目前醫(yī)學(xué)圖像數(shù)量巨大,利用計(jì)算機(jī)處理醫(yī)學(xué)圖像從而輔助醫(yī)療診斷是醫(yī)學(xué)領(lǐng)域研究的熱點(diǎn)。根據(jù)腦部圖像具有對(duì)稱性的特點(diǎn),選擇支持向量機(jī)-遞歸特征消除(SVM-RFE)算法對(duì)融合特征進(jìn)行特征選擇過程中,引入Pearson系數(shù)衡量特征信息的冗余度,將特征相關(guān)性指標(biāo)融入SVM-RFE特征子集的篩選標(biāo)準(zhǔn)中,提升了融合特征的分類性能。在一級(jí)分類基礎(chǔ)上,基于特征學(xué)習(xí)方法,構(gòu)建了2Layer-RBM-KNN二級(jí)腦部圖像分類模型,增加網(wǎng)絡(luò)深度以進(jìn)行更高層次的特征抽象,并且結(jié)合數(shù)據(jù)集探究了分類器的選擇,實(shí)現(xiàn)樣本再分類。

【文章頁數(shù)】：6 頁

【文章目錄】：
0 引言
1 腦部圖像識(shí)別理論基礎(chǔ)
2 多級(jí)腦部圖像分類
    2.1 腦部區(qū)域均衡化
    2.2 基于對(duì)稱性理論的一級(jí)腦部圖像分類
    2.3 基于特征學(xué)習(xí)的二級(jí)腦部圖像分類
3 實(shí)驗(yàn)內(nèi)容與結(jié)果
    3.1 一級(jí)腦部圖像分類實(shí)驗(yàn)
    3.2 多級(jí)腦部圖像分類
4 結(jié)論



本文編號(hào)：3819009