醫(yī)學圖像識別是圖像可視化的前提,也是提取影像圖像中特殊組織的定量信息所不可缺少的手段。識別后的圖像被廣泛地應用于病變組織的定位及診斷,解剖結構的學習,計算機指導手術等方面。本文完成了頭顱MR圖像的腦組織分類和腦腫瘤識別。 MR圖像僅靠像素的灰度進行分割是不夠的,因此在提取圖像的特征時,有必要提取更多特征,以便提高處理的精度,得到理想的識別分類效果,由于支持向量機推廣能力在很大程度上依賴于特征向量的選取及其空間分布,本課題為每個像素計算其各種紋理測度和由灰度派生出的統(tǒng)計參數(shù)作為特征向量。 統(tǒng)計學習理論是一種專門研究小樣本情況下機器學習規(guī)律的理論。隨著其理論的不斷發(fā)展和成熟,統(tǒng)計學習理論開始受到越來越廣泛的重視。統(tǒng)計學習理論是建立在一套較堅實的理論基礎之上的,為解決有限樣本學習問題提供了一個統(tǒng)一的框架。它能將很多現(xiàn)有方法納入其中,有望幫助解決許多原來難以解決的問題(比如神經(jīng)網(wǎng)絡結構選擇問題、局部極小點問題等);同時,在這一理論基礎上發(fā)展了一種新的通用學習工具——支持向量機,它已初步表現(xiàn)出很多優(yōu)于已有機器學習方法的性能。在頭顱MR圖像中,顱內各組織的邊界極其復雜且不規(guī)則,呈高度非線性。這對傳...

【文章頁數(shù)】：59 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    §1-1 醫(yī)學圖像模式識別
        1-1-1 數(shù)字圖像處理
        1-1-2 醫(yī)學圖像的模式識別
    §1-2 研究背景及意義
        1-2-1 研究背景
        1-2-2 研究意義
    §1-3 本文主要內容
第二章 MR 圖像預處理及其特征提取
    §2-1 MR 圖像的預處理
        2-1-1 醫(yī)學圖像簡介
        2-1-2 MR 圖像預處理
    §2-2 MR 圖像的特征提取
    §2-3 本章小結
第三章 統(tǒng)計學理論和支持向量機
    §3-1 統(tǒng)計學習理論
        3-1-1 機器學習問題的提出
        3-1-2 經(jīng)驗風險最小化原則
        3-1-3 結構風險最小化
    §3-2 支持向量機
        3-2-1 支持向量機理論
        3-2-2 支持向量機特點
    §3-3 本章小結
第四章 基于免疫特征加權支持向量機的MR 圖像模式識別
    §4-1 人工免疫系統(tǒng)
        4-1-1 免疫學的基本原理
        4-1-2 人工免疫系統(tǒng)的應用發(fā)展
    §4-2 免疫支持向量機
        4-2-1 免疫算法
        4-2-2 免疫支持向量機
    §4-3 基于免疫特征加權支持向量機的腦組織識別
        4-3-1 多分類免疫特征加權支持向量機
        4-3-2 實驗結果與分析
    §4-4 單類免疫特征加權支持向量機對腦腫瘤識別
        4-4-1 單類免疫特征加權支持向量機
        4-4-2 實驗結果與分析
    §4-5 本章小結
第五章 總結與展望
    5-1 本文總結
    5-2 進一步的研究工作
參考文獻
致謝
攻讀碩士期間所取得的相關科研成果



本文編號：3752899