Серые текстуры: Планинг А6 Серые текстуры. Канц-Эксмо, 2021г. купить в интернет-магазине ПродаЛитЪ

{{l10n_strings.DRAG_TEXT_HELP}}

{{article. content_lang.display}}

{{l10n_strings.AUTHOR_TOOLTIP_TEXT}}

Оптимизированная модель текстуры кожи с использованием матрицы совпадения уровней серого

24.

Gómez W, Pereira WCA, Infantosi AFC (2012) Анализ статистики сочетаемости текстур в зависимости от квантования уровня серого для классификации УЗИ молочной железы.IEEE Trans Med Imaging 31(10):1889–1899

Статья Google Scholar

44.

Phung SL, Bouzerdoum A, Chai D (2005) Сегментация кожи с использованием классификации цветовых пикселей: анализ и сравнение. IEEE Trans Pattern Anal Mach Intell 27(1):148–154

Статья Google Scholar

61.

Shehab T, Farooq M (2013) Модель оценки стоимости нейронной сети для проектов восстановления коммунальных служб. Eng Constr Archit Manag 20(2):118–126

Статья Google Scholar

65.

Abdullah-Al-Wadud M, Shoyaib M, Chae O (2008) Подход к обнаружению кожи на основе карты цветового расстояния. EURASIP J Adv Signal Process 2008(1):814283

МАТЕМАТИКА Статья Google Scholar

Текстурный анализ с использованием матрицы совпадения уровней серого (GLCM). — MATLAB & Simulink

Анализ текстуры с использованием матрицы совпадения уровней серого (GLCM)

Статистический метод исследования текстуры, учитывающий пространственное отношение пикселей — это матрица совпадения уровней серого (GLCM), также известная как матрица пространственной зависимости.Функции GLCM характеризуют текстуру изображения с помощью вычисляя, как часто пары пикселей с определенными значениями и в указанном пространственном отношения происходят в изображении, создавая GLCM, а затем извлекая статистические меры из этой матрицы. (Функции фильтра текстуры, описанные в разделе «Расчет статистических показателей текстуры», не могут предоставить информацию о форме, т. е. пространственные отношения пикселей в изображении). грейкопропс .Эти статистические данные обеспечивают информация о текстуре изображения. В следующей таблице приведены статистические данные.

Связанные примеры

Подробнее о

Инвариантные оттенки серого текстурные особенности Харалика

Abstract

Текстурные признаки Харалика являются распространенными дескрипторами текстуры при анализе изображений.Чтобы вычислить характеристики Харалика, уровни серого изображения уменьшаются, процесс, называемый квантованием. Результирующие функции сильно зависят от шага квантования, поэтому функции Харалика не воспроизводятся, если не выполняется такое же квантование. Целью этой работы было разработать характеристики Харалика, инвариантные к количеству уровней серого квантования. Переопределяя матрицу совпадения уровней серого (GLCM) как дискретизированную функцию плотности вероятности, она становится асимптотически инвариантной к квантованию.Инвариантные и исходные признаки сравнивались с использованием классификации логистической регрессии, чтобы разделить два класса на основе признаков текстуры. Классификаторы, обученные на инвариантных признаках, показали более высокую точность и имели одинаковую производительность, когда обучающие и тестовые изображения имели очень разные квантования. В заключение, используя инвариантные функции Харалика, шаблон изображения будет давать одинаковые значения характеристик текстуры независимо от квантования изображения.

Образец цитирования: Löfstedt T, Brynolfsson P, Asklund T, Nyholm T, Garpebring A (2019) Инвариантные на уровне серого особенности текстуры Харалика.ПЛОС ОДИН 14(2): е0212110. https://doi.org/10.1371/journal.pone.0212110

Редактор: Матье Атт, ИНСЕРМ, ФРАНЦИЯ

Поступила в редакцию: 25. 05.2018; Принято: 28 января 2019 г.; Опубликовано: 22 февраля 2019 г.

Авторское право: © 2019 Löfstedt et al. Это статья с открытым доступом, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Набор данных 1 можно найти в Шведской национальной службе данных: https://snd.gu.se/sv/catalogue/study/snd1062. Набор данных 2 взят из конкурса «Сегментация железы в гистологических изображениях толстой кишки» (GlaS), проведенного на MICCAI 2015. Набор данных открыт и находится в свободном доступе по адресу https://warwick.ac.uk/fac/sci/dcs/research/ тиа/glascontest/скачать/. Оба набора данных принадлежат третьим лицам, и авторы подтверждают, что у них не было специального доступа к данным, которого не было бы у других. Исходный код для расчета инвариантных функций Харалика доступен по адресу https://github.com/patrik-brynolfsson/.

Финансирование: Автор(ы) не получали специального финансирования для этой работы.

Конкурирующие интересы: Авторы заявили об отсутствии конкурирующих интересов.

Введение

Наиболее простыми и интуитивно понятными функциями изображения для большинства приложений анализа изображений являются статистические данные первого порядка, вычисляемые из гистограмм значений уровня серого в изображениях, такие как их среднее значение, дисперсия, асимметрия и эксцесс.Такие функции включают значения отдельных пикселей, но игнорируют пространственное взаимодействие между пикселями. Особенности гистограммы не отражают объекты или узоры на изображении, а только распределение уровней серого. Эта неспособность делает статистику первого порядка грубым инструментом для количественной оценки изменений в изображениях или любых изменений в пространственном распределении значений серого.

Большинство методов анализа текстуры используют статистику более высокого порядка и рассматривают взаимосвязь между двумя или более пикселями одновременно. Для оценки текстуры изображений можно использовать такие методы, как локальные бинарные шаблоны [1], вейвлеты [2] и фильтры Габора [3].Харалик и др. . [4] предложили использовать матрицу совпадения уровней серого (GLCM) в качестве метода количественной оценки пространственного отношения соседних пикселей в изображении. Характеристики текстуры Харалика, вычисленные с помощью GLCM, широко используются благодаря их простоте и интуитивной интерпретации и успешно применяются в , например . в анализе текстуры кожи [5], в классификации землепользования и типа леса [6], в автоматическом обнаружении пыльцы [7], в обнаружении дефектов ткани [8], в классификации листьев растений [9], в режущем инструменте мониторинг состояния [10] и анализ электрофореза [11].В последние годы наблюдается быстрый рост применения функций Харалика в анализе медицинских изображений, например, . при анализе ультразвуковых и МРТ-изображений печени [12, 13], сердца [14], рентгеновской маммографии [15, 16], МРТ-изображений при исследовании рака молочной железы [17, 18], рака простаты [ 19–21] и рак головного мозга [22–24]. Он также используется в радиомике [25, 26], которая представляет собой новый метод, при котором большое количество количественных признаков извлекается из медицинских изображений и используется для построения моделей, предсказывающих 90–518 e.г . фенотип опухоли [27], выживаемость [28, 29] и классификация опухолей [30].

При создании GLCM из изображения или области интереса (ROI) глубина изображения в битах составляет , т. е. . количество уровней серого может быть уменьшено в процессе, называемом квантованием. Однако установить подходящую битовую глубину не так просто, и многие проекты искали оптимальную битовую глубину для различных приложений. [28, 31–35] Оптимальная битовая глубина зависит от размера изображения или области интереса, шума изображения [36] и, конечно же, содержания изображения [33]. Еще больше усложняет ситуацию то, что значения характеристик Харалика сильно зависят от разрядности и выбора максимального и минимального значений, используемых при квантовании [34, 37]. Клаузи и др. . [38] предложил метод нормализации двух признаков по отношению к уровням серого квантования для улучшения классификации, однако этот метод нельзя обобщить на все признаки Харалика. Шафик-уль-Хасан и др. . [39] предлагает другой метод масштабирования набора признаков Харалика, чтобы сделать их менее чувствительными к уровням серого квантования.Представленный подход является эмпирическим, и общее правило нормализации признаков не представлено. В настоящее время большинство значений характеристик Харалика нельзя сравнивать между анализами, использующими разное количество уровней серого, даже если они вычисляются на изображениях, изображающих одну и ту же текстуру. Это означает, что функции Харалика нельзя использовать для создания общих моделей, которые можно применять независимо от размера изображения или уровня шума, и которые нельзя воспроизвести, если не выполняется такое же квантование.

Цель этой работы состоит в том, чтобы предложить модифицированный набор текстурных признаков Харалика, которые асимптотически инвариантны к квантованию изображения, сохраняя при этом большинство интерпретаций исходных признаков.Модифицированные функции позволяют создавать статистические модели из изображений с различным количеством уровней серого или применять модель, обученную на одном количестве уровней серого, к данным изображения с использованием другого количества уровней серого.

Теория

Первый шаг в анализе текстуры с использованием признаков Харалика состоит в сопоставлении уровней серого в исходном изображении с размером a , b ], в квантованное изображение, I , в диапазоне [1, N ], которое имеет желаемое количество уровней серого, N .Мы представляем этот шаг с функцией квантования (1) который возвращает квантованное изображение (2)

В этой работе мы установили φ как аффинную функцию, но для целей этой работы нет ограничения на эту функцию.

Второй шаг заключается в построении ненормализованной GLCM путем подсчета количества раз, когда каждая пара уровней серого встречается в качестве соседей изображения I или в произвольной области I . Сосед пикселя определяется вектором смещения, δ = ( d _x , d _y ), в двух измерениях, где представляют смещение в и y в пикселях.Каждый элемент X ( i , j ) в GLCM вычисляется как (3) где I ( m , k ) есть элемент m , k в квантованном изображении I . Проще говоря, элемент X ( i , j ) ненормализованной GLCM подсчитывает, сколько раз значения серого i и j встречаются как соседи в I , где i j ∈ [1, N ].Можно создать GLCM с несколькими векторами смещения, , например, . (4) для восьми ближайших соседей пикселя в двух измерениях. Это может быть расширено до трех измерений, и в этом случае потребуется 26 векторов смещения. GLCM, созданная с использованием всех этих векторов смещения, , например . суммируя, говорят, что направление инвариантно. Если для построения GLCM используются векторы смещения с противоположными направлениями, GLCM будет симметричной. Симметричные GLCM полуинвариантны к направлению, они представляют отношения между пикселями в e.г . вертикальные или горизонтальные направления вместо вверх или вниз, влево или вправо. Полуинвариантная GLCM также может быть создана путем добавления транспонирования GLCM, созданного одним вектором смещения, к самой себе. Это означает, что необходимо вычислить только один из столбцов в уравнении 4, чтобы получить инвариантную по направлению GLCM в двух измерениях, или 13 векторов смещения для GLCM, построенных из соседей в трех измерениях.

Третий шаг заключается в построении нормализованной GLCM, где каждый элемент представляет предполагаемую вероятность каждой комбинации пар соседних уровней серого в изображении. Нормализованная GLCM вычисляется как (5)

Нормализованную GLCM можно интерпретировать как функцию массы вероятности пар уровней серого в изображении.

Четвертый шаг заключается в вычислении характеристик текстуры из нормализованной GLCM. Особенности текстуры Харалика являются функциями элементов и их соответствующих индексов в нормализованной GLCM и могут быть записаны в общем виде как (6) где ψ — функция элемента P , g — векторнозначная функция P , ϕ — функция индексов и g .Примеры г приведены в таблице 1. Например, при вычислении корреляции (см. таблицу 2) мы имеем

Таблица 1. Переменные и обозначения, используемые для вычисления признаков текстуры Харалика.

В двух крайних левых столбцах показаны исходные определения, а в двух крайних правых столбцах показаны изменения, необходимые для того, чтобы сделать функцию инвариантной к количеству уровней серого.

https://doi.org/10.1371/journal.pone.0212110.t001

Таблица 2.Особенности текстуры, вычисленные из GLCM.

В средней колонке показаны исходные определения, а в правой колонке показаны модификации, необходимые для того, чтобы сделать функции инвариантными к количеству уровней серого. Ошибка в определении Суммарная дисперсия в Haralick et al . [4], что было исправлено. λ ₂ ( Q ( i , j )) обозначает второе по величине собственное значение матрицы Q ( i , j ).Обратите внимание, однако, что эта функция нестабильна в вычислительном отношении и поэтому не была включена в примеры в этой работе. Для симметричных GLCM μ _x и μ _y идентичны и представлены как μ в выражении для выделения скопления и оттенка скопления.

https://doi.org/10.1371/journal.pone.0212110. t002

На рис. 1 показаны этапы 2–4 вычисления признаков текстуры Харалика из примерного изображения 4 × 4, которое уже было квантовано до трех уровней серого.

Рис. 1. Иллюстрация того, как вычисляются признаки текстуры Харалика.

В изображении 4 × 4 три уровня серого представлены числовыми значениями от 1 до 3. GLCM строится путем рассмотрения связи каждого вокселя с его окрестностями. В этом примере для простоты мы смотрим только на соседа справа. GLCM действует как счетчик для каждой комбинации пар уровней серого в изображении. Для каждого вокселя его значение и значение соседнего вокселя учитываются в определенном элементе GLCM.Значение эталонного вокселя определяет столбец GLCM, а соседнее значение определяет строку. В этой области интереса есть два случая, когда эталонный воксель 3 «совпадает» с соседним вокселем 2 (обозначен сплошным синим цветом), и есть один экземпляр эталонного вокселя 3 с соседним вокселем 1. (обозначены пунктиром, красным цветом). Нормализованная GLCM представляет предполагаемую вероятность появления каждой комбинации на изображении. Особенности текстуры Харалика являются функциями нормализованной GLCM, где представлены различные аспекты распределения уровня серого в ROI.Например, диагональные элементы в GLCM представляют пары вокселей с одинаковыми уровнями серого. Функция текстуры «контраст» придает элементам с одинаковыми значениями уровня серого низкий вес, а элементам с разным уровнем серого — большой вес. Перепечатано из Brynolfsson et al . [37] по лицензии CC BY, с разрешения Nature Publishing Group, исходное авторское право 2017 г.

https://doi.org/10.1371/journal.pone.0212110.g001

Количество уровней серого в квантованном изображении определяет размер GLCM и влияет на значения характеристик текстуры.При увеличении числа уровней серого, N , суммы в таблицах 1 и 2 изменятся. Кроме того, значения элементов p ( i , j ) нормализованной GLCM будут уменьшаться по мере увеличения количества уровней серого, поскольку сумма всех элементов равна единице. Эти два свойства текстурных признаков GLCM и Харалика означают, что значения текстурных признаков зависят от количества уровней серого в квантованном изображении.

Инвариантные особенности текстуры

Для разработки асимптотически инвариантных текстурных признаков мы предлагаем интерпретацию GLCM как дискретную аппроксимацию функции плотности вероятности.В этой интерпретации особенности текстуры выражаются в виде интегралов по функциям плотности, , т.е. . в виде (7) где p * — базовая истинная функция плотности вероятности, для которой (8)

Уравнение 7 можно аппроксимировать суммой Римана: (9) где (10) и (11) где Δ _i и Δ _j — дифференциалы, а — инвариантная GLCM. Таким образом, чтобы сделать характеристики текстуры Харалика инвариантными к количеству уровней серого, i и j нормализуются к полуоткрытому интервалу (0, 1), суммы умножаются на дифференциалы, а GLCM нормируется так что его сумма Римана равна 1, см. рис. 2 и уравнение 11.Предлагаемые инвариантные текстурные признаки можно увидеть в столбцах 3 и 4 таблиц 1 и 2. Дискретные аппроксимации интегралов зависят от дискретности распределения ( т.е. , квантования или количества уровней серого), но приближение равно интегралу в пределе N → ∞. Исходные признаки не дают одинаковых приближенных значений для разных дискретизаций, они либо стремятся к нулю, либо к фиксированному значению, либо к бесконечности, когда N → ∞.

Рис. 2. Сравнение исходной GLCM и инвариантной GLCM для разного количества ячеек.

Синтетические GLCM, сгенерированные как двумерные распределения Гаусса, для двух разных уровней квантования, 16 и 24 уровня серого. Сумма элементов стандартной GLCM равна 1, что означает, что значения элементов GLCM будут уменьшаться с увеличением размера GLCM. Инвариантные GLCM нормализуются, чтобы общий объем GLCM оставался равным 1, где каждому элементу приписывается площадь 1/ N ² единиц.

https://doi.org/10.1371/journal.pone.0212110.g002

Материалы и методы

Мы исследовали свойства исходных и инвариантных текстурных признаков, используя два набора данных. Набор данных 1 содержал Т1-взвешенные объемы МРТ головного мозга. Мы вычислили признаки текстуры для мозжечка и префронтальной коры, см. рис. 3. Мы использовали логистическую регрессию для классификации каждой области на основе свойств их текстуры и сравнили результаты двух методов.Этот набор данных имеет ограниченную клиническую полезность и используется только для сравнения производительности исходных и инвариантных функций текстуры. Набор данных 2 содержал гистологические изображения желез колоректального рака из набора данных Warwick-QU [40, 41]. Это открытый набор данных, который использовался в конкурсе «Сегментация железы в гистологических изображениях толстой кишки» (GlaS), который проводился на MICCAI’2015. Мы рассчитали характеристики текстуры для каждой железы и использовали логистическую регрессию, чтобы классифицировать каждую железу как доброкачественную или злокачественную.

Рис. 3.Данные изображения, используемые для проверки инвариантных признаков в задачах классификации.

Текстурные признаки были рассчитаны для диапазона уровней серого квантования в области мозжечка (а) и области префронтальной коры (б), а также в доброкачественных (в) и злокачественных (г) колоректальных железистых структурах.

https://doi.org/10.1371/journal.pone.0212110.g003

Набор данных 1 для визуализации

Набор данных 1 содержал 81 Т1-взвешенное аксиальное испорченное градиентное эхо-изображение 29 субъектов.Поле зрения изображения составляло 250 × 250 × 240 мм ³ с разрешением в плоскости 1,3 × 1,3 мм ² и толщиной среза 1 мм. Время повторения и время эха составляли 7,1 и 2,5 мс соответственно, а полоса пропускания — 392 Гц/пиксель. Область префронтальной коры (30 × 30 × 10 мм ³ , 23 × 23 × 10 вокселей) и область мозжечка (25 × 25 × 10 мм ³ , 19 × 19 × 10 вокселей), были очерчены на наборе эталонных изображений, см. рис. 3. Остальные изображения были жестко совмещены с эталоном, и соответствующие области были извлечены.Двадцать три изображения от 13 пациентов, у которых регистрация изображений не удалась, были исключены из исследования. Клиническое испытание было одобрено местным Региональным советом по этике Университета Умео, и все испытуемые дали устное и письменное согласие.

Отображение набора данных 2

Набор данных 2 содержал 1518 изображений колоректальных железистых структур на 165 предметных стеклах, окрашенных гематоксилином и эозином (H&E). Слайды сканировали в цифровом виде при 20-кратном увеличении с разрешением 0.62005 μ м/пиксель, с использованием сканера слайдов Zeiss MIRAX MIDI. Размеры изображения составляли 520 × 775 пикселей для 151 сканированного слайда и 430 × 575 пикселей для 14 слайдов. 934 структуры железы на 74 препаратах были классифицированы как доброкачественные, а 584 структуры на 91 препарате — как злокачественные. В анализе использовалась яркость, рассчитанная по слайдам RGB. Изображения были сглажены с использованием однородного шума, чтобы уменьшить ошибки квантования.

Анализ текстуры

Тридцать две инвариантные по направлению GLCM были созданы из непосредственных соседей вокселя в уравнении 4 для каждой области мозга или структуры железы, по одной для каждого квантования 8–256 уровней серого с шагом 8.Мы использовали фиксированные верхний и нижний пределы в 1500 и 4500 пикселов для мозжечка и 1000 и 8000 пикселов для префронтальной коры, определяемые пределами гистограмм всех областей. Верхний и нижний пределы железистых структур были установлены на 0–256. 20 исходных признаков Харалика и соответствующие инвариантные признаки, описанные в таблице 2, вычислялись для каждого квантования. Весь текстурный анализ был выполнен с использованием MICE Toolkit [42] и MATLAB 2016b (MathWorks, Inc., Natick, MA).

Классификация

Целью каждой модели логистической регрессии было правильное предсказание областей мозга (мозжечка или префронтальной коры) в наборе данных 1 или железистых структур (доброкачественных или злокачественных) в наборе данных 2 на основе значений текстуры. Были изучены два сценария. В первом сценарии наборы данных были разделены на обучающий (50%) и тестовый набор данных (50%). Сто классификаторов были обучены с использованием случайного квантования каждого члена обучающих данных. Эти модели использовались для предсказания правильного класса в тестовом наборе для всех уровней квантования.Во втором сценарии наборы данных были разделены на обучающие (50%), проверочные (25%) и тестовые (25%). Для каждого из 32 квантований был обучен один классификатор. Эти классификаторы использовались для предсказания правильного класса в наборе тестов для всех уровней квантования. Для каждого набора данных и метода текстуры проверочный набор использовался для выбора переменных для удаления нерелевантных или сильно коррелированных признаков. Мы использовали прямой отбор [43] и максимизировали среднюю точность.

Оценка

Первый сценарий оценивался по средней точности 100 классификаторов, обученных на случайно квантованных данных.Мы сравнили исходные и инвариантные признаки Харалика, используя двухвыборочный двухсторонний критерий Уэлча t для популяций с неравными дисперсиями. Второй сценарий был оценен с использованием теста Манна-Уитни U для сравнения результатов исходных и инвариантных признаков Харалика.

Результаты

На рис. 4 показаны исходные GLCM (слева) и инвариантные GLCM (справа) для эталонной области мозжечка для 16, 32, 64 и 128 уровней серого. Амплитуда стандартных GLCM уменьшается на несколько порядков по мере увеличения количества уровней серого.Инвариантные функции сохраняют тот же объем, а амплитуда лишь немного увеличивается между 8 и 128 уровнями серого из-за шума, возникающего при увеличении разрешения уровней серого.

Рис. 4. Пример исходных и инвариантных GLCM для разных уровней квантования из набора данных 1.

В левом столбце показаны исходные GLCM, созданные из области мозжечка на рис. 3, для разных уровней квантования. В правом столбце показаны инвариантные GLCM для тех же уровней квантования.Исходные GLCM нормализованы так, что сумма равна 1, тогда как инвариантные признаки нормализованы так, что объем GLCM равен 1.

https://doi.org/10.1371/journal.pone.0212110.g004

На рис. 5 показано, как значения характеристик текстуры изменяются в зависимости от количества уровней серого GLCM, рассчитанных на основе доброкачественной железистой структуры в наборе данных о железах (набор данных 2). В левом столбце на верхнем графике показаны функции, которые быстро увеличиваются с увеличением количества уровней серого, на среднем графике показаны функции, которые незначительно увеличиваются или достигают предела при увеличении количества уровней серого, а на нижнем графике показаны функции, которые уменьшается с увеличением количества уровней серого.В правом столбце показаны соответствующие инвариантные свойства текстуры. Обратите внимание, что исходные признаки нанесены в логарифмическом масштабе по вертикальной оси, тогда как инвариантные признаки нанесены в линейном масштабе.

Рис. 5. Исходные значения признаков Харалика и предлагаемые инвариантные значения признаков.

Значения характеристик текстуры, рассчитанные на основе доброкачественной железистой структуры в наборе данных железы. Верхний левый график показывает исходные черты Харалика, которые быстро увеличиваются с количеством уровней серого.Средний левый график показывает исходные черты Харалика, которые незначительно увеличиваются или достигают плато с увеличением количества уровней серого. На нижнем левом графике показаны исходные функции Харалика, которые уменьшаются с увеличением количества уровней серого. В правом столбце показаны соответствующие инвариантные признаки. Обратите внимание, что исходные функции нанесены в логарифмическом масштабе, чтобы соответствовать широкому диапазону значений. Информационная мера Корреляции 2 и Корреляции перекрываются в исходных функциях. Информационная мера корреляции 1 имеет отрицательное значение в исходных функциях, но абсолютные значения отображаются на графике с учетом логарифмической шкалы.

https://doi.org/10.1371/journal.pone.0212110.g005

На рис. 6 показана точность 100 моделей логистической регрессии, обученных на случайно квантованных изображениях в диапазоне 8–256 уровней серого с шагом 8 и протестированных на изображениях, квантованных на все уровни серого в диапазоне 8–256 с шагом 8. Планки погрешностей показывают стандартное отклонение точности 100 классификаторов для каждого уровня квантования тестового набора данных.Соответственно, классификаторы, обученные на инвариантных функциях, превосходили классификаторы, обученные на исходных функциях, и имели более низкое стандартное отклонение точности. Средние значения точности составили 0,77 ± 0,08 и 0,96 ± 0,03 ( p < 10 ⁻³⁹ , t = 20,82 при использовании двухвыборочного t-критерия Уэлча со 138 степенями свободы, оцененного по формуле Саттертуэйта-Уэлча. [44]) для набора данных 1 (набор данных мозга) и 0,69 ± 0,06 и 0,80 ± 0,03 ( p < 10 ⁻³⁵ , t = 17.15, с использованием двухвыборочного t-критерия Уэлча со 142 степенями свободы [44]) для набора данных 2 (набор данных о железе) для исходных и инвариантных признаков соответственно.

Рис. 6. Точность классификаторов, обученных на нескольких уровнях серого квантования.

Для оценки производительности классификаторов, обученных широкому диапазону квантований, для каждого набора данных и метода было обучено 100 моделей логистической регрессии. Каждое изображение в обучающих данных было случайным образом квантовано до одного из 32 уровней серого квантования от 8 до 256 для каждой модели.Маркеры показывают среднюю точность, а планки погрешностей показывают стандартные отклонения точности для каждого квантования тестовых данных. Пунктирная линия показывает точность, полученную путем отнесения всех прогнозов к наиболее распространенному классу, который равен 0,5 для мозжечка или префронтальной коры в наборе данных 1 и 0,615 для доброкачественных железистых структур в наборе данных 2.

https://doi.org/10.1371/journal.pone.0212110.g006

На рис. 7 показана точность моделей логистической регрессии, обученных на одном уровне квантования и проверенных на всех уровнях квантования в диапазоне 8–256 с шагом 8, для набора данных 1 (набор данных о головном мозге) и набора данных 2 (набор данных о железах).Классификаторы, которые были обучены и протестированы на исходных признаках, имели высокую точность только тогда, когда квантование тестовых данных было близко к квантованию обучающих данных. Классификаторы, обученные на инвариантных признаках, имели высокую точность для всех комбинаций квантования обучающего и тестового наборов данных. Точность перенормированных признаков была значительно выше (90 518 p 90 519 < 10 90 548 −99 90 551 с использованием U-критерия Манна-Уитни) для обоих наборов данных.

Рис. 7. Точность классификаторов, обученных на одном уровне серого квантования.

Тепловые карты показывают точность моделей логистической регрессии, обученных на одном уровне серого квантования и протестированных на всех уровнях серого квантования в диапазоне 8–256 с шагом 8. Цветовая карта масштабируется, чтобы показать нейтральный серый цвет для полученной точности путем отнесения всех прогнозов к наиболее распространенному классу, который равен 0,5 для мозжечка или префронтальной коры в наборе данных 1 и 0,615 для доброкачественных железистых структур в наборе данных 2. В верхней строке показан результат из набора данных 1, а в нижней строке показаны результаты из Набор данных 2. В левом столбце показаны исходные функции, а в правом столбце — инвариантные функции. Диагональные элементы показывают точность, при которой одинаковые уровни серого квантования использовались для обучающих и тестовых данных.

https://doi.org/10.1371/journal.pone.0212110.g007

Обсуждение

Мы представили простую модификацию характеристик текстуры Харалика, которая делает их асимптотически инвариантными к количеству уровней серого в квантованиях.Это достигается путем рассмотрения GLCM как дискретной аппроксимации функции плотности вероятности, а не функции массы вероятности, по парам уровней серого в изображении. Мы показали примеры того, как стандартные и инвариантные GLCM масштабируются с увеличением битовой глубины, рис. 4, и как большинство модифицированных текстурных признаков быстро приближаются к пределу, в то время как большинство исходных признаков расходятся или сходятся к нулю, рис. 5. У нас есть продемонстрировали преимущества предлагаемых модифицированных функций путем обучения моделей логистической регрессии для разделения двух областей мозга в наборе данных 1 и злокачественности колоректальных желез в наборе данных 2, основываясь только на характеристиках текстуры. Классификаторы, основанные на инвариантных признаках, показали лучшие результаты, чем исходные признаки, во всех тестах, выполненных в этой работе. Кроме того, инвариантные функции Харалика представляют собой масштабированные версии исходных функций, что означает, что в большинстве случаев они сохраняют свои первоначальные интерпретации. Наконец, предложенные модификации позволяют воспроизвести признаки текстуры независимо от квантования, поскольку один и тот же признак текстуры будет давать одинаковые значения независимо от квантования.

Мы протестировали функции текстур в двух сценариях.В первом сценарии мы обучали классификаторы на характеристиках текстур, вычисленных на основе изображений с разным квантованием. В этом сценарии уровни квантования могут быть выбраны для оптимального улучшения функций в каждом изображении, которое используется , например . Лейененаар и др. . [45]. На рис. 6 показано, что модели, обученные на инвариантных функциях, имеют более высокую точность и меньшее стандартное отклонение, чем модели, обученные на исходных функциях. Во втором сценарии мы обучили классификаторы на одном уровне квантования и предсказали классы на основе признаков, вычисленных на каждом из других уровней квантования.Этот сценарий представляет случаи в , например . радиомика, где прогностическая модель создается с использованием одного квантования и применяется к другим наборам данных, где квантование отличается из-за , например . ограничения разрешения, размер ROI или где отличается оптимальное квантование. Классификаторы, обученные на инвариантных функциях, в большинстве случаев имели равную или более высокую точность по сравнению с классификаторами, обученными на исходных функциях, для той же комбинации квантования обучающего и тестового набора данных.Исключение составляли некоторые классификаторы, обученные на исходных признаках, где квантование теста немного выше, чем квантование обучения, см. верхний левый график на рис. 7. В этих ситуациях различия признаков между двумя классами усиливаются изменениями значений признаков тестовых данных из-за различных уровней серого квантования, как показано на рис. 5. Этот эффект зависит от внутренней текстуры двух разделяемых классов и функций, которые используются в модели.

Максимальная вероятность очень чувствительна к шуму, что видно из рис. 4 и 5. Для инвариантных признаков максимальная вероятность теперь интерпретируется как максимальная плотность вероятности , т.е. . значение плотности на моде.

В непрерывном случае с инвариантными признаками энтропия становится дифференциальной энтропией и больше не обладает всеми свойствами дискретного аналога. Например, дифференциальная энтропия может быть отрицательной.Эта переинтерпретация имеет особенно проблематичные последствия для информационной меры корреляции 1 (см. Таблицу 2). Знаменатель может быть как положительным, так и отрицательным, в частности, он может быть близок к нулю. Заметим, что в нашем конкретном случае с пределами интегрирования от нуля до единицы деление на ноль может происходить только в том случае, если любое из предельных распределений P является однородным.

Важно отметить, что за исключением максимальной вероятности и признаков, связанных с энтропией, интерпретация признаков текстуры не меняется.Инвариантные признаки получаются путем перенормировки GLCM, индексов и умножения на дифференциал, определяемый размером ячейки. Это просто изменение масштаба функций, чтобы сделать их независимыми от количества уровней серого GLCM. Как правило, это не влияет на интерпретацию этих функций.

Мы решили изучить поведение инвариантных признаков между 8 и 256 уровнями серого квантования. Слишком малое количество уровней серого приведет к грубому приближению Римана в уравнении 9, которое можно увидеть в e.г . На рис. 5 значения признаков стабилизируются на уровне 16 уровней серого для большинства признаков, или на рисунках 6 и 7, где точность резко улучшается между 8 и 16 уровнями серого. Выбор слишком большого количества уровней квантования серого, , например, . порядка пикселей, присутствующих в изображении, могут создавать разреженные GLCM. Инвариантные признаки будут страдать теми же симптомами, что и исходные признаки в этом отношении, , т. е. . сверхчувствительность к шуму; а для небольших областей изображения, которые будут создавать разреженные GLCM, неспособность должным образом представить основную информацию о текстуре.

Клаузи и др. . [38] предложил нормализованную версию однородности и обратной разности путем деления индексов i и j на N для улучшения классификации. Результат эквивалентен инвариантным вариантам, представленным в табл. 2, поскольку влияние дифференциала Δ _ij и перенормированного GLCM компенсируется в этих признаках. Однако подход Клаузи только к нормализации индексов не сделает все функции инвариантными по отношению к квантованию; такие характеристики, как энергия, показатели энтропии, показатели дисперсии, информационная мера корреляции 1 и 2 и максимальная вероятность, явно не выражаются в терминах индексов GLCM и не могут быть нормализованы таким образом. Шафик-уль-Хасан и др. . [39] эмпирически выводят коэффициенты нормализации в терминах уровней серого квантования для ряда признаков Харалика. Из них только один (Контраст) был идентичен нашим результатам. Некоторые из их нормализованных характеристик были похожи, но не идентичны результатам, представленным здесь. Следовательно, большинство эмпирических выводов, представленных Шафик-уль-Хасаном, не соответствуют теории, представленной в этой работе. Кроме того, многие характеристики, представленные в Таблице 2, не могут быть сведены к простому коэффициенту масштабирования исходных характеристик, e.г . любой признак, содержащий энтропию.

В этом исследовании мы выбрали глобальные минимальные и максимальные пределы при квантовании изображений в каждом наборе данных, чтобы свести к минимуму вариации значений признаков из-за шума изображения или других структур в интересующей области. Другой подход заключается в установке пределов для каждой ROI на основе минимального и максимального значений внутри каждой ROI [37, 45]. Однако одно чрезвычайно высокое или низкое значение пикселя внутри области интереса сместит центр масс GLCM, резко повлияв на значения характеристик Харалика.Подход с глобальными ограничениями требует, чтобы интенсивность изображения была сопоставима между всеми изображениями в наборе данных, что требует, чтобы изображения были получены с одинаковыми настройками оборудования и изображения, или это может быть достигнуто с помощью , например . нормализация интенсивности общих структур на изображениях.

Инвариантные функции можно использовать при анализе нескольких изображений разного размера (разное количество пикселей) и, возможно, даже разного количества шума, путем оптимизации уровня квантования для каждого изображения, при этом получая сопоставимые характеристики текстуры.Шум изображения повлияет на значения признаков текстуры [36, 37, 46], но сглаживающий эффект квантования уровня серого может уменьшить влияние на результирующие признаки. Некоторые признаки более чувствительны к шуму [37], и более агрессивное квантование уровня серого для инвариантной версии признаков могло бы уменьшить влияние шума, сохраняя при этом возможность сравнивать значения признаков со значениями из изображений, проанализированных на разных уровнях квантования. . Этот подход требует дальнейших исследований.Наконец, существуют и другие методы извлечения признаков, такие как матрица размеров зон уровня серого (GLSZM), матрица длин серий уровня серого (GRLM) и матрица различий оттенков серого соседства (NGTDM), значения которых также затрагиваются. квантованием уровня серого. Шафик-уль-Хасан и др. . [39] предлагает эмпирические коэффициенты нормализации для некоторых функций этих методов, и вполне возможно, что подход, аналогичный тому, что представлен в этой работе, может также уменьшить влияние квантования уровня серого на эти методы.Создание большего количества методов, независимых от квантования уровня серого, повысит применимость и воспроизводимость радиомикологического анализа, так что это также является интересной перспективой для будущих исследований.

Заключение

Переинтерпретировав GLCM как дискретизированную функцию плотности вероятности, можно построить модифицированный набор характеристик текстуры Харалика, которые асимптотически инвариантны к квантованию изображения. За исключением максимальной вероятности и признаков, связанных с энтропией, инвариантные признаки сохраняют свои первоначальные интерпретации.Мы показываем, что инвариантные признаки можно использовать в различных настройках классификации с результатами, превосходящими исходные определения. Это означает, что инвариантные характеристики текстуры Харалика воспроизводятся даже при использовании различных квантований уровней серого, в отличие от исходных определений.

Каталожные номера

1. 1. Ояла, Т., Пиетикайнен, М. и Харвуд, Д. Оценка производительности мер текстуры с классификацией, основанной на различении распределений по Кульбаку. Распознавание образов, 1994. Том. 1—Конференция А: усилитель компьютерного зрения; Обработка изображений., Материалы 12-й Международной конференции IAPR по 1, 582–585 (1994).
2. 2. Дайк, Д. В. Вейвлеты для анализа текстуры, обзор. Труды конференции IET 581–585 (1997).
3. 3. Клаузи Д. А. и Эд Джерниган М. Разработка фильтров Габора для оптимального разделения текстур. Распознавание образов 33, 1835–1849 (2000).
4. 4.Харалик Р. М., Шанмугам К. и Динштейн И. Текстурные признаки для классификации изображений. Транзакции IEEE по системам, человеку и кибернетике 3, 610–621 (1973).
5. 5. Оу С., Пан В. и Сяо П. Анализ емкостной визуализации кожи in vivo с использованием матрицы сочетаемости уровней серого (GLCM). Международный фармацевтический журнал 460, 28–32 (2014). пмид:24188984
6. 6. Улаби Ф., Куяте Ф., Бриско Б. и Уильямс Т.Текстурная информация в изображениях SAR. IEEE Transactions on Geoscience and Remote Sensing GE-24, 235–245 (1986).
7. 7. Маркос Дж. В. и соавт. Автоматическая идентификация пыльцы с использованием микроскопических изображений и анализа текстуры. Микрон 68, 36–46 (2015). пмид:25259684
8. 8. Рахеджа Дж. Л., Кумар С. и Чаудхари А. Обнаружение дефектов ткани на основе GLCM и фильтра Габора: сравнение. Optik — Международный журнал по световой и электронной оптике 124, 6469–6474 (2013).
9. 9. Виджая Лакшми Б. и Мохан В. PSO и FRVM на основе ядра: автоматическое определение типа листьев растений с использованием характеристик текстуры, формы и цвета. Компьютеры и электроника в сельском хозяйстве 125, 99–112 (2016).
10. 10. Бхат Н. Н., Датта С., Пал С. К. и Пал С. Классификация состояния инструмента в процессе токарной обработки с использованием скрытой марковской модели на основе анализа текстуры изображений обработанной поверхности. Измерение 90, 500–509 (2016).
11. 11.Фернандес-Лозано С. и соавт. Анализ текстуры в изображениях гель-электрофореза с использованием интегративного подхода на основе ядра. Научные отчеты 6, 19256 (2016).
12. 12. Лерский Р. и соавт. Компьютерный анализ ультразвуковых сигналов при диффузных заболеваниях печени. Ультразвук в медицине и биологии 5, 341–343 (1979).
13. 13. Mayerhoefer M.E. et al. Классификация очаговых поражений печени на основе текстуры на МРТ при 3,0 Тесла: технико-экономическое обоснование кист и гемангиом. Журнал магнитно-резонансной томографии 32, 352–359 (2010). пмид:20677262
14. 14. Скортон Д.Дж., Коллинз С.М., Воскофф С.Д., Бин Дж.а. и Мелтон Х. Э. Изменчивость текстуры изображения в зависимости от диапазона и азимута в двумерных эхокардиограммах. Тираж 68, 834–840 (1983). пмид:6616777
15. 15. Чан Х.П. и соавт. Компьютерная классификация маммографических образований и нормальных тканей: линейный дискриминантный анализ в пространстве признаков текстуры. Физика в медицине и биологии 40, 857–876 (1995). пмид:7652012
16. 16. Ли Х. и др. Компьютеризированный анализ маммографических паренхиматозных паттернов на большом наборе клинических данных цифровых маммограмм с полным полем зрения: исследование надежности с двумя наборами данных высокого риска. Журнал цифровых изображений 25, 591–8 (2012). пмид:22246204
17. 17. Чен В., Гигер М.Л., Ли Х., Бик У. и Ньюстед Г.М. Анализ объемной текстуры поражений молочной железы на магнитно-резонансных изображениях с контрастным усилением. Магнитный резонанс в медицине 58, 562–571 (2007). пмид:17763361
18. 18. Ни К. и др. Количественный анализ морфологии и особенностей текстуры поражения для диагностического прогноза на МРТ молочной железы. Академическая радиология 15, 1513–25 (2008). пмид:1
    68
19. 19. Fjeldbo C.S. и соавт. Интегративный анализ DCE-MRI и профилей экспрессии генов в построении классификатора генов для оценки связанного с гипоксией риска неэффективности химиолучевой терапии при раке шейки матки. Clinical Cancer Research 22, 4067–4076 (2016). пмид:27012812
20. 20. Вибмер А. и соавт. Текстурный анализ МРТ предстательной железы по Харалику: полезность для дифференциации доброкачественной простаты от рака предстательной железы и дифференциации рака предстательной железы с различными показателями Глисона. European Radiology 25, 2840–2850 (2015). пмид:25991476
21. 21. Виньяти а. и другие. Особенности текстуры на Т2-взвешенной магнитно-резонансной томографии: новые потенциальные биомаркеры агрессивности рака предстательной железы. Физика в медицине и биологии 60, 2685–701 (2015). пмид:25768265
22. 22. Бринолфссон П. и соавт. Текстура ADC — визуализирующий биомаркер глиомы высокой степени злокачественности? Медицинская физика 41, 101903 (2014). пмид:25281955
23. 23. Ryu Y.J. и соавт. Глиома: Применение анализа текстуры всей опухоли диффузионно-взвешенной визуализации для оценки гетерогенности опухоли. PLoS ONE 9 (2014).
24. 24. Ассефа Д.и другие. Надежные функции текстуры для мониторинга ответа мультиформной глиобластомы на Т1-взвешенных и Т2-МР-изображениях FLAIR: предварительное исследование с точки зрения идентификации и сегментации. Медицинская физика 37, 1722–1736 (2010). пмид:20443493
25. 25. Ламбин П. и соавт. Радиомика: извлечение дополнительной информации из медицинских изображений с использованием расширенного анализа признаков. Европейский журнал рака (Оксфорд, Англия: 1990) 48, 441–6 (2012).
26. 26.Кумар В. и соавт. Радиомика: процесс и проблемы. Магнитно-резонансная томография 30, 1234–1248 (2012). пмид:22898692
27. 27. Aerts H.J.W.L. et al. Расшифровка фенотипа опухоли с помощью неинвазивной визуализации с использованием количественного радиомического подхода. Nature Communications 5 (2014).
28. 28. Ли К. и соавт. Полностью автоматическая многопараметрическая модель радиомики: на пути к воспроизводимой и прогностической сигнатуре изображений для прогнозирования общей выживаемости при мультиформной глиобластоме. Научные отчеты 7, 14331 (2017).
29. 29. Ловинфосс П. и соавт. Радиомика ФДГ ПЭТ/КТ для прогнозирования исхода местно-распространенного рака прямой кишки. Европейский журнал ядерной медицины и молекулярной визуализации 1–11 (2017).
30. 30. Чо, Х.-х. и Парк, Х. Классификация глиомы низкой и высокой степени злокачественности с использованием мультимодальных функций радиомики изображения. 2017 39-я ежегодная международная конференция IEEE Engineering in Medicine and Biology Society (EMBC) 3081–3084 (2017).
31. 31. Сох Л.-К. и Цацулис С. Анализ текстуры изображений морского льда, полученных РСА, с использованием матриц совпадения уровней серого. IEEE Transactions on Geoscience and Remote Sensing 37, 780–795 (1999).
32. 32. Гомес В., Перейра В.К.А. и Инфантоси А.Ф.К. Анализ статистики текстуры совпадения как функции квантования уровня серого для классификации ультразвука молочной железы. IEEE Transactions on Medical Imaging 31, 1889–1899 (2012).пмид:22759441
33. 33. Торхейм Т. и соавт. Классификация динамических контрастных МРТ-изображений рака шейки матки с использованием анализа текстуры и машин опорных векторов. Ieee Transactions on Medical Imaging 33, 1648–1656 (2014). пмид:24802069
34. 34. Ахмед А., Гиббс П., Пиклз М. и Тернбулл Л. Анализ текстуры в оценке и прогнозировании ответа на химиотерапию при раке молочной железы. Журнал магнитно-резонансной томографии: JMRI 38, 89–101 (2013).пмид:23238914
35. 35. Vallières M., Freeman C.R., Skamene S.R. & El Naqa I. Модель радиомики на основе совместных особенностей текстуры FDG-PET и МРТ для прогнозирования метастазов в легкие при саркомах мягких тканей конечностей. Физика в медицине и биологии 60, 5471–5496 (2015). пмид:26119045
36. 36. Шад Л. Р. Проблемы анализа текстуры с помощью магнитно-резонансной томографии. Диалоги в клинической неврологии 6, 235–42 (2004).пмид:22034056
37. 37. Бринолфссон П. и соавт. Характеристики текстуры Харалика на изображениях МРТ с кажущимся коэффициентом диффузии (ADC) зависят от параметров визуализации и предварительной обработки. Научные отчеты 7, 4041 (2017). пмид:28642480
38. 38. Клаузи Д. А. Анализ статистики совпадения текстуры в зависимости от квантования уровня серого. Канадский журнал дистанционного зондирования 28, 45–62 (2002).
39. 39. Шафик-уль-Хасан Мухаммад и другие.Внутренние зависимости рентгенологических характеристик КТ от размера вокселя и количества уровней серого. Медицинская физика 44, 1050–1062 (2017). пмид:28112418
40. 40. Сиринукунваттана К., Снид Д. Р. Дж. и Раджпут Н. М. Модель стохастических полигонов для железистых структур на гистологических изображениях толстой кишки. IEEE Transactions on Medical Imaging 34, 2366–2378 (2015). пмид:25993703
41. 41. Сиринукунваттана К. и соавт. Сегментация железы на гистологических изображениях толстой кишки: конкурс вызовов GlaS. Анализ медицинских изображений 35, 489–502 (2017). пмид:27614792
42. 42. Нюхольм Т. , Берглунд М., Бринолфссон П. и Йонссон Дж. EP-1533: ICE-Studio — интерактивный визуальный исследовательский инструмент для анализа изображений. Лучевая терапия и онкология 115, S837 (2015).
43. 43. Хасти Т., Тибширани Р. и Фридман Дж. Элементы статистического обучения. Серия Springer по статистике (Springer New York Inc., Нью-Йорк, штат Нью-Йорк, США, 2001 г.).
44. 44.Уэлч Б.Л. Обобщение проблемы «Стьюдента», когда задействовано несколько различных дисперсий генеральной совокупности. Биометрика 34, 28–35 (1947). пмид:20287819
45. 45. Leijenaar R.T. et al. Эффект дискретизации SUV в количественной радиомике ФДГ-ПЭТ: потребность в стандартизированной методологии анализа текстуры опухоли. Научные отчеты 5, 11075 (2015). пмид:26242464
46. 46. Майерхофер М. Э., Шомолани П., Джирак Д., Матерка А. и Траттниг С. Влияние вариаций параметров получения МРТ и неоднородности протокола на результаты анализа текстуры и распознавания образов: исследование, ориентированное на приложения. Медицинская физика 36, 1236–1243 (2009). пмид:19472631

Почему текстура седых волос отличается от текстуры обычных волос? Mane Addicts

Седина неизбежна (тьфу), но что вы на самом деле знаете о своей будущей шевелюре? Знаете ли вы, что серый — это совершенно другая текстура? Как вы думаете, что произойдет, если вы сорвете их? Чтобы узнать, чего ожидать, и отличить рассказы жен от правды, мы обратились к экспертам по цвету Джонни Рамиресу и Чаду Кеньону за фактами прямо из салона.

Итак, вы заметили серого (или серого). Что вы делаете? «Как колорист, я часто обнаруживаю «первую седину» моего клиента, — делится знаменитый колорист Чад Кеньон о моменте, когда он сидел в кресле. Чтобы помочь своим клиентам в переходном периоде, он тщательно подбирает слова. «Я использую слова «блестки» или «естественные полупрозрачные блики» для белых волос — это добавляет немного юмора и уменьшает удар. У меня есть клиенты в возрасте около 20 лет, которые с радостью приветствуют то, что я называю ранней сединой», — говорит он, соглашаясь с идеей седеть (что, очевидно, является первым шагом). )

Даже если вашим первоначальным порывом может быть немедленное окрашивание всей головы, положите коробку с краской, повторите, положите коробку с краской. «У вас есть два варианта замаскировать седину — вы можете использовать перманентный цвет или замаскировать седину», — объясняет представитель бренда Redken Джонни Рамирес. Что вы выберете, зависит от того, как далеко вы продвинулись во всем этом процессе поседения. «Я часто предпочитаю замаскировать седину для тех клиентов, у которых менее 50% седых волос», — объясняет он. «Для этого сильно высветлите все волосы, чтобы открыть большую часть волос, а затем используйте полуперманентный цвет, такой как Redken Shades EQ, для тона и растушевки.Для клиентов-мужчин Redken Color Camo — отличный способ быстро и легко скрыть седину».

Чад выбирает аналогичную стратегию. «Перманентный базовый цвет может закрасить седые волосы на 100%, но я обычно рекомендую воздержаться от этого как можно дольше», — настаивает он. Это потому, что окрашивание всей головы в один цвет требует большего ухода. «В то время как перманентный цвет волос может осветлять или затемнять девственные волосы, а также закрашивать седину, блеск и оттенок могут со временем окисляться и оставлять демаркационную линию, когда наши натуральные волосы снова отрастают», — объясняет он.«Это требует более частых подкрасок в салоне, но часто предпочтительнее для тех, кто не хочет абсолютно никакой серой видимости». Итак, опять же, что бы вы ни выбрали, зависит от вашего уровня серого (и от того, насколько вам комфортно с ним).

What Makes Grey, Серый

Одна из самых странных особенностей седых волос заключается в том, что они имеют совершенно другую текстуру. Если вы думаете, что ваши волосы сейчас жесткие, подождите, пока вы не почувствуете свою первую седину, боже мой. Текстура седых волос меняется, потому что, по словам Джонни, «в них меньше пигмента/меланина, и по мере того, как прядь теряет свой цвет, она становится более жесткой и жесткой.

«Седые волосы появляются, когда в волосяном фолликуле снижается содержание меланина (пигмента в волосах и коже)», — подтверждает Чад. «Седые волосы появляются, когда в волосяном фолликуле нет меланина. Количество меланина, отложенного в каждом волосяном фолликуле, определяется генетически». Это означает, что если спросить членов вашей семьи, когда они начали седеть, это может быть хорошим показателем того, когда это может произойти с вами.

Не дергайся

Когда вы замечаете серого, это может отнять у вас всю силу воли, но действуйте.Нет. Срывать. Это. Спрячьте пинцет, подстригите ногти — просто оставьте это в покое. Джонни заверяет нас, что «это бабушкины сказки, что если выщипывать седые волосы, они отрастают сильнее», и также неправда, что если вы выщипываете их, они никогда не отрастут снова, но все же не выщипывайте их, а также будьте осторожны. . «Фолликул под кожей головы, из которого вырастают волосы, создаст новые волосы там, где были драгоценно выщипанные волосы», — говорит Чад о выщипывании. «Фолликулярный процесс, который создает цвет каждого волоса, не всегда постоянен, поэтому выщипанные волосы могут «отрастать» как более или менее седые.Если мы будем слишком усердны и чрезмерно выщипывать, мы можем в конечном итоге удалить фолликул, и мы будем безволосыми в этом месте», — предостерегает Чад. А теперь я потею.

Крышка «сделай сам»

Если вас беспокоят оттенки серого, но вы не готовы записаться на прием, есть еще варианты на дому, не требующие использования пластиковых перчаток. Чад рекомендует свою линию тонированных сухих шампуней, которые, по его словам, «идеально подходят для закрашивания седины, когда вы не готовы идти в салон». Шампунь выпускается в двух различных тонах: Lighter Tones, который идеально подходит для блондинок и рыжеволосых, и Darker Tones, для брюнеток и обладательниц более темных волос.

Прими это!

В противном случае он предлагает фиолетовые шампуни и кондиционеры, которые являются «прекрасным средством, чтобы седые волосы не казались желтыми или тусклыми». Это связано с тем, как воспринимаются цвета. «Желтый и фиолетовый находятся прямо напротив друг друга на цветовом круге, а это значит, что они дополняют друг друга или компенсируют друг друга», — объясняет он.

Джонни рекомендует похожее решение, а также хочет, чтобы все, кто седеют, действительно любили свои волосы. «Прими это!» он говорит.«Будь то перманентный цвет или техника камуфляжа, есть способы принять поседение. Если вы не хотите красить волосы, используйте такую ​​систему, как новый шампунь и кондиционер Redken Color Extend Graydiant за 20 долларов, которые помогут нейтрализовать нежелательные желтые тона в естественно седых/серебристых волосах, улучшив при этом их текстуру», — также предлагает он.

Медленный переход

Если вы не готовы к этому маршруту, вы можете замаскировать свои серые оттенки (или постепенно приблизить края к серебру) с помощью бликов.«Мои клиенты обычно светлеют, когда появляется седина», — делится Чад. «Это популярный метод маскировки седины, сбивающий зрителей с толку, заставляя их смотреть на более светлые блики, а не замечать седые волосы рядом с ними».

ВОТ как трое наших любимых колористов покрывают его.

МАГАЗИН ИСТОРИЯ

Произошла ошибка при настройке пользовательского файла cookie

Этот сайт использует файлы cookie для повышения производительности.Если ваш браузер не принимает файлы cookie, вы не можете просматривать этот сайт.

Настройка браузера на прием файлов cookie

Существует множество причин, по которым файл cookie не может быть установлен правильно. Ниже приведены наиболее распространенные причины:

• В вашем браузере отключены файлы cookie. Вам необходимо сбросить настройки браузера, чтобы принять файлы cookie, или спросить вас, хотите ли вы принимать файлы cookie.
• Ваш браузер спрашивает, хотите ли вы принимать файлы cookie, и вы отказались.Чтобы принять файлы cookie с этого сайта, нажмите кнопку «Назад» и примите файл cookie.
• Ваш браузер не поддерживает файлы cookie. Попробуйте другой браузер, если вы подозреваете это.
• Дата на вашем компьютере в прошлом. Если часы вашего компьютера показывают дату до 1 января 1970 г., браузер автоматически забудет файл cookie. Чтобы это исправить, установите правильное время и дату на своем компьютере.
• Вы установили приложение, которое отслеживает или блокирует установку файлов cookie.Вы должны отключить приложение при входе в систему или проконсультироваться с системным администратором.

Почему этому сайту требуются файлы cookie?

Этот сайт использует файлы cookie для повышения производительности, запоминая, что вы вошли в систему, когда переходите со страницы на страницу. Предоставить доступ без файлов cookie потребует от сайта создания нового сеанса для каждой посещаемой вами страницы, что замедляет работу системы до неприемлемого уровня.

Что сохраняется в файле cookie?

Этот сайт не хранит ничего, кроме автоматически сгенерированного идентификатора сеанса в файле cookie; никакая другая информация не фиксируется.

Как правило, в файле cookie может храниться только та информация, которую вы предоставляете, или выбор, который вы делаете при посещении веб-сайта. Например, сайт не может определить ваше имя электронной почты, если вы не решите ввести его. Разрешение веб-сайту создавать файлы cookie не дает этому или любому другому сайту доступ к остальной части вашего компьютера, и только сайт, создавший файл cookie, может его прочитать.

Изменение характеристик текстуры серого вещества по всему мозгу при головной боли, вызванной злоупотреблением лекарствами, с использованием трехмерного анализа текстуры | The Journal of Headache and Pain

9.

Chen Z, Chen X, Liu M, Liu S, Ma L, Yu S (2017)Нарушенная функциональная связность периакведуктальных серых субрегионов при эпизодической мигрени. J Головная боль. 18:36

Статья пабмед ПабМед Центральный Google Scholar

16.

Sorensen L, Igel C, Pai A, Balas I, Anker C, Lillholm M et al (2017) Дифференциальная диагностика легких когнитивных нарушений и болезни Альцгеймера с использованием структурной МРТ толщины коры, формы гиппокампа, текстуры гиппокампа и объемность.Neuroimage Clin 13:470–482

Статья пабмед Google Scholar

23.

Chen Z, Li L, Sun J, Ma L (2012) Картирование мозга при диабете II типа: морфометрия на основе вокселей с использованием DARTEL. Eur J Radiol 81:1870–1876

Статья пабмед Google Scholar

30.

Knight YE, Goadsby PJ (2001) Околоводопроводное серое вещество модулирует тригеминоваскулярный вход: роль в мигрени? Неврология 106:793–800

CAS Статья пабмед Google Scholar