本發(fā)明涉及圖像處理領(lǐng)域，特別是一種組織病理圖像分類方法。

背景技術(shù)：

組織病理圖像在疾病診斷中已經(jīng)成為國(guó)際衛(wèi)生組織公認(rèn)的“金標(biāo)準(zhǔn)”^[1],對(duì)于輔助疾病診斷發(fā)揮著極其重要的作用。然而，病理學(xué)家對(duì)組織病理圖像的分析一直停留在基于經(jīng)驗(yàn)的定性水平。因此，如何通過(guò)計(jì)算機(jī)輔助診斷(computeraideddiagnosis,cad)技術(shù)自動(dòng)地實(shí)現(xiàn)組織病理圖像定量分析，已成為醫(yī)學(xué)圖像分析領(lǐng)域研究熱點(diǎn)之一^[2-4]。

傳統(tǒng)的計(jì)算機(jī)輔助疾病診斷系統(tǒng)一般利用組織病理圖像的灰度或者紋理特征進(jìn)行疾病診斷^[5-6]，取得了一定的效果，并具有較好的實(shí)時(shí)性。但是，往往忽視了組織病理圖像的顏色信息。srinivas等^[7]基于稀疏表示分類方法^[8](sparserepresentationbasedclassification，src)提出一種同步稀疏模型，該模型利用組織病理圖像rgb三通道的像素值作為字典，通過(guò)稀疏表示的重構(gòu)誤差實(shí)現(xiàn)組織病理圖像分類。vu等^[9]利用顏色信息，將圖像塊的rgb三通道值串聯(lián)成列向量作為樣本，提出了一種新的字典學(xué)習(xí)模型，該模型能夠自動(dòng)提取判別性特征，實(shí)現(xiàn)了有病和無(wú)病樣本的分類。上述組織病理圖像分類方法雖然取得了一定的效果，卻沒(méi)有考慮組織病理圖像rgb三通道間的共性與差異性。

近年來(lái)，duarte等^[10]提出了聯(lián)合稀疏模型(jointsparsitymodels,jsm)，并且被迅速應(yīng)用于圖像融合^[11]、去噪^[12]、恢復(fù)^[13]和模式識(shí)別^[14-15]等領(lǐng)域。聯(lián)合稀疏模型分為三類：jsm-1、jsm-2與jsm-3。jsm-1^[10]將信號(hào)分為兩部分：共有分量和獨(dú)有分量，聯(lián)合同一個(gè)字典可以得到兩個(gè)分量的稀疏編碼。同時(shí)，yang等^[16]利用圖像的空間位置信息，將金字塔匹配模型^[17](spatialpyramidmatching,spm)引入到圖像特征的稀疏編碼來(lái)提高分類性能。因此，shi等^[18]結(jié)合jsm-1和spm模型，提出了基于聯(lián)合稀疏編碼的空間金字塔匹配模型(jointsparsecodingbasedspatialpyramidmatching，jscspm)模型。首先，利用k-means將rgb三通道的所有dsift特征^[19]一起聚類，以聚類的特征作為共有分量與獨(dú)有分量的字典，建立聯(lián)合稀疏編碼模型，結(jié)合spm模型得到稀疏編碼系數(shù)，并應(yīng)用于組織病理圖像分類，取得了較好的分類性能。但是存在以下問(wèn)題：1)jscspm模型雖然利用聯(lián)合稀疏模型將每個(gè)通道分為共有分量與獨(dú)有分量，但兩部分采用相同的字典進(jìn)行編碼，不僅導(dǎo)致兩個(gè)分量的編碼系數(shù)間相似度較高，而且無(wú)法有效區(qū)分通道間的獨(dú)有分量之間的差異性，編碼系數(shù)判別性弱；2)jscspm模型忽視了圖像的灰度信息，而且對(duì)所有彩色通道的dsift特征一起聚類得到字典，忽略了rgb三個(gè)通道之間的關(guān)聯(lián)，其模型無(wú)法真正表示出三通道特征的共有分量與獨(dú)有分量。

duarte等[10]提出的jsm大致可分為三種類型：jsm-1、jsm-2和jsm-3。其中，jsm-1將信號(hào)分為兩部分：共有分量和獨(dú)有分量，并且兩部分采用相同的字典進(jìn)行稀疏編碼，目標(biāo)函數(shù)定義如下：

其中，y^c是信號(hào)yj的共有分量，是信號(hào)yj的獨(dú)有分量，x^c和分別為y^c和在字典d下的稀疏編碼系數(shù)，k和kj為共有分量和獨(dú)有分量的稀疏度。

shi等[17]提出了jscspm模型，將圖像rgb三通道的dsift特征表示兩個(gè)部分之和：共有分量和獨(dú)有分量，模型定義如下：

其中，yr,yg,yb分別對(duì)應(yīng)rgb三通道的dsift特征，y^c是三通道的共有分量，是rgb三通道分別對(duì)應(yīng)的獨(dú)有分量。

其次，利用k-means算法，將rgb三通道的所有dsift特征一起聚類得到字典d，采用相同的字典d對(duì)共有分量與獨(dú)有分量進(jìn)行稀疏編碼，建立聯(lián)合稀疏編碼模型，其定義如下：

其中，x^c為三通道共有分量的編碼系數(shù)，為rgb三個(gè)通道獨(dú)有分量的編碼系數(shù)。

將式(3)轉(zhuǎn)化成如下矩陣形式：

其中，yr,yg,yb分別為組織病理圖像rgb三通道的dsift特征，將yr,yg,yb三個(gè)列向量串聯(lián)作為信號(hào)y＝[yr,yg,yb]^t，為聯(lián)合字典，為聯(lián)合稀疏編碼系數(shù)。

最后，考慮組織病理圖像空間結(jié)構(gòu)信息，對(duì)圖像特征分三層，結(jié)合spm模型，jscspm模型的定義如下：

其中，y＝[y1,y2,…,yn]∈r^m×n為每層圖像dsift特征向量集，聯(lián)合字典為過(guò)完備字典，為聯(lián)合稀疏編碼系數(shù)。式(5)中的第一項(xiàng)為稀疏重構(gòu)誤差，第二項(xiàng)為基于l1范數(shù)的編碼稀疏項(xiàng)。

jscspm模型結(jié)合聯(lián)合稀疏與空間金字塔模型，實(shí)現(xiàn)了組織病理圖像的分類，取得了一定的實(shí)驗(yàn)效果。但是，在jscspm模型中，忽視了組織病理圖像的灰度信息，也沒(méi)有真正的考慮rgb三通道特征之間的共性與差異，使用相同的字典對(duì)所有分量聯(lián)合稀疏編碼，編碼系數(shù)的判別能力弱，導(dǎo)致分類性能有待提高。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問(wèn)題是，針對(duì)現(xiàn)有技術(shù)不足，提供一種組織病理圖像分類方法。

為解決上述技術(shù)問(wèn)題，本發(fā)明所采用的技術(shù)方案是：一種組織病理圖像分類方法，包括以下步驟：

1)輸入組織病理圖像的訓(xùn)練圖像，得到訓(xùn)練圖像的灰度通道與組織病理圖像的rgb三通道圖像；

2)分別提取灰度通道圖像與rgb三通道圖像的dsift特征向量，將rgb三通道圖像的dsift特征向量串聯(lián)，得到訓(xùn)練樣本yi，并將所有訓(xùn)練樣本yi得到樣本矩陣y；

3)聚類灰度通道圖像的dsift特征向量和rgb三通道圖像的dsift特征向量，得到相應(yīng)的子字典di，dr、dg、db，構(gòu)造聯(lián)合字典；

4)將rgb三通道圖像特征向量表示為共有分量和獨(dú)有分量之和，建立多通道聯(lián)合稀疏模型；

5)將組織病理的訓(xùn)練圖像或測(cè)試圖像分為3層，該3層相應(yīng)的劃分為1h、4h、16h個(gè)圖像塊，建立每層的mc-jscspm模型，獲得每一層圖像樣本矩陣y的聯(lián)合稀疏編碼系數(shù)；

6)對(duì)聯(lián)合稀疏編碼系數(shù)進(jìn)行池化操作，得到特征的編碼系數(shù)；

7)將所述編碼系數(shù)作為svm的輸入，訓(xùn)練分類器；

8)基于步驟5)和步驟6)獲得的測(cè)試集的聯(lián)合稀疏編碼系數(shù)，利用所述分類器進(jìn)行分類實(shí)驗(yàn)。

將rgb三通道圖像特征向量表示為共有分量和獨(dú)有分量之和的表達(dá)式為：

其中，yr,yg,yb分別對(duì)應(yīng)rgb三通道圖像的dsift特征向量；為rgbrgb三通道圖像特征向量獨(dú)有分量的編碼系數(shù)；di為灰度子字典；dr、dg、db分別為rgb三通道分別對(duì)應(yīng)的子字典；為共有分量基于di的編碼系數(shù)，為基于子字典dr、dg、db的編碼系數(shù)，是rgb三通道分別對(duì)應(yīng)的獨(dú)有分量。

所述多通道聯(lián)合稀疏模型的表達(dá)式為：

其中，為聯(lián)合編碼系數(shù)；y＝[yr,yg,yb]^t為組織病理圖像rgb三通道的dsift特征串聯(lián)而成的列向量。

所述mc-jscspm模型表達(dá)式如下：

其中，y＝[y1,y2,…,yn]∈r^m×n為特征向量集；為聯(lián)合字典；為稀疏編碼系數(shù)；，n為輸入樣本個(gè)數(shù)，k為字典中列向量的個(gè)數(shù)。

利用lars方法求解mc-jscspm模型，得到稀疏編碼系數(shù)

與現(xiàn)有技術(shù)相比，本發(fā)明所具有的有益效果為：本發(fā)明結(jié)合組織病理圖像的灰度通道與彩色通道特征，基于rgb通道特征獨(dú)有分量之間的相似低這一先驗(yàn)，提出了一種基于多通道聯(lián)合稀疏編碼的空間金字塔匹配模型(multi-channeljointsparsecodingbasedspatialpyramidmatching,mc-jscspm)的組織病理圖像分類方法。該方法首先提取組織病理圖像的灰度通道和rgb三通道的dsift特征，分別聚類每個(gè)通道的dsift特征，得到四個(gè)子字典分別為：灰度字典、r通道字典、g通道字典與b通道字典。將灰度字典作為每個(gè)通道特征的共有字典，其他三個(gè)子字典分別作為每個(gè)通道特征的獨(dú)有字典，并建立聯(lián)合稀疏編碼模型。其次，結(jié)合spm模型，對(duì)不同層次的圖像特征進(jìn)行多通道聯(lián)合稀疏編碼，利用編碼系數(shù)訓(xùn)練svm分類器。本發(fā)明能有效改善組織病理圖像的分類性能，編碼系數(shù)判別性強(qiáng)；考慮了rgb三個(gè)通道之間的關(guān)聯(lián)，模型可以真正表示出三通道特征的共有分量與獨(dú)有分量。

附圖說(shuō)明

圖1為mc-jscspm模型流程圖；

圖2(a)為肺、脾臟、腎臟的健康圖像；圖2(b)為肺、脾臟、腎臟的炎癥圖像；

圖3(a)為肺部的roc特性曲線；圖3(b)為脾臟的roc特性曲線；圖3(c)為腎臟的roc特性曲線。

具體實(shí)施方式

本發(fā)明分別提取組織病理圖像灰度通道和彩色rgb三通道的dsift特征，將聚類的灰度特征作為共有字典，分別聚類的rgb三通道dsift特征作為獨(dú)有字典，提出一種mc-jscspm模型。

假設(shè)矩陣a,b∈r^m×n，矩陣a，b相似度的定義如下：

其中，<a,b>＝tr(b^ta)，tr(*)表示矩陣主對(duì)角線之和；

θ表示兩個(gè)矩陣之間的夾角，f(θ)的值域?yàn)閇-1,1]。當(dāng)θ＝90°，f(θ)＝0時(shí)，表示a，b矩陣完全不相似；當(dāng)θ＝0°，f(θ)＝1時(shí)，表示a，b矩陣相似度最高。

本發(fā)明將灰度通道特征先作為共有分量，結(jié)合式(2)，求得rgb三通道特征的獨(dú)有分量，利用式(6)計(jì)算獨(dú)有分量之間的相似度。為了驗(yàn)證組織病理圖像rgb三通道間獨(dú)有分量的相似性，基于adl數(shù)據(jù)集^[20]中三類組織病理圖像，分別計(jì)算rgb三通道的dsift特征獨(dú)有分量之間的相似度，結(jié)果如表1所示。

表1：rgb三通道dsift特征獨(dú)有分量之間的相似度

從表1可知，這三類組織病理圖像的rgb三通道dsift特征獨(dú)有分量之間的相似度很低，說(shuō)明rgb三通道特征獨(dú)有分量的稀疏編碼系數(shù)具有較好的判別性，能夠取得更好的分類結(jié)果。

本發(fā)明提出了mc-jscspm模型，與文獻(xiàn)^[18]不同的是，本發(fā)明使用k-means分別對(duì)灰度通道、rgb三通道特征進(jìn)行聚類，獲得每個(gè)通道相應(yīng)的子字典di，dr、dg、db。其中，灰度子字典di作為rgb三通道特征共有字典，將dr、dg、db作為rgb三通道特征獨(dú)有字典。利用子字典di，dr、dg、db構(gòu)造聯(lián)合字典，建立多通道的稀疏模型，式(2)可以重新定義如下：

其中，為共有分量；分別為每個(gè)通道特征的獨(dú)有分量；di為灰度子字典，dr、dg、db分別為rgb三通道分別對(duì)應(yīng)的子字典，為共有分量基于di的編碼系數(shù)，為基于子字典dr、dg、db的編碼系數(shù)。

然后，將式(7)轉(zhuǎn)化為矩陣形式，其定義如下：

其中，為聯(lián)合字典，為聯(lián)合編碼系數(shù)，y＝[yr,yg,yb]^t為組織病理圖像rgb三通道的dsift特征串聯(lián)而成的列向量。

最后，結(jié)合圖像空間結(jié)構(gòu)信息，利用spm模型，建立mc-jscspm模型，定義如下：

其中，y＝[y1,y2,…,yn]∈r^m×n為特征向量集，為聯(lián)合字典，為稀疏編碼系數(shù)。本發(fā)明利用lars^[21]求解式(9)可以獲得聯(lián)合稀疏編碼系數(shù)

本發(fā)明提出模型的流程如圖1所示，具體步驟描述如下：

步驟1：輸入訓(xùn)練樣本，分別得到訓(xùn)練樣本的灰度通道與rgb三通道圖像。

步驟2：分別提取灰度通道與rgb三通道的dsift特征向量，將rgb三通道dsift特征向量串聯(lián)得到訓(xùn)練特征yi，組合得到特征矩陣y。

步驟3：分別聚類灰度、rgb三通道的dsift特征，得到相應(yīng)的子字典di，dr、dg、db，并用于構(gòu)造聯(lián)合字典。

步驟4：根據(jù)式(7)，將rgb三通道特征表示為共有分量和獨(dú)有分量之和，利用步驟3構(gòu)造的聯(lián)合字典，根據(jù)式(8)建立多通道聯(lián)合稀疏模型。

步驟5：結(jié)合空間金字塔結(jié)構(gòu)，將圖像分為3層，并相應(yīng)的劃分為1、4、16個(gè)圖像塊，根據(jù)式(9)建立每層的mc-jscspm模型，利用lars算法^[21]求解式(9)獲得每一層圖像特征的聯(lián)合稀疏編碼系數(shù)。

步驟6：采用多尺度最大池化方法對(duì)聯(lián)合稀疏編碼系數(shù)進(jìn)行池化操作，得到特征的編碼系數(shù)。

步驟7：利用步驟6得到的特征編碼系數(shù)，作為svm的輸入，訓(xùn)練分類器。

步驟8：利用步驟5、6獲得測(cè)試樣本的編碼系數(shù)，并利用利用步驟7種訓(xùn)練好的svm分類器進(jìn)行分類實(shí)驗(yàn)。

本發(fā)明基于adl^[20]組織病理圖像數(shù)據(jù)集，驗(yàn)證了mc-jscspm模型的有效性，并與其他方法進(jìn)行對(duì)比分析。

dsift特征^[19]的提取過(guò)程為：利用網(wǎng)格，將圖像劃分得到相同大小的特征塊，并且塊與塊之間采用重疊方式，每個(gè)特征塊的中心位置作為一個(gè)特征點(diǎn)，將同一個(gè)特征塊里的所有像素點(diǎn)作為該特征點(diǎn)的sift特征，將圖像所有特征點(diǎn)的sift組合而成則為dsift特征。本發(fā)明所采用的dsift特征的采樣間隔設(shè)置為16個(gè)像素，圖像塊大小為16×16，則一幅圖像的dsift特征矩陣的尺寸為128*1369。

adl數(shù)據(jù)集及相關(guān)實(shí)驗(yàn)設(shè)置：

adl數(shù)據(jù)集^[20]由賓夕法尼亞州立大學(xué)提供，共有900多張圖像，包括三類器官的圖像：肺，脾臟，腎臟。其中，每一類器官都包括健康和炎癥兩種類別的病理組織，各占150多張，其尺寸為1360×1024。各類器官的兩種醫(yī)學(xué)病理組織示意圖如圖2所示，圖2(a)從左至右依次分別表示肺、脾臟、腎臟的健康圖像，圖2(b)從左至右依次表示肺、脾臟、腎臟的炎癥圖像。

本發(fā)明從肺、脾臟、腎臟三類器官的健康和炎癥的彩色樣本圖像中分別隨機(jī)選取120張作為訓(xùn)練集，將每張彩色圖像尺寸轉(zhuǎn)化成600×600，分別提取出其灰度通道和rgb三通道的dsift特征，則每個(gè)通道的dsift特征為128×1369×120，從每個(gè)通道隨機(jī)選取10000個(gè)dsift特征進(jìn)行聚類，得到子字典di，dr、dg、db∈r^128×1024，利用子字典構(gòu)造聯(lián)合字典將每張圖像分三層，每層圖像rgb三通道特征串聯(lián)成列向量作為訓(xùn)練樣本，利用聯(lián)合字典進(jìn)行稀疏編碼，將編碼系數(shù)進(jìn)行最大池化，利用池化后的編碼系數(shù)訓(xùn)練svm分類器。最后，將測(cè)試集中每張彩色圖像尺寸同樣轉(zhuǎn)化成600×600，分為三層，提取每層圖像rgb三通道的dsift特征，串聯(lián)成列向量作為測(cè)試樣本，利用聯(lián)合字典得到測(cè)試樣本的稀疏編碼系數(shù)，進(jìn)行同樣的最大池化操作，并利用svm分類器進(jìn)行分類。

本發(fā)明方法與其他方法的實(shí)驗(yàn)結(jié)果對(duì)比分析如下：

為了證明本發(fā)明所提mc-jscspm方法的有效性，我們對(duì)比了scspm和jscspm方法。表2、3、4分別給出了不同方法在肺部、脾臟和腎臟圖像上的分類結(jié)果。

表2不同方法在肺部圖像的分類結(jié)果對(duì)比

表3不同方法在脾臟圖像的分類結(jié)果對(duì)比

表4不同方法在腎臟圖像的分類結(jié)果對(duì)比

由表2、表3與表4可知，本發(fā)明提出的mc-jscspm模型對(duì)肺部、脾臟和腎臟三類器官的疾病診斷效果明顯要好于其他模型。本發(fā)明結(jié)合圖像的灰度與彩色信息，采用灰度字典與rgb三個(gè)字典作為聯(lián)合字典，考慮多通道之間的關(guān)聯(lián)，充分利用了不同通道之間的共性與差異，得到的聯(lián)合編碼系數(shù)的判別性更強(qiáng)，獲得了更好的分類效果。

本發(fā)明方法與其他方法的roc特性曲線分析如下：

圖3(a)、圖3(b)、圖3(c)分給出了本發(fā)明方法與其他方法的roc曲線對(duì)比結(jié)果，圖3(a)、圖3(b)與圖3(c)分別為肺部、脾臟和腎臟的roc特性曲線圖，從圖中可以看出，本發(fā)明方法的roc曲線明顯高于其他方法，進(jìn)一步說(shuō)明了本發(fā)明所提mc-jscspm方法的優(yōu)越性。

本發(fā)明提出了一種基于多通道聯(lián)合稀疏編碼的空間金字塔匹配模型，并將其應(yīng)用于組織病理圖像的分類。該模型不僅結(jié)合了灰度與rgb特征，同時(shí)考慮了rgb三通道特征之間的共性與差異。首先，分別提取組織病理圖像灰度通道和rgb三通道的dsift特征，相應(yīng)的得到每個(gè)通道的子字典，實(shí)現(xiàn)了共有分量和獨(dú)有分量的聯(lián)合稀疏編碼。然后，結(jié)合圖像的空間信息，利用spm模型，對(duì)不同層次的圖像特征進(jìn)行多通道聯(lián)合稀疏編碼。最后利用編碼系數(shù)進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，本發(fā)明提出的模型具有更好的特征表示能力，編碼系數(shù)具有更好的分類性能，可以有效輔助醫(yī)生的臨床診斷。

參考文獻(xiàn)：

[1]chanjk.thewonderfulcolorsofthehematoxylin-eosinstainindiagnosticsurgicalpathology.[j].internationaljournalofsurgicalpathology,2014,22(1):12-32.

[2]vetam,pluimjp,vandiestpj,etal.breastcancerhistopathologyimageanalysis:areview.[j].ieeetransactionsonbio-medicalengineering,2014,61(61):1400-11.

[3]ritters,marguliekb.emergingtoolsforcomputer-aideddiagnosisandprognostication[j].journalofclinicaltrials,2011,4(2):e117-e117.

[4]xianm,zhangy,chenghd.fullyautomaticsegmentationofbreastultrasoundimagesbasedonbreastcharacteristicsinspaceandfrequencydomains[j].patternrecognition,2015,48(2):485-497

[5]xuj,janowczyka.ahigh-throughputactivecontourschemeforsegmentationofhistopathologicalimagery.[j].medicalimageanalysis,2011,15(6):851-862.

[6]kongj,cooperla,wangf,gutmanda,gaoj,chisolmc,etal.integrativemul-timodalanalysisofglioblastomausingtcgamoleculardatapathologyimagesandclinicaloutcomes.ieeetransbiomedeng2011；58(12):3469–74.

[7]srinivasu,mousavihs,mongav,etal.simultaneoussparsitymodelforhistopathologicalimagerepresentationandclassification[j].ieeetransactionsonmedicalimaging,2014,33(5):1163-1179.

[8]wrightj,yangay,ganesha,etal.robustfacerecognitionviasparserepresentation[j].ieeetransactionsonpatternanalysis&machineintelligence,2009,31(2):210-227.

[9]vuth,mousavihs,mongav,etal.dfdl:discriminativefeature-orienteddictionarylearningforhistopathologicalimageclassification[c],2015ieee12thinternationalsymposiumonbiomedicalimaging(isbi).ieee,2015:990-994.

[10]duartemf,wakinmb,barond,baraniukrg.universaldistributedsensingviarandomprojections.in:proceedingsofthesymposiumoninformationpro-cessinginsensornetworks.2006.p.177–85.

[11]yun,qiuts,bif,wangaq.imagefeaturesextractionandfusionbasedonjointsparserepresentation.ieeejseltopsignalprocess2011；5(5):1074–82

[12]yun,qiut,renfq.denoisingformultipleimagecopiesthroughjointsparserepresentation.jmathimagingvision2013；45(1):46–54.

[13]luoj,yangb,chenz.colorimagerestorationviaextendedjointsparsemodel.communcomputinfsci2012；321:497–504.

[14]ramezanim,abolmaesumip,marblek,etal.jointsparserepresentationofbrainactivitypatternsrelatedtoperceptualandcognitivecomponentsofaspeechcomprehensiontask[c]//internationalworkshoponpatternrecognitioninneuroimaging.ieee,2012:29-32.

[15]shekhars,patelvm,nasrabadinm,etal.jointsparsity-basedrobustmultimodalbiometricsrecognition[c]//internationalconferenceoncomputervision.springer-verlag,2012:365-374.

[16]yangj,yuk,gongy,etal.linearspatialpyramidmatchingusingsparsecodingforimageclassification[j].2009:1794-1801.

[17]lazebniks,schmidc,poncej.beyondbagsoffeatures:spatialpyramidmatchingforrecognizingnaturalscenecategories[c]//2006ieeecomputersocietyconferenceoncomputervisionandpatternrecognition(cvpr'06).ieee,2006,2:

[18]shij,liy,zhuj,etal.jointsparsecodingbasedspatialpyramidmatchingforclassificationofcolormedicalimage[j].computerizedmedicalimaging&graphicstheofficialjournalofthecomputerizedmedicalimagingsociety,2015,41(1):61-66.

[19]liff,peronap.abayesianhierarchicalmodelforlearningnaturalscenecategories[c]//ieeecomputersocietyconferenceoncomputervisionandpatternrecognition.ieeecomputersociety,2005:524-531vol.2.

[20]mongav,animaldiagnosticslabdataset,http://vbs.psu.edu/adl,2013

[21]efronb.leastangleregression[j].mathematics,2004,32(2):2004.