本文關鍵詞：基于群智能算法優(yōu)化的超聲乳腺腫瘤圖像識別

  更多相關文章： 人工蜂群 人工免疫系統(tǒng) 乳腺腫瘤識別 支持向量機

【摘要】：近幾年來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后的存活率。傳統(tǒng)的穿刺刮片等腫瘤檢查耗時且是具有傷害性的檢查方式。超聲波檢查為目前常見的乳腺腫瘤檢測方法之一,具有非侵入性、價格較低、檢查方便等優(yōu)點。但超聲波乳腺腫瘤圖像需要有經驗的醫(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。近年來計算機輔助診斷的出現(xiàn)為提高腫瘤診斷的準確性和一致性提供了有效的手段,但存在特征篩選復雜、訓練優(yōu)化時間長等問題。本文提出了2種結合特征篩選及分類器參數(shù)設定的群智能優(yōu)化方法,用以縮短超聲波腫瘤圖像輔助診斷系統(tǒng)的訓練時間,并提高良惡分類的正確率。本文的主要研究內容及創(chuàng)新包括以下兩個部分:1.提出以人工蜂群算法結合支持向量機的計算機輔助診斷系統(tǒng),進行超聲波乳腺腫瘤圖像分類。乳腺超聲圖像經過噪聲抑制、邊緣增強與自動分割等技術處理后,計算感興趣區(qū)域的多種紋理特征和幾何特征,并利用支持向量機來判斷腫瘤的良惡性。算法的關鍵在于利用人工蜂群算法的生成加檢驗特性的迭代搜索算法,模擬食物源的更新過程得到最優(yōu)化問題的解,通過人工蜂群算法進行特征篩選和分類器參數(shù)的同時優(yōu)化�；谧圆杉某暼橄倌[瘤圖像庫,實驗結果顯示提出方法對腫瘤的良惡性判斷正確率為92.53%,對腫瘤分類的靈敏度達91.67%,表明系統(tǒng)對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的訓練時間。2.為了進一步提高分類的準確率,基于人工免疫算法的復制選擇特性,提出了一套人工免疫算法結合支持向量機的方法,用以提高超聲波腫瘤圖像輔助診斷系統(tǒng)的性能。其圖像預處理和特征計算過程基本同上,使用支持向量機來識別腫瘤良惡性,但采用人工免疫算法進行特征篩選及優(yōu)化選擇支持向量機的參數(shù)。實驗結果顯示,本文所提出的方法對惡性腫瘤的敏感性指標為97.78%;良性腫瘤的敏感性指標為93.33%;惡性腫瘤的預測指標為91.67%;良性腫瘤的預測指標為98.25%,有效提高乳腺腫瘤良惡性判斷的正確率。同時算法的應用可使支持向量機的訓練時間大幅縮短,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,平均耗時比蜂群算法提高了40.49s。本文結果說明了采用群智能優(yōu)化算法可以有效提高超聲乳腺腫瘤圖像的識別率和識別效率。
【關鍵詞】：人工蜂群 人工免疫系統(tǒng) 乳腺腫瘤識別 支持向量機
【學位授予單位】：第四軍醫(yī)大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：R737.9;TP391.41
【目錄】：

• 縮略語表6-7
• 中文摘要7-9
• 英文摘要9-12
• 前言12-14
• 文獻回顧14-23
• 1. 乳腺腫瘤及其影像檢查技術14-15
• 2. 超聲波乳腺腫瘤圖像特征15-17
• 3. 基于超聲影像的計算機輔助乳腺腫瘤診斷17-18
• 4. 常用優(yōu)化算法簡介及特點18-23
• 第一部分 基于蜂群優(yōu)化的的乳腺腫瘤圖像識別23-43
• 概述23
• 1 乳腺圖像預處理23-25
• 1.1 各向異性擴散濾波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(Support Vector Machine; SVM)27-31
• 3.1 SVM簡介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別35-36
• 5 實驗及結果分析36-43
• 5.1 實驗數(shù)據(jù)與初始參數(shù)設定36-37
• 5.2 實驗結果37-43
• 第二部分 基于人工免疫優(yōu)化的乳腺腫瘤圖像識別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別46-51
• 2.1 人工免疫算法框架與流程46-47
• 2.2 圖像預處理47-48
• 2.3 腫瘤特征的提取與計算48
• 2.4 腫瘤特征篩選48-49
• 2.5 人工免疫算法結合支持向量機49-51
• 3 實驗51-55
• 3.1 實驗數(shù)據(jù)51
• 3.2 實驗參數(shù)設置及結果51-53
• 3.3 人工免疫與人工蜂群算法比較53-55
• 結論55-57
• 參考文獻57-62
• 個人簡歷和研究成果62-63
• 致謝63

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前2條

1 劉路;王太勇;;基于人工蜂群算法的支持向量機優(yōu)化[J];天津大學學報;2011年09期

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

中國碩士學位論文全文數(shù)據(jù)庫 前1條

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

，

本文編號：1035793