医学图像模式识别技术的研究及应用

发布时间：2017-07-29 05:11

  本文关键词：医学图像模式识别技术的研究及应用

  更多相关文章： 粗糙集理论 FCM算法 支持向量机 遗传算法 系统设计

【摘要】：模式识别是根据人脑的识别机理,利用计算机对各种事物及其变化的过程进行判别和分类的过程。医学图像模式识别是模式识别的重要分支。随着大量新型的医疗设备应用于临床,医学图像的种类越来越多,仅靠人为诊断无疑会给医生带来繁重的工作,因此,研究医学图像的识别技术势在必行。由于医学图像具有不同于其他图像的特征,如纹理较多,分辨率较低,相关性较大,并且要严格保证诊断的可靠性。因此,需要针对各种医学图像的特点对已有的算法进行改进和优化,使其更适合医学图像的处理。本文针对医学图像的模式识别工作进行了深入的研究,对传统模式识别技术的不足进行了优化,实现了睑板腺形态识别及乳腺肿瘤的识别。具体的研究内容有以下几个方面:(1)研究了几种传统的图像模式识别算法,对算法的性能进行分析,选出更适合医学图像处理和识别的方法。(2)研究了结合改进FCM和粗糙集理论的识别方法。本文方法结合了FCM和粗糙集的优点,能在保证分类能力的前提下约简掉冗余属性,提取最具代表性的规则;同时使用FCM对属性进行模糊化而非离散化,有效避免信息损失,使得到的规则更加准确。此外,在FCM算法的基础上提出基于距离的初始聚类中心选择方法,并对孤立点单独处理,克服了传统FCM算法的缺陷。将改进后的算法用于睑板腺形态识别,这种方法在降低计算量的同时保证了分类精度,使系统性能大大提高。(3)研究了自适应遗传算法优化的支持向量机识别方法。支持向量机用于模式识别有很多优点,但参数选择问题一直是影响其速度和效率的制约因素。本文用自适应遗传算法对支持向量机参数进行优化,避免了对所有参数的遍历,大大减少计算量,使寻优速度更快,同时提高分类精度。将本文方法用于乳腺肿瘤识别,对乳腺图像经过预处理后提取肿瘤形状特征,把特征向量输入训练好的支持向量机,识别效果理想,证明了其实用价值。(4)基于上述算法的应用,本文在MATLAB的GUI平台上设计了医学图像识别系统。对睑板腺形态识别子系统和乳腺肿瘤子系统分别进行了界面设计和程序设计,实现了人机交互。
【关键词】：粗糙集理论 FCM算法 支持向量机 遗传算法 系统设计
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要3-5
• ABSTRACT5-11
• 第一章 绪论11-19
• 1.1 课题研究的背景及意义11-12
• 1.2 国内外研究现状12-14
• 1.2.1 模式识别技术的发展与现状12-13
• 1.2.2 模式识别在医学图像处理中的研究现状13-14
• 1.3 图像模式识别概述14-15
• 1.4 常用图像模式识别方法及性能分析15-17
• 1.4.1 统计模式识别15
• 1.4.2 神经网络模式识别15
• 1.4.3 模糊模式识别15
• 1.4.4 支持向量机模式识别15-16
• 1.4.5 粗糙集模式识别16-17
• 1.5 医学图像模式识别存在的技术难题17-18
• 1.6 本文研究内容及章节安排18-19
• 第二章 基于改进FCM和粗糙集理论的睑板腺形态识别算法19-37
• 2.1 粗糙集理论19-23
• 2.1.1 知识表达系统19-20
• 2.1.2 不可分辨关系20-21
• 2.1.3 上近似，，下近似21-22
• 2.1.4 属性约简与核22-23
• 2.2 改进的模糊c均值聚类23-27
• 2.2.1 模糊c均值聚类23-24
• 2.2.2 改进的模糊c均值聚类24-26
• 2.2.3 改进FCM用于数据处理26-27
• 2.3 基于改进FCM和粗糙集的睑板腺形态诊断27-35
• 2.3.1 睑板腺图像预处理28-30
• 2.3.2 Tamura纹理特征提取30-32
• 2.3.3 分类规则提取32-34
• 2.3.4 睑板腺图像分类及结果分析34-35
• 2.4 本章小结35-37
• 第三章 自适应遗传算法优化支持向量机的乳腺肿瘤识别算法37-55
• 3.1 支持向量机理论37-43
• 3.1.1 线性可分情况下的SVM38-41
• 3.1.2 非线性可分情况下的SVM41-42
• 3.1.3 核函数42-43
• 3.2 自适应遗传算法优化的支持向量机43-47
• 3.2.1 遗传算法的构成要素44-45
• 3.2.2 自适应遗传算法45-46
• 3.2.3 自适应遗传算法优化支持向量机参数46-47
• 3.3 自适应遗传算法优化支持向量机的乳腺肿瘤诊断47-53
• 3.3.1 乳腺图像预处理47-49
• 3.3.2 乳腺肿瘤特征提取49-51
• 3.3.3 支持向量机训练51-52
• 3.3.4 检测样本分类及结果分析52-53
• 3.4 本章小结53-55
• 第四章 基于MATLAB/GUI的医学图像识别系统设计55-71
• 4.1 MATLAB/GUI功能简介55-57
• 4.1.1 图形用户界面的开发环境（GUIDE）55-56
• 4.1.2 图形对象及属性56-57
• 4.2 医学图像识别系统设计总方案57-60
• 4.2.1 系统设计基本原则57-58
• 4.2.2 系统设计基本步骤58-59
• 4.2.3 医学图像设计系统基本框图59-60
• 4.3 系统界面设计60-63
• 4.3.1 主界面设计60
• 4.3.2 睑板腺形态识别子界面设计60-62
• 4.3.3 乳腺肿瘤识别子界面设计62-63
• 4.4 系统程序设计63-70
• 4.4.1 图形句柄63
• 4.4.2 睑板腺识别系统程序设计63-68
• 4.4.3 乳腺肿瘤识别系统程序设计68-70
• 4.5 本章小结70-71
• 第五章 总结与展望71-73
• 5.1 本文工作总结71-72
• 5.2 未来工作展望72-73
• 参考文献73-77
• 致谢77-79
• 攻读硕士学位期间发表的学术论文79

【相似文献】

中国期刊全文数据库 前10条

1 栾新,王炎,崔洪英,李洪臣,由立;原木横截面图像模式识别的新方法[J];黑龙江自动化技术与应用;1996年04期

2 张爱珍,业宁;基于图像模式识别技术的牛顿环检测[J];物理实验;2003年08期

3 张健;芮延年;陈洁;;基于模糊灰色理论人脸图像模式识别方法的研究[J];长春理工大学学报(自然科学版);2007年01期

4 许可;李敏;罗鹏飞;;基于图像模式识别的多元假设检验教学实验[J];电气电子教学学报;2008年05期

5 陈岳林;;基于图像模式识别的纸张纸病捡测系统[J];光学技术;2006年S1期

6 贾昔玲;;基于图像模式识别的数字图书资料修复及应用研究[J];数字技术与应用;2010年10期

7 张燕妮;娄树理;;红外图像模式识别的预处理[J];兵工自动化;2006年09期

8 张秀凤;娄树理;张燕妮;;红外图像模式识别的预处理研究[J];光电技术应用;2006年05期

9 李新;曾敏;田甜;张从力;;基于小波多尺度变换局部放电图像模式识别的研究[J];变压器;2008年11期

10 乔维维;秦小文;陆静逸;;印刷电路板图像模式识别研究[J];电子测试;2011年07期

中国重要会议论文全文数据库 前2条

1 李勃;陈启美;王颖健;;基于路况图像模式识别预警网络的技术实现[A];第二届全国信息获取与处理学术会议论文集[C];2004年

2 赵燕;郭磊;;医学图像模式识别中特征向量提取方法的研究[A];天津市生物医学工程学会第三十一届学术年会论文集[C];2011年

中国硕士学位论文全文数据库 前7条

1 潘忠才;面向警务案件的人脸图像模式识别系统的设计与实现[D];电子科技大学;2014年

2 刘雪鸥;医学图像模式识别技术的研究及应用[D];太原理工大学;2016年

3 唐强;基于图像模式识别技术的昆虫识别研究[D];昆明理工大学;2006年

4 刘燕;储粮昆虫图像模式识别研究[D];成都理工大学;2002年

5 黄传霞;IC探针图像模式识别与测距技术研究[D];苏州大学;2013年

6 郝中华;基于图像模式识别技术的实蝇昆虫分类识别研究[D];昆明理工大学;2010年

7 詹长明;注塑行业中模具监视系统的设计与开发[D];厦门大学;2009年

本文编号：587577