資源描述：
《基于SVM方法的醫(yī)學(xué)圖像分類研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、浙江大學(xué)碩士學(xué)位論文擒要摘要近年來，隨著各種影像設(shè)備在醫(yī)學(xué)中的廣泛應(yīng)用，基于醫(yī)學(xué)影像的計算機輔助診斷迅速發(fā)展起來。計算機輔助診斷可以提高放射科醫(yī)生診斷的準(zhǔn)確率，協(xié)助醫(yī)生對醫(yī)學(xué)圖像進行判斷和識別。在特征提取的基礎(chǔ)上進行模式分類是基于醫(yī)學(xué)影像的計算機輔助診斷的重要步驟?，F(xiàn)有的如人工神經(jīng)網(wǎng)絡(luò)等分類方法基于傳統(tǒng)統(tǒng)計學(xué)，研究的是樣本數(shù)目趨于無窮大時的漸進理論，然而，在實際應(yīng)用中，樣本的數(shù)量往往是有限的。因此，這些傳統(tǒng)方法容易產(chǎn)生過學(xué)習(xí)、局部極小點等問題。支持向量機方法在1992．1995年提出，它是建立在統(tǒng)計學(xué)習(xí)理論的Vc維(Vapnik-chervonenl【isDimensi
2、oⅡ)理論和結(jié)構(gòu)風(fēng)險最小化(stnldllralRiskMinimization，簡稱sRM)原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性(即對特定訓(xùn)練樣本的學(xué)習(xí)精度，Accuracy)和推廣能力(即對未來輸入輸出進行正確預(yù)測的能力)之間進行折衷。支持向量機的發(fā)展很好地解決了以往困擾很多機器學(xué)習(xí)方法的問題，如模型選擇與過學(xué)習(xí)問題、非線性和維數(shù)災(zāi)難闖題、局部極小點問題等等。因此，它被認(rèn)為是繼模式識別和神經(jīng)網(wǎng)絡(luò)之后機器學(xué)習(xí)領(lǐng)域的新的研究熱點。論文將支持向量機的機器學(xué)習(xí)方法引入到醫(yī)學(xué)圖像的分類問題。首先概述了支持向量機的理論基礎(chǔ)和數(shù)學(xué)模型，著重介紹了支持向量機的推廣能力和核
3、函數(shù)理論。其次介紹了一些主要的改進支持向量機學(xué)習(xí)算法，分析了這些算法的優(yōu)缺點。最后應(yīng)用支持向量機方法對乳腺x線圖像提取出來的特征樣本進行分類，采用交叉檢驗方法迸行支持向量機核函數(shù)參數(shù)的選擇，取得了較好的分類準(zhǔn)確率。文中對sVM方法和BP神經(jīng)網(wǎng)絡(luò)的分類正確率采用ROc曲線進行了分析比較，并利用1斗1法將支持向量機推廣到多分類問題，取得了較好的效果。本文中的實驗研究證明了svM分類方法的有效性和優(yōu)越性，對醫(yī)學(xué)圖像的計算機輔助診斷的發(fā)展有一定的促進作用。關(guān)鍵詞：機器學(xué)習(xí)統(tǒng)計學(xué)習(xí)理論支持向量機乳腺X線影像Roc曲線塑蘭查蘭嬰主蘭些蘭蘭壘竺!竺ABSTRACTC岍entlywit
4、htllewideapplicationofv“ousimageequipmemiⅡmedidne，medicaliInagcbasedcomputeraideddia印osis(MⅢoⅧ)h弱deVelopedrapidly．computeraideddi簪losis(cAD)canimpfoVeradiolo昏sts’accIlracyandhelpthemtoidentify鋤dd鷂sifythemedicalimagesquicl【lyande施ciemly．Oneofthemostimportantsteps0ftheMIBCADistllepattemdaS
5、si丘cationb髂ed0nfeatIlreextfaction．SeveralclassificationmethodssuchasANNarebasedontradjtionalstatisticaltheorywithinfinitetraillingsamples．ButiⅡpractice，thenumbcrofthesampleisliIllited．nerefbrc，the拄admonalmethodsare訪cliⅡcdto塒ngm觚yproblemslikeoverfittingaIldlocalminiInum．ⅥpllikpmposedsupI)
6、0nVectorMachinerSVMliIl1992．1995，趾ditisderivedfrom、，aIm撤一Chervouenl【isDimensiontlIeory蛆dstmduralRiskMiⅡimization(sRM)priIlcipleinStatisticalkamiⅡg11leory(su)．Thisideabal粕cesbetvlreeⅡle棚iIlgaccllracyofspedal仃ainingsamples趾dmodel’spredictedcapabilitybylimitedsampleinf0皿ation．The蛔provemento
7、fSVMh私successfllnysolvedthcpu蹈l髓inmanyothermachinelearningmethods，suchasoverfi塒ng，non—lme嶼djs船tefofdimensionality'lOcalminim啪，andsoon．SoSVMisconcemed褥anewpopul盯researdl弱pedafterpatte舶identificati帆如dANNinmachineleamingficld．Intllisthesis，SVMasanewmachinele姍ingmethodisbroug
