【摘要】：隨著計算機視覺技術(shù)及醫(yī)療成像設(shè)備的不斷發(fā)展,醫(yī)學(xué)圖像包含的信息也極為豐富,所以醫(yī)學(xué)圖像的分類識別技術(shù)越來越重要,而圖像特征的提取和選擇作為圖像分類識別的關(guān)鍵環(huán)節(jié),使得國內(nèi)外學(xué)者越發(fā)關(guān)注。圖像處理技術(shù)的完善導(dǎo)致處理圖像得到的信息特征的維數(shù)也越來越高,因此選取更有效的特征對圖像進行分類處理就成為關(guān)鍵。本文主要研究類風(fēng)濕性關(guān)節(jié)炎(Rheumatoid Arthritis,RA)醫(yī)學(xué)圖像,以往醫(yī)學(xué)圖像提取的特征大多數(shù)是基于圖像的紋理、顏色和形狀等,而本文是對RA患者手指的擴展光學(xué)層析圖像(Diffuse Optical Tomography,DOT)提取光學(xué)系數(shù)作為特征。通過對RA圖像的分類實驗,驗證了光學(xué)系數(shù)作為分類特征的可行性。特征選擇是醫(yī)學(xué)圖像診斷的關(guān)鍵方法,在研究了眾多特征選擇方法之后,對最大相關(guān)最小冗余(Maximal Relevance and Minimal Redundancy,MRMR)特征選擇算法進行深入研究,此算法將特征的相關(guān)性和冗余性相結(jié)合,并利用熵運算對特征排序,選擇出最佳的特征組合。繼續(xù)研究發(fā)現(xiàn)MRMR算法在相關(guān)性和冗余性有不同權(quán)重占比的情況下,特征的排序會有所不同,因此加入了權(quán)值進行研究,特征序列采用降序,之后對不同權(quán)值下的特征序列按照位置的權(quán)重系數(shù)再一次排序處理,得到最終的特征序列,依照此序列進行分類實驗,心臟病和RA診斷分類實驗都證明了改進的MRMR算法的確實有效性。在進行醫(yī)學(xué)圖像分類之前,為保證分類的準(zhǔn)確率,需要對樣本進行篩選,而且病癥診斷的速度對患者非常重要,所以尋求小樣本學(xué)習(xí)方法就至關(guān)重要。支持向量機(Support Vector Machine,SVM)是基于結(jié)構(gòu)風(fēng)險最小理論的適用于小樣本學(xué)習(xí)的最佳學(xué)習(xí)方法,有很好的泛化能力,又能有效的減小訓(xùn)練誤差,而在建立分類模型的過程中,會遇到參數(shù)和核函數(shù)選擇的困擾,本文采用基于密度的的聚類分析算法,結(jié)合粒子群優(yōu)化算法(Particle Swarm Optimization,PSO)對分類器進行優(yōu)化,將繁多的數(shù)據(jù)集進行精簡,進而有效的提高分類器的分辨準(zhǔn)確率。仿真實驗結(jié)果表明該方法行之有效,并且對特征眾多需要合理篩選的醫(yī)學(xué)圖像處理有參考價值。
[Abstract]:With the continuous development of computer vision technology and medical imaging equipment, the information contained in medical images is also very rich, so the classification and recognition technology of medical images is becoming more and more important. As the key link of image classification and recognition, the extraction and selection of image features make scholars at home and abroad pay more and more attention. With the improvement of image processing technology, the dimension of the information features obtained from the image processing is getting higher and higher, so it is the key to select more effective features to classify and process the image. In this paper, we mainly study the medical images of rheumatoid arthritis (Rheumatoid Arthritis,RA). In the past, most of the features extracted from medical images are based on the texture, color and shape of the images, while this paper is to extract the optical coefficients of the extended optical tomography image (Diffuse Optical Tomography,DOT of the fingers of RA patients as features. The feasibility of optical coefficient as a classification feature is verified by the classification experiment of RA images. Feature selection is the key method of medical image diagnosis. After studying many feature selection methods, the maximum correlation minimum redundant (Maximal Relevance and Minimal Redundancy,MRMR (maximum correlation minimum redundant feature selection algorithm) feature selection algorithm is deeply studied. This algorithm combines the correlation and redundancy of features, and uses entropy operation to sort the features and select the best feature combination. It is found that the feature ranking of MRMR algorithm will be different when there are different weights in correlation and redundancy, so the feature sequence is studied by adding weights, and then the feature sequence under different weights is sorted again according to the weight coefficient of position, and the final feature sequence is obtained, and the classification experiment is carried out according to this sequence. The classification experiments of heart disease and RA diagnosis show the effectiveness of the improved MRMR algorithm. Before medical image classification, in order to ensure the accuracy of classification, it is necessary to screen the samples, and the speed of disease diagnosis is very important for patients, so it is very important to find a small sample learning method. Support vector machine (Support Vector Machine,SVM) is the best learning method based on the minimum theory of structural risk, which has good generalization ability and can effectively reduce the training error. In the process of establishing the classification model, it will encounter the problem of parameter and kernel function selection. In this paper, the density-based clustering analysis algorithm combined with particle swarm optimization algorithm (Particle Swarm Optimization,PSO) is used to optimize the classification. A large number of data sets are simplified to effectively improve the resolution accuracy of the classifiers. The simulation results show that the method is effective and valuable for medical image processing, which needs reasonable selection of features.
【學(xué)位授予單位】：長春工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 吉小軍,李世中,李霆;相關(guān)分析在特征選擇中的應(yīng)用[J];測試技術(shù)學(xué)報;2001年01期

2 賈沛;桑農(nóng);唐紅衛(wèi);;一種改進的類別依賴型特征選擇技術(shù)[J];計算機與數(shù)子工程;2003年06期

3 靖紅芳;王斌;楊雅輝;徐燕;;基于類別分布的特征選擇框架[J];計算機研究與發(fā)展;2009年09期

4 吳洪麗;朱顥東;周瑞瓊;;使用特征分辨率和差別對象對集的特征選擇[J];計算機工程與應(yīng)用;2010年16期

5 楊藝;韓德強;韓崇昭;;基于排序融合的特征選擇[J];控制與決策;2011年03期

6 李云;;穩(wěn)定的特征選擇研究[J];微型機與應(yīng)用;2012年15期

7 錢學(xué)雙;多重篩選逐步回歸特征選擇法及其應(yīng)用[J];信息與控制;1986年05期

8 宣國榮;柴佩琪;;基于巴氏距離的特征選擇[J];模式識別與人工智能;1996年04期

9 范勁松,方廷健;特征選擇和提取要素的分析及其評價[J];計算機工程與應(yīng)用;2001年13期

10 王新峰;邱靜;劉冠軍;;基于特征相關(guān)性和冗余性分析的機械故障特征選擇研究[J];中國機械工程;2006年04期

相關(guān)會議論文 前10條

1 靖紅芳;王斌;楊雅輝;;基于類別分布的特征選擇框架[A];第四屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集（上）[C];2008年

2 李長升;盧漢清;;排序?qū)W習(xí)模型中的特征選擇[A];第六屆和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2010)、第19屆全國多媒體學(xué)術(shù)會議（NCMT2010）、第6屆全國人機交互學(xué)術(shù)會議（CHCI2010）、第5屆全國普適計算學(xué)術(shù)會議（PCC2010）論文集[C];2010年

3 劉功申;李建華;李生紅;;基于類信息的特征選擇和加權(quán)方法[A];NCIRCS2004第一屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集[C];2004年

4 倪友平;王思臣;馬桂珍;陳曾平;;分支界定算法在低分辨雷達飛機架次判別中的應(yīng)用[A];第十三屆全國信號處理學(xué)術(shù)年會（CCSP-2007）論文集[C];2007年

5 李澤輝;聶生東;陳兆學(xué);;應(yīng)用多類SVM分割MR腦圖像特征選擇與優(yōu)化的實驗研究[A];中國儀器儀表學(xué)會第九屆青年學(xué)術(shù)會議論文集[C];2007年

6 蒙新泛;王厚峰;;主客觀識別中的上下文因素的研究[A];中國計算機語言學(xué)研究前沿進展（2007-2009）[C];2009年

7 萬京;王建東;;一種基于新的差異性度量的ReliefF方法[A];2009年研究生學(xué)術(shù)交流會通信與信息技術(shù)論文集[C];2009年

8 范麗;許潔萍;;基于GMM的音樂信號音色模型研究[A];第四屆和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議論文集[C];2008年

9 陳友;戴磊;程學(xué)旗;;基于MRMHC-C4．5的IP流分類[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集[C];2007年

10 申f;楊宏暉;袁帥;;用于水聲目標(biāo)識別的互信息無監(jiān)督特征選擇[A];第三屆上�！靼猜晫W(xué)學(xué)會學(xué)術(shù)會議論文集[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 李靜;高維數(shù)據(jù)交互特征選擇和分類研究[D];燕山大學(xué);2015年

2 劉風(fēng);基于磁共振成像的多變量模式分析方法學(xué)與應(yīng)用研究[D];電子科技大學(xué);2014年

3 王石平;粗糙擬陣及其在高維數(shù)據(jù)降維中的應(yīng)用研究[D];電子科技大學(xué);2014年

4 代琨;基于支持向量機的網(wǎng)絡(luò)數(shù)據(jù)特征選擇技術(shù)研究[D];解放軍信息工程大學(xué);2013年

5 王愛國;微陣列基因表達數(shù)據(jù)的特征分析方法研究[D];合肥工業(yè)大學(xué);2015年

6 楊峻山;生物組學(xué)數(shù)據(jù)的集成特征選擇研究[D];深圳大學(xué);2017年

7 王博;文本分類中特征選擇技術(shù)的研究[D];國防科學(xué)技術(shù)大學(xué);2009年

8 張明錦;基于特征選擇的多變量數(shù)據(jù)分析方法及其在譜學(xué)研究中的應(yīng)用[D];華東理工大學(xué);2011年

9 高青斌;蛋白質(zhì)亞細胞定位預(yù)測相關(guān)問題研究[D];國防科學(xué)技術(shù)大學(xué);2006年

10 馮國忠;文本分類中的貝葉斯特征選擇[D];東北師范大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 周瑞;基于支持向量機特征選擇的移動通信網(wǎng)絡(luò)問題分析[D];華南理工大學(xué);2015年

2 張金蕾;蛋白質(zhì)SUMO化修飾位點預(yù)測的數(shù)據(jù)挖掘技術(shù)研究[D];西北農(nóng)林科技大學(xué);2015年

3 陳云風(fēng);基于聚類集成技術(shù)的高鐵信號故障診斷研究[D];西南交通大學(xué);2015年

4 張斌斌;網(wǎng)絡(luò)股評的傾向性分析[D];中央民族大學(xué);2015年

5 季金勝;高分辨率遙感影像典型地物目標(biāo)的特征選擇及其穩(wěn)定性研究[D];上海交通大學(xué);2015年

6 袁玉錄;基于數(shù)據(jù)分類的網(wǎng)絡(luò)通信行為建模方法研究[D];電子科技大學(xué);2015年

7 王虎;基于試驗設(shè)計的白酒譜圖特征選擇及支持向量機參數(shù)優(yōu)化研究[D];南京財經(jīng)大學(xué);2015年

8 王維智;基于特征提取和特征選擇的級聯(lián)深度學(xué)習(xí)模型研究[D];哈爾濱工業(yè)大學(xué);2015年

9 皮陽;基于聲音的生物種群識別[D];電子科技大學(xué);2015年

10 劉樹龍;特征選擇在軟件缺陷預(yù)測中的應(yīng)用技術(shù)研究[D];南京大學(xué);2015年

，

本文編號：2507879