核支持向量机在磁共振脑图像分类中的应用研究

发布时间：2017-07-21 01:20

  本文关键词：核支持向量机在磁共振脑图像分类中的应用研究

  更多相关文章： 支持向量机 MR 粒子群算法 遗传算法 核参数 惩罚参数

【摘要】：本文首先叙述了磁共振(MR)脑图像分类诊断的历史及发展现状,在此基础上提出了将核支持向量机(SVM)与MR脑图像早期诊断相结合的新思路,将模式识别应用到实际图像分类中。SVM具有很好的归纳容错能力,能够找到全局最优解,在解决图像分类与模式识别问题中体现出许多优势。在实际应用中,如何选取核参数与惩罚系数对分类结果很重要,只有选取合适的参数,才能得到具有良好推广能力的SVM分类器。本文对MR脑图像进行特征提取,并对部分特征进行组合,使得能够利用少量特征就能对MR脑图像进行高准确率分类,首先对比了MR脑图像在多项式(Polynomial)核函数、线性函数、径向基核函数(RBF)下生成结果的不同,又采用三种优化方法：网格搜索法、用遗传算法(GA)和粒子群优化(PSO)对SVM两个参数c与σ进行优化,将三种优化算法应用于MR脑图像数据集的分类中,比较三种优化算法的性能,又运用PSO-SVM方法比较不同数据集下分类器的性能,最后与机器学习与数据挖掘中的部分分类方法进行比较,包括KNN算法、KM算法、模糊神经网络算法、线性判别分析法。方法：以MR脑图像中提取出的小波能量(Wavelet Energy)和小波熵(Wavelet Entropy)的联合特征(简称WEWE)为基础,将部分特征进行组合,寻找最优分类且特征数目最少的特征组合,然后将125例病例样本随机分为训练集和测试集,用归一化后的数据用来训练SVM网络。通过分类准确率与选取经验,采用RBF核函数,再使用网格搜索法选择合适的惩罚参数c和核参数σ,用测试集测试该网络区分正常MR脑图像和非正常MR脑图像的能力,之后再分别用GA和PSO对参数进行优化,在交叉验证的条件下实现对各种方法的参数选择,将PSO-SVM寻找到最佳参数建立的分类模型与随机选择参数建立的模型进行对比,最后将各种分类方法的结果进行对比,其中包括机器学习中的KNN算法、KM算法与模糊神经网络算法,探寻分类效果最好的方法。结果：通过测试集输出结果对比,发现利用WEWE,结合粒子群优化算法优化后的SVM(简称PSO-SVM)的分类效果最好,达到99.68%。然后,用PSO-SVM与BP神经网络、KNN分类算法等相比,PSO-SVM的分类效果是最好的,能对SVM的参数进行快速、精确的选择且操作简单,有很好的泛化能力,使SVM具有更高的分类准确率。因此,PSO优化SVM网络更适用于MRI影像疾病的诊断,值得进一步探索与研究。
【关键词】：支持向量机 MR 粒子群算法 遗传算法 核参数 惩罚参数
【学位授予单位】：南京师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R445.2;TP18
【目录】：

• 摘要4-5
• Abstract5-7
• 缩略用语表7-10
• 第1章 绪论10-14
• 1.1 研究背景及意义10-11
• 1.2 MR脑图像诊断的国内外现状11-14
• 第2章 MR脑图像特征提取14-24
• 2.1 MR脑图像诊断材料14
• 2.2 小波变换与二维离散小波变换14-18
• 2.3 小波能量与小波熵18-23
• 2.3.1 特征选择20
• 2.3.2 探寻最优分解层次20-21
• 2.3.3 特征组合的可视化21-23
• 2.4 数据的预处理23-24
• 第3章 基于网格搜索方法的SVM参数寻优24-34
• 3.1 支持向量机的理论基础24-28
• 3.1.1 SVM算法简介24
• 3.1.2 SVM算法的原理24-28
• 3.1.3 SVM算法的特点28
• 3.2 核函数与实验平台28-29
• 3.2.1 核函数28-29
• 3.2.2 实验平台29
• 3.3 交叉验证与网格划分参数寻优29-31
• 3.4 算法的衡量指标31
• 3.5 实验结果分析31-34
• 第4章 基于遗传算法与粒子群优化算法的SVM参数寻优34-53
• 4.1 遗传算法的参数寻优34-38
• 4.1.1 遗传算法简介34-36
• 4.1.2 遗传算法的特点36-37
• 4.1.3 遗传算法的寻优流程图37-38
• 4.1.4 matlab实现遗传算法的参数寻优38
• 4.2 粒子群实现参数寻优38-42
• 4.2.1 粒子群算法简介38-40
• 4.2.2 粒子群寻优流程图40-41
• 4.2.3 粒子群寻优伪码步骤41
• 4.2.4 matlab实现粒子群参数寻优41-42
• 4.3 实验结果42-44
• 4.3.1 分类正确性比较42-43
• 4.3.2 随机参数选择分类结果比较43-44
• 4.3.3 改变数据量的分类结果比较44
• 4.4 粒子群优化方法与其他算法比较44-49
• 4.4.1 反向传播神经网络44-46
• 4.4.2 线性判别分析法46-48
• 4.4.3 KNN算法48-49
• 4.4.4 KM方法49
• 4.5 几种算法实验结果比较49-51
• 4.6 本章小结51-53
• 第5章 总结与展望53-56
• 5.1 总结53-54
• 5.2 展望54-56
• 参考文献56-60
• 攻读硕士学位期间发表论文和参与基金项目60-62
• 致谢62

【相似文献】

中国期刊全文数据库 前4条

1 Steiner E ,颜志平;采用数字录像透视摄取胃肠道直接数字化点片[J];国外医学(消化系疾病分册);1990年02期

2 李莉;木拉提·哈米提;;医学影像数据分类方法研究综述[J];中国医学物理学杂志;2011年06期

3 赵杰;万丹丹;门国尊;;改进的FSVM结合语义特征的甲状腺图像分类方法[J];电视技术;2014年05期

4 ;[J];;年期

中国重要会议论文全文数据库 前10条

1 郑海红;曾平;;一种基于图像分类的逆半调算法[A];’2004计算机应用技术交流会议论文集[C];2004年

2 文振q;欧阳杰;朱为总;;基于语义特征与支持向量机的图像分类[A];中国电子学会第十六届信息论学术年会论文集[C];2009年

3 王海峰;管亮;;基于颜色特征的图像分类技术在油品分析中的应用[A];中国仪器仪表学会第六届青年学术会议论文集[C];2004年

4 陈思坤;吴洪;;基于图分块并利用空间金字塔的医学图像分类[A];第六届和谐人机环境联合学术会议（HHME2010)、第19届全国多媒体学术会议（NCMT2010）、第6届全国人机交互学术会议（CHCI2010）、第5届全国普适计算学术会议（PCC2010）论文集[C];2010年

5 张淑雅;赵晓宇;赵一鸣;李均利;;基于SVM的图像分类[A];第十三届全国图象图形学学术会议论文集[C];2006年

6 李博;韩萍;;基于压缩感知和SVM的极化SAR图像分类[A];第二十七届中国（天津）2013IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2013年

7 朱松豪;胡娟娟;孙伟;;基于非欧空间高阶统计的图像分类方法[A];第25届中国控制与决策会议论文集[C];2013年

8 潘海为;李建中;张炜;;基于像素聚类的脑部医学图像分类[A];第二十届全国数据库学术会议论文集（研究报告篇）[C];2003年

9 吴霜;张一飞;修非;王大玲;鲍玉斌;于戈;;基于兴趣点特征提取的医学图像分类[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

10 武进;尹恺;王长明;张家才;;SVDM在蔬菜病害图像分类中的应用[A];图像图形技术与应用进展——第三届图像图形技术与应用学术会议论文集[C];2008年

中国博士学位论文全文数据库 前10条

1 胡尧;基于低秩矩阵估计的机器学习算法分析[D];浙江大学;2015年

2 李昌英(Ri ChangYong);基于上下文信息的语义图像分类研究[D];浙江大学;2014年

3 陈博;基于集成学习和特征选择的极化SAR地物分类[D];西安电子科技大学;2015年

4 王晓东;基于稀疏特征学习的复杂图像分类[D];西安电子科技大学;2014年

5 顾迎节;面向图像分类的主动学习算法研究[D];南京理工大学;2015年

6 赵鑫;图像分类中的判别性增强研究[D];中国科学技术大学;2013年

7 杨冰;基于艺术风格的绘画图像分类研究[D];浙江大学;2013年

8 丁建睿;基于多示例学习的浅表器官超声图像分类方法研究[D];哈尔滨工业大学;2012年

9 贾世杰;基于内容的商品图像分类方法研究[D];大连理工大学;2013年

10 李晓旭;基于概率主题模型的图像分类和标注的研究[D];北京邮电大学;2012年

中国硕士学位论文全文数据库 前10条

1 李函怡;融合主动学习的半监督技术在图像分类中的应用研究[D];西南大学;2015年

2 王亚凤;基于多特征的主动学习方法在图像分类中的应用研究[D];河北工程大学;2015年

3 陈荣安;基于改进的Bag-of-Features模型的图像分类研究[D];兰州大学;2015年

4 吴正文;卷积神经网络在图像分类中的应用研究[D];电子科技大学;2015年

5 陈胜喃;基于稀疏编码的图像分类[D];中国石油大学(华东);2014年

6 高翠;特征选择方法在图像分类中的研究与应用[D];中国石油大学(华东);2014年

7 于风格;面向图像分类的特征选择方法[D];北京交通大学;2016年

8 王挺进;基于语义模型的图像分类方法研究[D];解放军信息工程大学;2014年

9 邹晓川;基于多视图学习的大规模图像分类的研究[D];南京大学;2014年

10 陈彤彤;基于多示例学习的图像分类研究[D];鲁东大学;2016年

，

本文编号：570867