醫(yī)學(xué)圖像模式識(shí)別技術(shù)的研究及應(yīng)用.pdf

1、模式識(shí)別是根據(jù)人腦的識(shí)別機(jī)理，利用計(jì)算機(jī)對(duì)各種事物及其變化的過程進(jìn)行判別和分類的過程。醫(yī)學(xué)圖像模式識(shí)別是模式識(shí)別的重要分支。隨著大量新型的醫(yī)療設(shè)備應(yīng)用于臨床，醫(yī)學(xué)圖像的種類越來越多，僅靠人為診斷無疑會(huì)給醫(yī)生帶來繁重的工作，因此，研究醫(yī)學(xué)圖像的識(shí)別技術(shù)勢在必行。由于醫(yī)學(xué)圖像具有不同于其他圖像的特征，如紋理較多，分辨率較低，相關(guān)性較大，并且要嚴(yán)格保證診斷的可靠性。因此，需要針對(duì)各種醫(yī)學(xué)圖像的特點(diǎn)對(duì)已有的算法進(jìn)行改進(jìn)和優(yōu)化，使其更適合醫(yī)學(xué)圖像

2、的處理。
　　本文針對(duì)醫(yī)學(xué)圖像的模式識(shí)別工作進(jìn)行了深入的研究，對(duì)傳統(tǒng)模式識(shí)別技術(shù)的不足進(jìn)行了優(yōu)化，實(shí)現(xiàn)了瞼板腺形態(tài)識(shí)別及乳腺腫瘤的識(shí)別。具體的研究內(nèi)容有以下幾個(gè)方面：
　　(1)研究了幾種傳統(tǒng)的圖像模式識(shí)別算法，對(duì)算法的性能進(jìn)行分析，選出更適合醫(yī)學(xué)圖像處理和識(shí)別的方法。
　　(2)研究了結(jié)合改進(jìn)FCM和粗糙集理論的識(shí)別方法。本文方法結(jié)合了FCM和粗糙集的優(yōu)點(diǎn)，能在保證分類能力的前提下約簡掉冗余屬性，提取最具代表性的規(guī)則

3、；同時(shí)使用FCM對(duì)屬性進(jìn)行模糊化而非離散化，有效避免信息損失，使得到的規(guī)則更加準(zhǔn)確。此外，在FCM算法的基礎(chǔ)上提出基于距離的初始聚類中心選擇方法，并對(duì)孤立點(diǎn)單獨(dú)處理，克服了傳統(tǒng)FCM算法的缺陷。將改進(jìn)后的算法用于瞼板腺形態(tài)識(shí)別，這種方法在降低計(jì)算量的同時(shí)保證了分類精度，使系統(tǒng)性能大大提高。
　　(3)研究了自適應(yīng)遺傳算法優(yōu)化的支持向量機(jī)識(shí)別方法。支持向量機(jī)用于模式識(shí)別有很多優(yōu)點(diǎn)，但參數(shù)選擇問題一直是影響其速度和效率的制約因素。本文