本文關(guān)鍵詞：基于Bootstrap-異質(zhì)SVM集成學(xué)習(xí)的肺結(jié)節(jié)分類(lèi)方法

  更多相關(guān)文章： 肺結(jié)節(jié) 模糊聚類(lèi) Bootstrap 異質(zhì)SVM 集成學(xué)習(xí)

【摘要】：為了對(duì)肺結(jié)節(jié)的良、惡性診斷形成定量的客觀分析和提高良、惡性的分類(lèi)正確率,針對(duì)肺結(jié)節(jié)CT圖像提出了一種基于Bootstrap-異質(zhì)SVM的集成學(xué)習(xí)方法.首先,采用模糊聚類(lèi)圖像分割方法提取肺結(jié)節(jié),計(jì)算提取出的結(jié)節(jié)特征參數(shù)用于學(xué)習(xí)分類(lèi).然后,以支持向量機(jī)(SVM)在不同核函數(shù)下的不同性能構(gòu)造高差異性的子學(xué)習(xí)器,在子學(xué)習(xí)器中引入Bootstrap算法來(lái)提高其學(xué)習(xí)精度,通過(guò)集成學(xué)習(xí)方法實(shí)現(xiàn)學(xué)習(xí)器分類(lèi)性能的整體改善.對(duì)146個(gè)(40個(gè)良性,106個(gè)惡性)肺結(jié)節(jié)樣本分別利用單個(gè)SVM、BP神經(jīng)網(wǎng)絡(luò)和Bootstrap-異質(zhì)SVM集成學(xué)習(xí)方法進(jìn)行了學(xué)習(xí)測(cè)試,獲得的最高分類(lèi)正確率分別為80%,、82%,和90%,.實(shí)驗(yàn)結(jié)果表明:提出的Bootstrap-異質(zhì)SVM集成學(xué)習(xí)方法將單個(gè)SVM分類(lèi)器的最高正確率提高了10%,,同時(shí)也獲得了高于BP神經(jīng)網(wǎng)絡(luò)8%,的分類(lèi)正確率和較好的學(xué)習(xí)穩(wěn)定性,有效地改善了機(jī)器學(xué)習(xí)在不平衡數(shù)據(jù)集下對(duì)肺結(jié)節(jié)良惡性的分類(lèi)能力.
【作者單位】： 天津大學(xué)精密儀器與光電子工程學(xué)院;天津市生物醫(yī)學(xué)檢測(cè)技術(shù)與儀器重點(diǎn)實(shí)驗(yàn)室;天津醫(yī)科大學(xué)附屬腫瘤醫(yī)院;
【關(guān)鍵詞】： 肺結(jié)節(jié) 模糊聚類(lèi) Bootstrap 異質(zhì)SVM 集成學(xué)習(xí)
【基金】：國(guó)家自然科學(xué)基金資助項(xiàng)目(61575140)~~
【分類(lèi)號(hào)】：R734.2;R730.44;TP391.41
【正文快照】： 肺癌是當(dāng)前發(fā)病率和致死率最高的癌癥[1-2].臨床上,對(duì)肺結(jié)節(jié)的早期診斷主要由醫(yī)師通過(guò)閱讀CT圖像給出,這在一定程度上存在很大的人為主觀因素且工作量大.因此,計(jì)算機(jī)輔助診斷成為了活體組織切片之前的第2個(gè)選擇[3].對(duì)于肺結(jié)節(jié)的良、惡性診斷,Kuruvilla等[4]通過(guò)對(duì)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)

【相似文獻(xiàn)】

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前4條

1 關(guān)菁華;劉大有;賈海洋;;自適應(yīng)多分類(lèi)器集成學(xué)習(xí)算法[A];第二十五屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（二）[C];2008年

2 劉伍穎;王挺;;一種多過(guò)濾器集成學(xué)習(xí)垃圾郵件過(guò)濾方法[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

3 葉紅云;倪志偉;陳恩紅;;一種混合型集成學(xué)習(xí)演化決策樹(shù)算法[A];2005年“數(shù)字安徽”博士科技論壇論文集[C];2005年

4 李燁;蔡云澤;許曉鳴;;基于支持向量機(jī)集成的故障診斷[A];第16屆中國(guó)過(guò)程控制學(xué)術(shù)年會(huì)暨第4屆全國(guó)故障診斷與安全性學(xué)術(shù)會(huì)議論文集[C];2005年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 阿里木·賽買(mǎi)提(Alim.Samat);基于集成學(xué)習(xí)的全極化SAR圖像分類(lèi)研究[D];南京大學(xué);2015年

2 王永明;集成回歸問(wèn)題若干關(guān)鍵技術(shù)研究[D];華東師范大學(xué);2015年

3 常征;基于混合集成學(xué)習(xí)的眼部與四肢交互動(dòng)作建模與識(shí)別[D];北京科技大學(xué);2016年

4 張春霞;集成學(xué)習(xí)中有關(guān)算法的研究[D];西安交通大學(xué);2010年

5 劉天羽;基于特征選擇技術(shù)的集成學(xué)習(xí)方法及其應(yīng)用研究[D];上海大學(xué);2007年

6 尹華;面向高維和不平衡數(shù)據(jù)分類(lèi)的集成學(xué)習(xí)研究[D];武漢大學(xué);2012年

7 王清;集成學(xué)習(xí)中若干關(guān)鍵問(wèn)題的研究[D];復(fù)旦大學(xué);2011年

8 方育柯;集成學(xué)習(xí)理論研究及其在個(gè)性化推薦中的應(yīng)用[D];電子科技大學(xué);2011年

9 侯勇;特征提取與集成學(xué)習(xí)算法的研究及應(yīng)用[D];北京科技大學(xué);2015年

10 李燁;基于支持向量機(jī)的集成學(xué)習(xí)研究[D];上海交通大學(xué);2007年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 高偉;基于半監(jiān)督集成學(xué)習(xí)的情感分類(lèi)方法研究[D];蘇州大學(xué);2015年

2 宋文展;基于抽樣的集成進(jìn)化算法研究[D];廣西大學(xué);2015年

3 湯瑩;遷移與集成學(xué)習(xí)在文本分類(lèi)中的應(yīng)用研究[D];江蘇科技大學(xué);2015年

4 劉政;基于知識(shí)元和集成學(xué)習(xí)的中文微博情感分析[D];大連理工大學(xué);2015年

5 丘橋云;結(jié)合文本傾向性分析的股評(píng)可信度計(jì)算研究[D];哈爾濱工業(yè)大學(xué);2014年

6 秦海;融合非標(biāo)記樣本選擇的集成學(xué)習(xí)研究[D];湘潭大學(xué);2015年

7 李想;基于多示例的集成學(xué)習(xí)理論與應(yīng)用研究[D];合肥工業(yè)大學(xué);2014年

8 李震宇;基于集成學(xué)習(xí)的數(shù)字圖像隱寫(xiě)定量分析[D];解放軍信息工程大學(xué);2014年

9 王希玲;基于選擇性集成學(xué)習(xí)的網(wǎng)絡(luò)入侵檢測(cè)方法研究[D];青島科技大學(xué);2016年

10 陳范曙;基于信息整合的藥物相關(guān)信息挖掘方法研究[D];華東師范大學(xué);2016年

，

本文編號(hào)：529485