支持向量機在醫(yī)學圖像分割中的應用.pdf

1、醫(yī)學圖像分割是醫(yī)學圖像的一個重要應用領域，也是一個經典難題，至今已有上千種分割方法，既有經典的方法也有結合新興理論的方法。 Vapnik等學者首先提出了實現統計學習理論中結構風險最小化原則的實用算法一支持向量機，比較成功地解決了模式分類問題。其后，機器學習界興起了研究統計學習理論和支持向量機的熱潮，引人矚目的研究分支有從最優(yōu)化技術出發(fā)改進或改造支持向量機，依據統計學習理論和支持向量機的優(yōu)點設計新的非線性機器學習算法等。

2、支持向量機(SVM)方法就是利用最優(yōu)分類面(線)將兩類樣本在特征空間或輸入空間中準確地分開，而且要使兩類的分類空隙最大。因此標準的SVM方法需要求解二次規(guī)劃問題，計算量很大。 腦組織圖像分割在醫(yī)學圖像分析中具有重要的理論和應用價值。由于支持向量機被看作是對傳統學習分類器的一個好的替代，特別是在小樣本、高維情況下，具有較好的泛化性能，因此可采用支持向量機方法對磁共振腦組織圖像進行分割研究。 論文的主要工作可以簡單總結如下：