本文關(guān)鍵詞：基于對(duì)支持向量機(jī)的醫(yī)學(xué)圖像分類研究

  更多相關(guān)文章： 醫(yī)學(xué)圖像分類 特征提取 對(duì)支持向量機(jī) 核主成分分析

【摘要】：乳腺X光攝影技術(shù)是最常見的乳腺癌早期診斷方法,目前主要通過醫(yī)生觀察和分析醫(yī)學(xué)圖像診斷病情,但是醫(yī)學(xué)圖像中包含大量的數(shù)據(jù)信息,其中隱匿的有用信息很難通過肉眼發(fā)現(xiàn)。同時(shí)隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展,在線診斷成為發(fā)展的必然,醫(yī)生將面對(duì)海量數(shù)據(jù),通過數(shù)據(jù)挖掘方法對(duì)醫(yī)學(xué)圖像中隱藏的肉眼很難發(fā)現(xiàn)的信息進(jìn)行分析,進(jìn)而幫助醫(yī)生做出診斷成為近年來研究的熱點(diǎn)。由此引入高效的數(shù)據(jù)挖掘方法對(duì)醫(yī)學(xué)圖像進(jìn)行準(zhǔn)確快速的診斷和識(shí)別,從而提高醫(yī)學(xué)圖像分類精度,盡量避免醫(yī)生錯(cuò)誤判斷,提高醫(yī)生的工作效率。支持向量機(jī)是建立在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上的一種機(jī)器學(xué)習(xí)方法,在解決非線性和小樣本等問題上有獨(dú)特的優(yōu)勢(shì)。對(duì)支持向量機(jī)不同于傳統(tǒng)的支持向量機(jī),它通過求解兩個(gè)規(guī)模更小的二次規(guī)劃問題來獲得一對(duì)非平行超平面,使每一類都接近于相對(duì)應(yīng)的分類面,而遠(yuǎn)離另一分類面。它是一種快速分類方法,不僅具有傳統(tǒng)支持向量機(jī)的優(yōu)點(diǎn),并且具有很強(qiáng)的數(shù)據(jù)處理能力和推廣能力,被廣泛應(yīng)用于模式識(shí)別和數(shù)據(jù)分類等領(lǐng)域。本文針對(duì)醫(yī)學(xué)圖像多類分類中出現(xiàn)的模糊性問題,較深入的探討和研究了兩種基于對(duì)支持向量機(jī)的醫(yī)學(xué)圖像分類方法,并將其用于醫(yī)學(xué)圖像多類分類中,提高了醫(yī)學(xué)圖像的分類精度。論文主要工作如下:(1)提出了基于遺傳算法的決策樹對(duì)支持向量機(jī)多類分類算法,并將其應(yīng)用于醫(yī)學(xué)圖像分類中。本文提出了基于遺傳算法的決策樹對(duì)支持向量機(jī)多類分類算法,該算法將決策樹和對(duì)支持向量機(jī)相結(jié)合構(gòu)造分類器解決多類分類問題,克服了傳統(tǒng)對(duì)支持向量機(jī)多類分類算法中出現(xiàn)的模糊性問題。該算法用遺傳算法對(duì)特征數(shù)據(jù)建立決策樹,通過構(gòu)建決策樹可以分離樣本的模糊區(qū)域,提高模糊區(qū)域樣本的識(shí)別率。在決策樹的每個(gè)節(jié)點(diǎn)上用對(duì)支持向量機(jī)訓(xùn)練分類器,然后用訓(xùn)練的分類器進(jìn)行分類和預(yù)測(cè)。將新算法分別在多組UCI機(jī)器學(xué)習(xí)標(biāo)準(zhǔn)數(shù)據(jù)集和醫(yī)學(xué)圖像上做分類實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明與傳統(tǒng)的對(duì)支持向量機(jī)多類分類算法相比,新算法具有較高的分類精度和較快的訓(xùn)練速度。(2)提出了基于核主成分分析的決策樹對(duì)支持向量機(jī)多類分類算法,并將其應(yīng)用于醫(yī)學(xué)圖像分類中。為了全面描述醫(yī)學(xué)圖像所包含的信息,通常需要提取大量的圖像特征,這樣就使輸入空間的維數(shù)過高,隨著樣本維數(shù)的增加,可能會(huì)使計(jì)算復(fù)雜度呈指數(shù)倍增長(zhǎng),因此必須使用有效的方法降低輸入空間維數(shù)。本文將核主成分分析應(yīng)用于特征降維,提出基于核主成分分析的決策樹對(duì)支持向量機(jī)多類分類算法,實(shí)現(xiàn)數(shù)據(jù)維數(shù)的約簡(jiǎn),然后在降維后的特征數(shù)據(jù)集上用決策樹對(duì)支持向量機(jī)算法訓(xùn)練分類器,改善分類器的性能。將新算法在醫(yī)學(xué)圖像上做分類實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明與決策樹對(duì)支持向量機(jī)算法相比,新算法具有更好的分類結(jié)果。
【學(xué)位授予單位】：西北師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41;TP18

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 吳娟;范玉妹;王麗;;關(guān)于改進(jìn)的支持向量機(jī)的研究[J];攀枝花學(xué)院學(xué)報(bào);2006年05期

2 劉碩明;劉佳;楊海濱;;一種新的多類支持向量機(jī)算法[J];計(jì)算機(jī)應(yīng)用;2008年S2期

3 尹傳環(huán);牟少敏;田盛豐;黃厚寬;;單類支持向量機(jī)的研究進(jìn)展[J];計(jì)算機(jī)工程與應(yīng)用;2012年12期

4 王云英;閻滿富;;C-支持向量機(jī)及其改進(jìn)[J];唐山師范學(xué)院學(xué)報(bào);2012年05期

5 李逢煥;;試述不確定支持向量機(jī)應(yīng)用分析及改進(jìn)思路[J];中國(guó)證券期貨;2012年12期

6 邵惠鶴;支持向量機(jī)理論及其應(yīng)用[J];自動(dòng)化博覽;2003年S1期

7 曾嶸,蔣新華,劉建成;基于支持向量機(jī)的異常值檢測(cè)的兩種方法[J];信息技術(shù);2004年05期

8 張凡,賀蘇寧;模糊判決支持向量機(jī)在自動(dòng)語(yǔ)種辨識(shí)中的研究[J];計(jì)算機(jī)工程與應(yīng)用;2004年21期

9 魏玲,張文修;基于支持向量機(jī)集成的分類[J];計(jì)算機(jī)工程;2004年13期

10 沈翠華,鄧乃揚(yáng),肖瑞彥;基于支持向量機(jī)的個(gè)人信用評(píng)估[J];計(jì)算機(jī)工程與應(yīng)用;2004年23期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 余樂安;姚瀟;;基于中心化支持向量機(jī)的信用風(fēng)險(xiǎn)評(píng)估模型[A];第六屆（2011）中國(guó)管理學(xué)年會(huì)——商務(wù)智能分會(huì)場(chǎng)論文集[C];2011年

2 劉希玉;徐志敏;段會(huì)川;;基于支持向量機(jī)的創(chuàng)新分類器[A];山東省計(jì)算機(jī)學(xué)會(huì)2005年信息技術(shù)與信息化研討會(huì)論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機(jī)學(xué)習(xí)方法[A];全國(guó)第19屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集（下冊(cè)）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機(jī)的系統(tǒng)辨識(shí)方法研究及應(yīng)用[A];中國(guó)力學(xué)大會(huì)——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機(jī)方法的衢州降雪模型[A];第五屆長(zhǎng)三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機(jī)方法預(yù)測(cè)膜蛋白類型[A];第十一次中國(guó)生物物理學(xué)術(shù)大會(huì)暨第九屆全國(guó)會(huì)員代表大會(huì)摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機(jī)綜述[A];全國(guó)第十五屆計(jì)算機(jī)科學(xué)與技術(shù)應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學(xué)與支持向量機(jī)[A];2005年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機(jī)算法[A];2006中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2006年

10 侯澍e，

本文編號(hào)：1305628