cell shape and the spatial structure of organization of pathological image set successfully distinguish test samples of low，intermediate and high grades with classification accuracy of 90.20%. Moreover，the proposed algorithm is able to distinguish high grade，intermediate grade，and low grade patients with accuracy of 92.87%，82.88% and 93.61%，respectively. Compared with the methods only using texture feature or architectural feature，the proposed algorithm has a higher accuracy. The proposed algorithm can accurately distinguish the grade of tumor for pathological images and the difference of accuracy between grades is small.英文关键词Key words：breast cancer；pathological image；automated pathological grading；computeraided prognosis 0引言美国癌症协会2015年发布的数据显示，预计2015年美国女性乳腺癌新增病例仍居女性所有癌症病例的首位，占所有新增癌症病例的29%[1]。
基于形态学多尺度修正的脑肿瘤分割万生阳;王小鹏;何士和;王称意【摘要】针对脑部核磁共振成像(MRI)图像中因噪声、肿瘤内部灰度不均匀、模糊及边界不连续等造成肿瘤难以准确分割的问题,提出了一种基于形态学多尺度修正的控制标记符分水岭分割方法.该方法在形态学梯度图像基础上,根据不同像素点所在特定邻域内的梯度值自适应确定结构元素的大小;然后,对图像进行形态学多尺度修正,保证修正过程中目标轮廓不发生较大偏移;最后,采用控制标记符的分水岭变换对图像进行分割.实验结果表明,该方法可对脑肿瘤进行较精确的分割.【期刊名称】《计算机应用》【年(卷),期】2014(034)002【总页数】4页(P593-596)【关键词】脑肿瘤;形态学多尺度修正;分水岭变换;图像分割;形态学梯度【作者】万生阳;王小鹏;何士和;王称意【作者单位】兰州交通大学电子与信息工程学院,兰州730070;兰州交通大学电子与信息工程学院,兰州730070;兰州交通大学电子与信息工程学院,兰州730070;兰州交通大学电子与信息工程学院,兰州730070【正文语种】中文【中图分类】TP391.41近年来颅内肿瘤发病率呈上升趋势,据统计,颅内肿瘤约占全身肿瘤的5%,占儿童肿瘤的70%,而其他恶性肿瘤最终会有20%～30%转入颅内,由于其膨胀的浸润性生长,在颅内一旦占据一定空间时,不论其性质是良性还是恶性,都势必使颅内压升高,压迫脑组织,导致中枢神经损害,危及患者生命。
脑肿瘤早期的检测及正确治疗很大程度依赖于精确的诊断,这对改善病情结果是很重要的一步。
当前核磁共振成像(Magnetic Resonance Imaging, MRI)技术越来越广泛地应用于脑肿瘤的分析与诊断,其可提供脑瘤位置、大小及类型等信息,并可为脑肿瘤的切除手术及放射治疗提供重要的信息。
目前,对脑组织与肿瘤的MRI图像分割方法很多[1-3],其中分水岭分割[4]以其可得到单像素宽、连通闭合轮廓等优点已应用于医学图像分割[5]。
一种基于多尺度轮廓点空间关系特征的形状匹配方法杨亚飞;郑丹晨;韩敏【期刊名称】《自动化学报》【年(卷),期】2015(000)008【摘要】针对使用三角形区域表示描述子对相似形状进行匹配时，对微小形变比较敏感以及区分剧烈变化的不相似形状时判别能力较弱的问题，提出一种结合轮廓点空间关系特征的多尺度形状特征描述子。
通过分析不同尺度下参考点与其他采样点之间的位置关系，利用对应角度信息来对形状进行表示，并在此基础上构造出一种新的形状特征描述子。
本文所提特征提取方法能对形状的局部及全局信息更准确地描述，具有较好的鲁棒性和判别能力。
在形状特征匹配阶段，利用轮廓点集顺序关系已知这一优势，引入动态规划及形状复杂度分析的方法，分析形状间的匹配结果，能够得到较好的形状匹配精度。
通过对不同形状数据集行仿真实验，证明本文方法能够有效地实现形状识别和检索。
%In order to improve the sensibility and discrimination power of triangle-area representation, a shape matching method using multi-scaled contour space relationship is proposed. The angle information in multi-scales, which is used to represent shape contours, can be obtained by analyzing the spatial relationship of different points, and a new shape descriptor is further constructed. With the proposed descriptor, the multi-scaled information of contours can be expressed accurately, and the cost for descriptors of the corresponding points from similar shapes can be effectively decreased. As the orders of all the contour points are already known, a dynamicprogramming method and shape complexity can be used to guarantee the matching accuracy during the feature matching step. The proposed algorithm has been tested on different shape databases, and the performances are superior to many other methods.【总页数】7页(P1405-1411)【作者】杨亚飞;郑丹晨;韩敏【作者单位】大连理工大学电子信息与电气工程学部大连 116023;大连理工大学电子信息与电气工程学部大连 116023;大连理工大学电子信息与电气工程学部大连 116023【正文语种】中文【相关文献】1.仿射变换下基于凸包和多尺度积分特征的形状匹配方法 [J], 蔡慧英;朱枫2.一种基于轮廓特征和拓扑关系的图像检索方法 [J], 曾接贤;毕东格3.一种基于多尺度局部分形维轮廓不规则特征提取算法 [J], 郭安哲;马莉;和瑞勇;毛俊勇;王文峰4.一种利用轮廓朝向特征进行形状匹配的方法 [J], 樊一娜;郎波5.轮廓形状匹配的形状函数小波特征方法 [J], 朱同林;彭嘉雄因版权原因，仅展示原文概要，查看原文内容请购买。
《基于多尺度卷积Transformer的结直肠癌KRAS突变预测》篇一一、引言结直肠癌（CRC）是一种常见的消化道恶性肿瘤，其发生与多种基因突变密切相关。
其中，KRAS基因突变是CRC发生和发展的重要驱动因素之一。
因此，准确预测KRAS突变对于结直肠癌的早期诊断、治疗和预后评估具有重要意义。
近年来，随着深度学习技术的不断发展，基于卷积神经网络（CNN）的算法在生物医学图像处理和生物信息学领域取得了显著的成果。
本文提出了一种基于多尺度卷积Transformer的结直肠癌KRAS突变预测方法，以提高预测准确性和效率。
二、相关工作在过去的研究中，KRAS突变的检测主要依赖于Sanger测序等传统测序技术。
然而，这些方法的通量低、成本高，且需要专业技术人员操作，难以满足大规模筛查和实时监测的需求。
近年来，基于深度学习的生物信息学方法在基因突变预测方面取得了显著的进展。
其中，卷积神经网络（CNN）在图像识别和特征提取方面具有优秀的性能，已被广泛应用于基因组学和生物信息学领域。
三、方法本文提出的基于多尺度卷积Transformer的结直肠癌KRAS 突变预测方法主要包括以下步骤：1. 数据预处理：将基因组数据转换为适合深度学习模型处理的格式，包括基因序列的编码和归一化等。
2. 构建多尺度卷积Transformer模型：该模型包括多个尺度的卷积层和Transformer结构，能够提取不同尺度的基因序列特征。
同时，通过注意力机制对不同尺度的特征进行加权，提高模型的表达能力和泛化能力。
3. 训练和优化模型：使用大量的结直肠癌样本数据对模型进行训练和优化，包括模型参数的调整、损失函数的设定和学习率的调整等。
4. 预测KRAS突变：将待测样本的基因组数据输入到训练好的模型中，通过模型的输出判断该样本是否为KRAS突变阳性。
四、实验与分析为了验证本文提出的基于多尺度卷积Transformer的结直肠癌KRAS突变预测方法的性能，我们进行了以下实验和分析：1. 数据集：使用公开的结直肠癌基因组数据集进行实验，包括训练集和测试集。
—200—基于多尺度的肿瘤轮廓结构不规则性特征分析秦 波，马 莉(杭州电子科技大学自动化学院，杭州 310018)摘 要：皮肤肿瘤轮廓的结构不规则性特征提取在计算机辅助诊断黑色素瘤中具有重要意义。
在前期轮廓不规则性的局部分形维基础上，提出基于多尺度曲率的轮廓不规则特征提取方法，采用相邻尺度间特征差异度量来增强大尺度下的甄别良恶性皮肤肿瘤的能力。
通过局部分形维和曲率分析比较表明，相邻尺度间特征差异度量方法具有类间Hausdorff 距离随尺度增大的特性，但局部分形维较曲率分析具有较大的Hausdorff 距离值。
实验结果表明，上述方法不仅具有较强的结构不规则性的分类能力，并且有助于削弱纹理不规则性对分类结果的影响。
关键词：结构不规则性；局部分形维；曲率分析；多尺度分析Feature Analysis of Tumors Boundary Structure IrregularityBased on Multi-scaleQIN Bo, MA Li(School of Automation, Hangzhou Dianzi University, Hangzhou 310018, China)【Abstract 】Feature extraction of structure irregularity for skin lesion boundaries has a great significance in computer-aided diagnosis for melanomas. Based on previous work using local Fractal Dimension(local FD) for contour irregularity descriptions, this paper proposes the feature extraction method of boundary irregularity using multi-scaled curvature analysis. Feature differences from adjacent scales are used to enhance the discrimination power between malignant and benign shin tumors. Comparative experiments of both local FD and curvature analysis show that the features difference of adjacent scales has characteristics of larger inter-class Hausdorff distance with the scale increase, while local FD performs better than curvature analysis with larger Hausdorff distance value. Experimental results show that the two methods not only have strong classification capacity of structure irregularity, but also are helpful to weaken texture irregularity for the classification. 【Key words 】structure irregularity; local Fractal Dimension(local FD); curvature analysis; multi-scale analysis计 算 机 工 程 Computer Engineering 第36卷 第22期Vol.36 No.22 2010年11月November 2010·人工智能及识别技术· 文章编号：1000—3428(2010)22—0200—03文献标识码：A中图分类号：TP181 概述黑色素瘤是一种具有转移时间早，不容易早期鉴别的恶性肿瘤。
目前，黑色素瘤发病呈上升趋势，黑色素瘤的早期诊断对提高治愈率具有重要作用。
根据黑色素瘤的表面特性，皮肤科医生总结出4条判别规则(ABCD rule): A(Asymmetry)不对称性；B(Border)不规则性；C(Color)颜色和D(Diameter)指瘤体直径[1]。
黑色素瘤轮廓结构不规则性在早期诊断中具有重要的临床意义。
对于皮肤肿瘤轮廓的不规则性，很多专家学者进行了研究。
文献[1]提出用局部分形维分析法分析黑色素瘤轮廓不规则性，相比于1993年文献[2]使用的全局分形维，利用了轮廓的局部信息，具有更强的分类能力。
文献[3]利用ABCD 法则，提取105个特征来分析良恶性肿瘤，这种方法计算量太大。
文献[4]提出用多尺度下曲率极值点分割轮廓，把轮廓根据极值点分成若干个段，分别计算各段的不规则度和整体轮廓的不规则度，这种方法计算复杂。
根据轮廓不规则性来区分良恶性黑色素瘤的方法主要有2种：(1)在原尺度下直接度量皮肤肿瘤的不规则性[2-3]；(2)在多尺度下对皮肤肿瘤轮廓不规则性进行分析[1,4]。
由于皮肤肿瘤在原始尺度下含有结构和纹理的混合不规则性，弱化了其分类能力；后者利用多尺度分析去除皮肤肿瘤轮廓的纹理不规则性，使得分类能力得到增强。
本文在文献[1,5]基础上探讨了多尺度下不规则特征随尺度增加的类间分类能力，提出了轮廓不规则性的多尺度曲率描述和不规则特征度量。
经过实验研究，提出一种通过度量相邻尺度间特征差异，增强良恶性类间差异的方法。
2 目标轮廓的多尺度描述高斯滤波器对信号有平滑作用。
目标轮廓与不同尺度的高斯滤波器卷积得到多尺度下的平滑轮廓。
高斯核函数如下：()()22ex b F x a σ−−=(1)高斯滤波器能很好地对轮廓平滑滤波。
标准差σ的大小对高频分量的抑制程度产生影响：σ越大，高频分量去除越多。
黑色素瘤轮廓及其滤波后轮廓如图1所示。
(a)原始轮廓 (b)多次滤波后轮廓图1 某黑色素瘤轮廓及其滤波后轮廓基金项目：国家自然科学基金资助项目(60775016)作者简介：秦 波(1985－)，女，硕士研究生，主研方向：模式识别，智能系统；马 莉，教授、博士收稿日期：2010-04-20 E-mail ：szqb403204052@—201—某黑色素瘤原始轮廓具有明显的不规则性(图1(a))，在σ变大时高斯平滑后的轮廓保留了结构不规则性，而纹理不规则性消失(图1(b))。
2.1 基于多尺度高斯滤波的局部分形维描述传统的全局分形维[2]反映研究对象的全局信息，而局部分形维可以描述肿瘤轮廓的细节信息。
由文献[1,5]可知，局部分形维定义如下：()()~log /log i d n r (2)目标轮廓L 上任意像素点i ，以i 为中心选取一系列具有不同边长r 的网格，计算不同尺度下落在网格里的轮廓点数n ，再利用最小均方差准则求出()()log /log n r 的斜率，即为该点的局部分形维值i d (尺度变化能包含像素点周围信息即可)。
局部分形维值越大，表示该点纹理信息越丰富，反之，该点越平滑。
良恶性黑色素瘤的区别在于恶性肿瘤轮廓具有显著的不规则性，而良性则是结构规则的圆或椭圆。
图2分别给出了多尺度下良恶性肿瘤局部分形维的极坐标图。
恶性轮廓具有较大的局部分形维值，并且局部分形维变化图2(a)比良性轮廓的局部分形维值变化图2(c)要剧烈得多。
恶性黑色素瘤轮廓存在明显的结构不规则和纹理不规则性。
经过高斯滤波，纹理不规则可以逐渐消失，而结构不规则越来越明显。
不同尺度下良恶性黑色素瘤的局部分形维分布如图2所示。
(a) 恶性尺度0局部分形维极坐标分布(b)恶性尺度5局部分形维极坐标分布(c)良性尺度0局部分形维极坐标分布(d) 良性尺度5局部分形维极坐标分布13001.50.521030060180150901203302400.511.56060603030300003303303003003002402402102102101801801801501501501201201209090900.5110.5图2 不同尺度下良恶性轮廓局部分形维分布2.2 基于多尺度高斯滤波的轮廓曲率描述轮廓曲率[8]是描述轮廓粗糙性的传统方法。
轮廓上任意点处曲率值描述了轮廓的局部信息。
曲率分布中极值点对应轮廓上凹凸起伏的位置，表现了轮廓的结构不规则性。
曲率过零点表现轮廓的拐点。
曲率分布变化越剧烈，目标轮廓具有较强的纹理不规则和结构不规则性；当轮廓越平滑，轮廓曲率分布变化越平缓。
受图像中目标轮廓量化噪声的影响，传统曲率计算公式()()()()[()()]'''''''2'2x t y t x t y t c x t y t −=+具有很大误差。
文献[7]提出用拟合法来计算轮廓上各点的曲率值：对任意轮廓L 、i p 、i k p −、i k p +为逆时针扫描轮廓得到的点，则i p 点处的曲率值()c i 如下[6]：()i i k i i k c i p p p p −+=+(3)在实际中，间隔点k 的选择十分重要，k 过大会失去轮廓的局部信息；过小会受数字化和噪声影响。
对于轮廓点数的范围在950~1 000，一般选择k 为50。
曲率对轮廓的不规则程度度量很敏感。
恶性黑色素瘤曲率值波动大(图3(a))，良性黑痣也有波动，幅度较恶性小 (图3(c))。
除此之外，曲率具有旋转、平移性不变性。
由于曲率的计算是通过拟合进行的，因此曲率对轮廓的尺寸具有可变性。
恶性黑色素瘤轮廓比良性痣的轮廓要大得多，在拟合过程中，需适当放大良性的轮廓。
图3 不同尺度下良恶性轮廓曲率分布经过滤波后，恶性黑色素瘤轮廓的纹理不规则逐渐消失，结构不规则越来越突出；而良性轮廓在各尺度下基本保持不变。
随着尺度的增大，恶性黑色素瘤轮廓的曲率分布变化剧烈程度降低，均值变小；而良性肿瘤轮廓随着尺度增大曲率分布基本保持不变。
因此，在不同尺度下，提取轮廓的曲率分布及其统计特征，可以区分良恶性肿瘤的轮廓。
3 目标轮廓结构不规则特征提取3.1 基于LFD 的结构不规则度量及多尺度特征(1)基于LFD 的结构不规则性度量：1N i iL d m N=∑=,100d Lf s A I A =× (4)其中，L m 是轮廓L 在高斯滤波最大尺度(本文为尺度5)下局部分形维分布均值；i d 为轮廓上点i 对应的局部分形维值；N 是轮廓点总数；s A 表示以局部分形维分布均值L m 为半径形成的圆面积；d A 表示尺度5下局部分形维分布围成的区域和以L m 为半径形成的圆区域的面积差；Lf I 描述了基于局部分形维的轮廓不规则性，值越小，结构不规则度越低；反之，结构不规则度越高。
