【摘要】：針對(duì)超聲圖像樣本冗余、不同標(biāo)準(zhǔn)切面因疾病導(dǎo)致的高度相似性、感興趣區(qū)域定位不準(zhǔn)確問題,提出一種結(jié)合特征袋(BOF)特征、主動(dòng)學(xué)習(xí)方法和多分類AdaBoost改進(jìn)算法的經(jīng)食管超聲心動(dòng)圖(TEE)標(biāo)準(zhǔn)切面分類方法。首先采用BOF方法對(duì)超聲圖像進(jìn)行描述;然后采用主動(dòng)學(xué)習(xí)方法選擇對(duì)分類器最有價(jià)值的樣本作為訓(xùn)練集;最后,在AdaBoost算法對(duì)弱分類器的迭代訓(xùn)練中,根據(jù)臨時(shí)強(qiáng)分類器的分類情況調(diào)整樣本更新規(guī)則,實(shí)現(xiàn)對(duì)多分類AdaBoost算法的改進(jìn)和TEE標(biāo)準(zhǔn)切面的分類。在TEE數(shù)據(jù)集和三個(gè)UCI數(shù)據(jù)集上的實(shí)驗(yàn)表明,相比AdaBoost.SAMME算法、多分類支持向量機(jī)(SVM)算法、BP神經(jīng)網(wǎng)絡(luò)和AdaBoost.M2算法,所提算法在各個(gè)數(shù)據(jù)集上的G-mean指標(biāo)、整體分類準(zhǔn)確率和大多數(shù)類別分類準(zhǔn)確率都有不同程度的提升,且比較難分的類別分類準(zhǔn)確率提升最為顯著。實(shí)驗(yàn)結(jié)果表明,在包含類間相似樣本的數(shù)據(jù)集上,分類器的性能有顯著提升。
[Abstract]:Aiming at the problem of redundancy of ultrasonic images, high similarity of different standard sections caused by diseases and inaccurate localization of regions of interest, a new feature bag (BOF) feature is proposed. Active learning method and improved multi-classification AdaBoost algorithm for transesophageal echocardiographic (TEE) standard sectional classification. First, the ultrasonic image is described by BOF method, then the most valuable sample is selected as the training set by active learning method. Finally, in the iterative training of weak classifier using AdaBoost algorithm, According to the classification of temporary strong classifier, the updating rules of samples are adjusted, and the improvement of multi-classification AdaBoost algorithm and the classification of TEE standard section are realized. Experiments on TEE data sets and three UCI datasets show that compared with AdaBoost.SAMME algorithm, the (SVM) algorithm of multi-classification support vector machine has BP neural network and AdaBoost.M2 algorithm, and the G-mean index of the proposed algorithm on each data set is better than that of AdaBoost.SAMME algorithm. The overall classification accuracy and the classification accuracy of most categories are improved to some extent, and the more difficult classification accuracy is the most significant. The experimental results show that the performance of the classifier is significantly improved on the dataset containing similar samples between classes.
【作者單位】： 中國(guó)科學(xué)院成都計(jì)算機(jī)應(yīng)用研究所;中國(guó)科學(xué)院大學(xué);
【基金】：四川省科技支撐計(jì)劃項(xiàng)目(2016JZ0035) 中國(guó)科學(xué)院西部之光項(xiàng)目~~
【分類號(hào)】：R445.1;TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 王莉莉;付忠良;;基于標(biāo)簽相關(guān)性的多標(biāo)簽分類AdaBoost算法[J];四川大學(xué)學(xué)報(bào)(工程科學(xué)版);2016年05期

2 梁曄;于劍;劉宏哲;;基于BoF模型的圖像表示方法研究[J];計(jì)算機(jī)科學(xué);2014年02期

3 王勇,呂揚(yáng)生;基于紋理特征的超聲醫(yī)學(xué)圖像檢索[J];天津大學(xué)學(xué)報(bào);2005年01期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王莉莉;付忠良;陶攀;朱鍇;;基于多分類AdaBoost改進(jìn)算法的TEE標(biāo)準(zhǔn)切面分類[J];計(jì)算機(jī)應(yīng)用;2017年08期

2 王莉莉;付忠良;陶攀;胡鑫;;基于主動(dòng)學(xué)習(xí)不平衡多分類AdaBoost算法的心臟病分類[J];計(jì)算機(jī)應(yīng)用;2017年07期

3 王莉莉;付忠良;;基于模糊多標(biāo)簽AdaBoost算法的心臟瓣膜疾病分類[J];工程科學(xué)與技術(shù);2017年S1期

4 蔣亞平;李士進(jìn);;基于分塊特征點(diǎn)密度的多特征融合遙感圖像場(chǎng)景分類[J];計(jì)算機(jī)與現(xiàn)代化;2016年05期

5 蔣亞平;李會(huì)敏;;基于分塊特征點(diǎn)密度的多特征融合遙感圖像場(chǎng)景分類[J];微型電腦應(yīng)用;2016年05期

6 梁炳春;孫韶媛;彭寶;趙海濤;;基于Bag-of-Features算法的車輛檢測(cè)研究[J];微型機(jī)與應(yīng)用;2016年01期

7 李勛;高潔瓊;楊景玉;王松;;Hadoop環(huán)境下基于PLDA的圖像場(chǎng)景分類方法研究[J];蘭州交通大學(xué)學(xué)報(bào);2015年06期

8 律睿a\;陳偉;孟磊;陳麗芳;吳昊天;李靜遠(yuǎn);;周期性動(dòng)態(tài)圖像的傅里葉表達(dá)、渲染及應(yīng)用[J];計(jì)算機(jī)應(yīng)用;2015年08期

9 萬(wàn)艷麗;雷行云;王巖;胡紅濮;;基于層次化深度學(xué)習(xí)的海量醫(yī)學(xué)影像組織與檢索研究[J];醫(yī)學(xué)信息學(xué)雜志;2015年05期

10 閔加艷;鄒建中;;紋理分析在二維超聲圖像中的應(yīng)用[J];中國(guó)介入影像與治療學(xué);2012年05期

【二級(jí)參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 付忠良;張丹普;王莉莉;;多標(biāo)簽AdaBoost算法的改進(jìn)算法[J];四川大學(xué)學(xué)報(bào)(工程科學(xué)版);2015年05期

2 殷會(huì);許建華;許花;;基于LS-SVM的多標(biāo)簽分類算法[J];南京師范大學(xué)學(xué)報(bào)(工程技術(shù)版);2010年02期

3 惠斌;唐旭晟;羅海波;蘇啟寅;;基于Gabor小波SDF匹配濾波器的人臉識(shí)別[J];信息與控制;2008年05期

4 李向陽(yáng),莊越挺,潘云鶴;基于內(nèi)容的圖像檢索技術(shù)與系統(tǒng)[J];計(jì)算機(jī)研究與發(fā)展;2001年03期

，

本文編號(hào)：2198733