基于对支持向量机的医学图像分类研究

发布时间：2017-12-18 21:11

  本文关键词：基于对支持向量机的医学图像分类研究

  更多相关文章： 医学图像分类 特征提取 对支持向量机 核主成分分析

【摘要】：乳腺X光摄影技术是最常见的乳腺癌早期诊断方法,目前主要通过医生观察和分析医学图像诊断病情,但是医学图像中包含大量的数据信息,其中隐匿的有用信息很难通过肉眼发现。同时随着互联网技术的发展,在线诊断成为发展的必然,医生将面对海量数据,通过数据挖掘方法对医学图像中隐藏的肉眼很难发现的信息进行分析,进而帮助医生做出诊断成为近年来研究的热点。由此引入高效的数据挖掘方法对医学图像进行准确快速的诊断和识别,从而提高医学图像分类精度,尽量避免医生错误判断,提高医生的工作效率。支持向量机是建立在统计学习理论基础上的一种机器学习方法,在解决非线性和小样本等问题上有独特的优势。对支持向量机不同于传统的支持向量机,它通过求解两个规模更小的二次规划问题来获得一对非平行超平面,使每一类都接近于相对应的分类面,而远离另一分类面。它是一种快速分类方法,不仅具有传统支持向量机的优点,并且具有很强的数据处理能力和推广能力,被广泛应用于模式识别和数据分类等领域。本文针对医学图像多类分类中出现的模糊性问题,较深入的探讨和研究了两种基于对支持向量机的医学图像分类方法,并将其用于医学图像多类分类中,提高了医学图像的分类精度。论文主要工作如下:(1)提出了基于遗传算法的决策树对支持向量机多类分类算法,并将其应用于医学图像分类中。本文提出了基于遗传算法的决策树对支持向量机多类分类算法,该算法将决策树和对支持向量机相结合构造分类器解决多类分类问题,克服了传统对支持向量机多类分类算法中出现的模糊性问题。该算法用遗传算法对特征数据建立决策树,通过构建决策树可以分离样本的模糊区域,提高模糊区域样本的识别率。在决策树的每个节点上用对支持向量机训练分类器,然后用训练的分类器进行分类和预测。将新算法分别在多组UCI机器学习标准数据集和医学图像上做分类实验,实验结果表明与传统的对支持向量机多类分类算法相比,新算法具有较高的分类精度和较快的训练速度。(2)提出了基于核主成分分析的决策树对支持向量机多类分类算法,并将其应用于医学图像分类中。为了全面描述医学图像所包含的信息,通常需要提取大量的图像特征,这样就使输入空间的维数过高,随着样本维数的增加,可能会使计算复杂度呈指数倍增长,因此必须使用有效的方法降低输入空间维数。本文将核主成分分析应用于特征降维,提出基于核主成分分析的决策树对支持向量机多类分类算法,实现数据维数的约简,然后在降维后的特征数据集上用决策树对支持向量机算法训练分类器,改善分类器的性能。将新算法在医学图像上做分类实验,实验结果表明与决策树对支持向量机算法相比,新算法具有更好的分类结果。
【学位授予单位】：西北师范大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.41;TP18

【相似文献】

中国期刊全文数据库 前10条

1 吴娟;范玉妹;王丽;;关于改进的支持向量机的研究[J];攀枝花学院学报;2006年05期

2 刘硕明;刘佳;杨海滨;;一种新的多类支持向量机算法[J];计算机应用;2008年S2期

3 尹传环;牟少敏;田盛丰;黄厚宽;;单类支持向量机的研究进展[J];计算机工程与应用;2012年12期

4 王云英;阎满富;;C-支持向量机及其改进[J];唐山师范学院学报;2012年05期

5 李逢焕;;试述不确定支持向量机应用分析及改进思路[J];中国证券期货;2012年12期

6 邵惠鹤;支持向量机理论及其应用[J];自动化博览;2003年S1期

7 曾嵘,蒋新华,刘建成;基于支持向量机的异常值检测的两种方法[J];信息技术;2004年05期

8 张凡,贺苏宁;模糊判决支持向量机在自动语种辨识中的研究[J];计算机工程与应用;2004年21期

9 魏玲,张文修;基于支持向量机集成的分类[J];计算机工程;2004年13期

10 沈翠华,邓乃扬,肖瑞彦;基于支持向量机的个人信用评估[J];计算机工程与应用;2004年23期

中国重要会议论文全文数据库 前10条

1 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届（2011）中国管理学年会——商务智能分会场论文集[C];2011年

2 刘希玉;徐志敏;段会川;;基于支持向量机的创新分类器[A];山东省计算机学会2005年信息技术与信息化研讨会论文集（一）[C];2005年

3 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（下册）[C];2008年

4 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年

5 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年

6 王婷;胡秀珍;;基于组合向量的支持向量机方法预测膜蛋白类型[A];第十一次中国生物物理学术大会暨第九届全国会员代表大会摘要集[C];2009年

7 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

8 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年

9 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年

10 侯澍e，

本文编号：1305628