基于核方法的乳腺結節(jié)輔助診斷的研究.pdf

1、乳腺癌是一種常發(fā)于女性的癌癥類型，其正成為世界上導致婦女死亡的主要病因。目前人們尚不完全了解乳腺癌的病因，因此早發(fā)現(xiàn)、早治療對于提高此病的存活率具有深遠意義。惡性乳腺結節(jié)也就是人們常說的乳腺癌，但無論是良性的結節(jié)還是惡性的乳腺結節(jié)，都會使患者的身心健康受到威脅。準確地鑒別乳腺結節(jié)的性質(zhì)對下一步的治療至關重要。因此，如何利用計算機輔助診斷技術來盡可能地幫助醫(yī)生診斷此病是本文的研究目的。
　　20世紀90年代，核函數(shù)方法（簡稱核方法）

2、在模式識別與機器學習領域引起了廣泛地關注。隨著核函數(shù)的理論發(fā)展不斷趨于成熟，許多表現(xiàn)優(yōu)異的算法都與核函數(shù)的加入有關。因此，本文主要采用基于核方法的相關算法來輔助診斷乳腺結節(jié)的良惡性。乳腺結節(jié)超聲圖像屬于高維數(shù)據(jù)，如果不對其做任何處理，而直接訓練分類器，將會導致維度災難與效率低下等問題。因此為了提高分類精度與分類效率，將原本高維的超聲圖像進行維度歸約是非常有必要的。本文的主要工作如下：
　　1）本文研究了主成分分析、線性判別分析、核

3、主成分分析和高斯過程隱變量模型這幾種經(jīng)典的降維方法。本文使用主成分分析、核主成分分析和高斯過程隱變量模型對乳腺結節(jié)圖像進行降維實驗。經(jīng)過詳細地理論分析與實驗對比，本文最終選取了高斯過程隱變量模型的降維結果作為分類器的輸入數(shù)據(jù)。
　　2）本文將經(jīng)過高斯過程隱變量模型降維后的圖像數(shù)據(jù)進行五次隨機的有放回采樣，最終將得到五組不同的訓練集和測試集進行模型平均。本文提出了三種不同的分類方法來構建分類模型，即K-近鄰、決策樹和支持向量機方法，