基于SVM方法的醫(yī)學(xué)圖像分類研究.pdf

1、近年來(lái)，隨著各種影像設(shè)備在醫(yī)學(xué)中的廣泛應(yīng)用，基于醫(yī)學(xué)影像的計(jì)算機(jī)輔助診斷迅速發(fā)展起來(lái)。計(jì)算機(jī)輔助診斷可以提高放射科醫(yī)生診斷的準(zhǔn)確率，協(xié)助醫(yī)生對(duì)醫(yī)學(xué)圖像進(jìn)行判斷和識(shí)別。在特征提取的基礎(chǔ)上進(jìn)行模式分類是基于醫(yī)學(xué)影像的計(jì)算機(jī)輔助診斷的重要步驟?，F(xiàn)有的如人工神經(jīng)網(wǎng)絡(luò)等分類方法基于傳統(tǒng)統(tǒng)計(jì)學(xué)，研究的是樣本數(shù)目趨于無(wú)窮大時(shí)的漸進(jìn)理論，然而，在實(shí)際應(yīng)用中，樣本的數(shù)量往往是有限的。因此，這些傳統(tǒng)方法容易產(chǎn)生過(guò)學(xué)習(xí)、局部極小點(diǎn)等問(wèn)題。支持向量機(jī)方法在19

2、92-1995年提出，它是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維(Vapnik-ChervonenkisDimension)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化(StructuralRiskMinimization，簡(jiǎn)稱SRM)原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性(即對(duì)特定訓(xùn)練樣本的學(xué)習(xí)精度，Accuracy)和推廣能力(即對(duì)未來(lái)輸入輸出進(jìn)行正確預(yù)測(cè)的能力)之間進(jìn)行折衷。支持向量機(jī)的發(fā)展很好地解決了以往困擾很多機(jī)器學(xué)習(xí)方法的問(wèn)題，如模型選擇與過(guò)學(xué)習(xí)問(wèn)題、

3、非線性和維數(shù)災(zāi)難問(wèn)題、局部極小點(diǎn)問(wèn)題等等。因此，它被認(rèn)為是繼模式識(shí)別和神經(jīng)網(wǎng)絡(luò)之后機(jī)器學(xué)習(xí)領(lǐng)域的新的研究熱點(diǎn)。 論文將支持向量機(jī)的機(jī)器學(xué)習(xí)方法引入到醫(yī)學(xué)圖像的分類問(wèn)題。首先概述了支持向量機(jī)的理論基礎(chǔ)和數(shù)學(xué)模型，著重介紹了支持向量機(jī)的推廣能力和核函數(shù)理論。其次介紹了一些主要的改進(jìn)支持向量機(jī)學(xué)習(xí)算法，分析了這些算法的優(yōu)缺點(diǎn)。最后應(yīng)用支持向量機(jī)方法對(duì)乳腺X線圖像提取出來(lái)的特征樣本進(jìn)行分類，采用交叉檢驗(yàn)方法進(jìn)行支持向量機(jī)核函數(shù)參數(shù)的選擇