基于SVM方法的醫(yī)學(xué)圖像分類研究

《基于SVM方法的醫(yī)學(xué)圖像分類研究》由會(huì)員上傳分享，免費(fèi)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(jì)算機(jī)輔助診斷迅速發(fā)展起來。計(jì)算機(jī)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(duì)醫(yī)學(xué)圖像進(jìn)行判斷和識(shí)別。在特征提取的基礎(chǔ)上進(jìn)行模式分類是基于醫(yī)學(xué)影像的計(jì)算機(jī)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(jì)學(xué)，研究的是樣本數(shù)目趨于無窮大時(shí)的漸進(jìn)理論，然而，在實(shí)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(diǎn)等問題。支持向量機(jī)方法在1992．1995年提出，它是建立在統(tǒng)計(jì)學(xué)習(xí)理論的Vc維(Vapnik-chervonenl【isDimensi

2、oⅡ)理論和結(jié)構(gòu)風(fēng)險(xiǎn)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(duì)特定訓(xùn)練樣本的學(xué)習(xí)精度，Accuracy)和推廣能力(即對(duì)未來輸入輸出進(jìn)行正確預(yù)測(cè)的能力)之間進(jìn)行折衷。支持向量機(jī)的發(fā)展很好地解決了以往困擾很多機(jī)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(diǎn)問題等等。因此，它被認(rèn)為是繼模式識(shí)別和神經(jīng)網(wǎng)絡(luò)之后機(jī)器學(xué)習(xí)領(lǐng)域的新的研究熱點(diǎn)。論文將支持向量機(jī)的機(jī)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(jī)的理論基礎(chǔ)和數(shù)學(xué)模型，著重介紹了支持向量機(jī)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(jìn)支持向量機(jī)學(xué)習(xí)算法，分析了這些算法的優(yōu)缺點(diǎn)。最后應(yīng)用支持向量機(jī)方法對(duì)乳腺x線圖像提取出來的特征樣本進(jìn)行分類，采用交叉檢驗(yàn)方法迸行支持向量機(jī)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(duì)sVM方法和BP神經(jīng)網(wǎng)絡(luò)的分類正確率采用ROc曲線進(jìn)行了分析比較，并利用1斗1法將支持向量機(jī)推廣到多分類問題，取得了較好的效果。本文中的實(shí)驗(yàn)研究證明了svM分類方法的有效性和優(yōu)越性，對(duì)醫(yī)學(xué)圖像的計(jì)算機(jī)輔助診斷的發(fā)展有一定的促進(jìn)作用。關(guān)鍵詞：機(jī)器學(xué)習(xí)統(tǒng)計(jì)學(xué)習(xí)理論支持向量機(jī)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