本文關(guān)鍵詞：基于群智能算法優(yōu)化的超聲乳腺腫瘤圖像識(shí)別

  更多相關(guān)文章： 人工蜂群 人工免疫系統(tǒng) 乳腺腫瘤識(shí)別 支持向量機(jī)

【摘要】：近幾年來(lái)女性乳腺癌死亡率逐年提高,若能及早發(fā)現(xiàn)征狀并給予治療有助于提高術(shù)后的存活率。傳統(tǒng)的穿刺刮片等腫瘤檢查耗時(shí)且是具有傷害性的檢查方式。超聲波檢查為目前常見(jiàn)的乳腺腫瘤檢測(cè)方法之一,具有非侵入性、價(jià)格較低、檢查方便等優(yōu)點(diǎn)。但超聲波乳腺腫瘤圖像需要有經(jīng)驗(yàn)的醫(yī)生判斷才能夠有效分辨腫瘤的良惡性,且不同醫(yī)生間診斷差異較大。近年來(lái)計(jì)算機(jī)輔助診斷的出現(xiàn)為提高腫瘤診斷的準(zhǔn)確性和一致性提供了有效的手段,但存在特征篩選復(fù)雜、訓(xùn)練優(yōu)化時(shí)間長(zhǎng)等問(wèn)題。本文提出了2種結(jié)合特征篩選及分類(lèi)器參數(shù)設(shè)定的群智能優(yōu)化方法,用以縮短超聲波腫瘤圖像輔助診斷系統(tǒng)的訓(xùn)練時(shí)間,并提高良惡分類(lèi)的正確率。本文的主要研究?jī)?nèi)容及創(chuàng)新包括以下兩個(gè)部分:1.提出以人工蜂群算法結(jié)合支持向量機(jī)的計(jì)算機(jī)輔助診斷系統(tǒng),進(jìn)行超聲波乳腺腫瘤圖像分類(lèi)。乳腺超聲圖像經(jīng)過(guò)噪聲抑制、邊緣增強(qiáng)與自動(dòng)分割等技術(shù)處理后,計(jì)算感興趣區(qū)域的多種紋理特征和幾何特征,并利用支持向量機(jī)來(lái)判斷腫瘤的良惡性。算法的關(guān)鍵在于利用人工蜂群算法的生成加檢驗(yàn)特性的迭代搜索算法,模擬食物源的更新過(guò)程得到最優(yōu)化問(wèn)題的解,通過(guò)人工蜂群算法進(jìn)行特征篩選和分類(lèi)器參數(shù)的同時(shí)優(yōu)化�；谧圆杉某暼橄倌[瘤圖像庫(kù),實(shí)驗(yàn)結(jié)果顯示提出方法對(duì)腫瘤的良惡性判斷正確率為92.53%,對(duì)腫瘤分類(lèi)的靈敏度達(dá)91.67%,表明系統(tǒng)對(duì)腫瘤良惡性的判斷具有較高正確率,并且能夠減少支持向量機(jī)的訓(xùn)練時(shí)間。2.為了進(jìn)一步提高分類(lèi)的準(zhǔn)確率,基于人工免疫算法的復(fù)制選擇特性,提出了一套人工免疫算法結(jié)合支持向量機(jī)的方法,用以提高超聲波腫瘤圖像輔助診斷系統(tǒng)的性能。其圖像預(yù)處理和特征計(jì)算過(guò)程基本同上,使用支持向量機(jī)來(lái)識(shí)別腫瘤良惡性,但采用人工免疫算法進(jìn)行特征篩選及優(yōu)化選擇支持向量機(jī)的參數(shù)。實(shí)驗(yàn)結(jié)果顯示,本文所提出的方法對(duì)惡性腫瘤的敏感性指標(biāo)為97.78%;良性腫瘤的敏感性指標(biāo)為93.33%;惡性腫瘤的預(yù)測(cè)指標(biāo)為91.67%;良性腫瘤的預(yù)測(cè)指標(biāo)為98.25%,有效提高乳腺腫瘤良惡性判斷的正確率。同時(shí)算法的應(yīng)用可使支持向量機(jī)的訓(xùn)練時(shí)間大幅縮短,相較蜂群算法,平均正確率提高了2.61%,但由于其所需迭代次數(shù)更高,收斂速度更慢一些,平均耗時(shí)比蜂群算法提高了40.49s。本文結(jié)果說(shuō)明了采用群智能優(yōu)化算法可以有效提高超聲乳腺腫瘤圖像的識(shí)別率和識(shí)別效率。
【關(guān)鍵詞】：人工蜂群 人工免疫系統(tǒng) 乳腺腫瘤識(shí)別 支持向量機(jī)
【學(xué)位授予單位】：第四軍醫(yī)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：R737.9;TP391.41
【目錄】：

• 縮略語(yǔ)表6-7
• 中文摘要7-9
• 英文摘要9-12
• 前言12-14
• 文獻(xiàn)回顧14-23
• 1. 乳腺腫瘤及其影像檢查技術(shù)14-15
• 2. 超聲波乳腺腫瘤圖像特征15-17
• 3. 基于超聲影像的計(jì)算機(jī)輔助乳腺腫瘤診斷17-18
• 4. 常用優(yōu)化算法簡(jiǎn)介及特點(diǎn)18-23
• 第一部分 基于蜂群優(yōu)化的的乳腺腫瘤圖像識(shí)別23-43
• 概述23
• 1 乳腺圖像預(yù)處理23-25
• 1.1 各向異性擴(kuò)散濾波23-24
• 1.2 基于水平集的圖像分割24-25
• 2 乳腺超聲波圖像特征提取25-27
• 2.1 紋理特征25-26
• 2.2 幾何特征26-27
• 3 支持向量機(jī)(Support Vector Machine; SVM)27-31
• 3.1 SVM簡(jiǎn)介27-28
• 3.2 超平面28-30
• 3.3 決策函數(shù)30-31
• 4 基于人工蜂群優(yōu)化的乳腺腫瘤圖像識(shí)別31-36
• 4.1 蜜蜂找蜜原理31-33
• 4.2 人工蜂群算法33-34
• 4.3 人工蜂群優(yōu)化SVM參數(shù)及特征篩選方法34-35
• 4.4 基于人工蜂群優(yōu)化的乳腺腫瘤圖像識(shí)別35-36
• 5 實(shí)驗(yàn)及結(jié)果分析36-43
• 5.1 實(shí)驗(yàn)數(shù)據(jù)與初始參數(shù)設(shè)定36-37
• 5.2 實(shí)驗(yàn)結(jié)果37-43
• 第二部分 基于人工免疫優(yōu)化的乳腺腫瘤圖像識(shí)別43-55
• 1 人工免疫算法43-46
• 1.1 生物免疫系統(tǒng)43-44
• 1.2 免疫系統(tǒng)操作機(jī)制44-45
• 1.3 人工免疫算法45-46
• 2 基于人工免疫算法的乳腺腫瘤圖像識(shí)別46-51
• 2.1 人工免疫算法框架與流程46-47
• 2.2 圖像預(yù)處理47-48
• 2.3 腫瘤特征的提取與計(jì)算48
• 2.4 腫瘤特征篩選48-49
• 2.5 人工免疫算法結(jié)合支持向量機(jī)49-51
• 3 實(shí)驗(yàn)51-55
• 3.1 實(shí)驗(yàn)數(shù)據(jù)51
• 3.2 實(shí)驗(yàn)參數(shù)設(shè)置及結(jié)果51-53
• 3.3 人工免疫與人工蜂群算法比較53-55
• 結(jié)論55-57
• 參考文獻(xiàn)57-62
• 個(gè)人簡(jiǎn)歷和研究成果62-63
• 致謝63

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前2條

1 劉路;王太勇;;基于人工蜂群算法的支持向量機(jī)優(yōu)化[J];天津大學(xué)學(xué)報(bào);2011年09期

2 陳成華;;乳腺癌影像學(xué)診斷進(jìn)展綜述[J];臨床合理用藥雜志;2013年10期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 肖孟強(qiáng);混合噪聲圖像濾波算法在醫(yī)學(xué)圖像中的應(yīng)用研究[D];蘭州交通大學(xué);2012年

，

本文編號(hào)：1035793