基于医学影像的计算机模式分类技术研究与应用

发布时间：2017-09-21 04:24

  本文关键词：基于医学影像的计算机模式分类技术研究与应用

  更多相关文章： 医学图像 纹理特征 边缘形状特征 支撑矢量机 神经网络

【摘要】：本文作为国家自然科学基金资助课题“基于医学图像数据挖掘技术的研究”的一部分，对医学影像数据挖掘中的一些关键技术和主要算法做了深入的研究。针对乳腺影像数据库，提出了适合乳腺影像的计算机模式分类算法，设计并开发了“乳腺癌计算机辅助诊断系统”。主要从事了以下研究工作： (1)图像预处理 图像在转换和传输过程中不可避免地要受到噪声的污染。本文使用了简单有效的具有边界保持的中值平滑滤波器算法，对数字化的乳腺X照片图像做去噪处理，清除图像中的大部分噪声。同时，为了改善图像的质量，使用了直方图均衡化技术来实现图像的增强。 (2)灰度共生矩阵生成及纹理特征提取 图像的纹理特征描述了在图像中反复出现的局部模式和它们的排列规则，反映了宏观意义上灰度变化的一些规律。本文采用灰度共生矩阵纹理分析方法，生成4个方向的共生矩阵，提取与方向无关的纹理特征。 (3)肿瘤边缘分割和边缘特征提取 本文利用区域增长的图像分割技术实现肿瘤边缘的准确定位，提取了紧凑度、矩和傅立叶描述子三个肿瘤形状特征。实验结果表明，这些特征很好地刻画了肿瘤的边缘形状，对区分良性肿瘤和恶性肿瘤非常有效。 (4)分类器算法设计 本文研究了适合于乳腺影像数据分类的分类算法，对支撑矢量机做了深入的剖析，提出了近似支撑矢量机PSVM分类思想。PSVM算法较标准的SVM算法来说，速度更快，对硬件资源要求很低，同时更易于实现，效果也较理想。作为机器学习领域最为活跃的分支之一，人工神经网络在智能控制、模式识别及信号处理等领域得到了广泛的应用。本文深入地分析了神经网络的模式分类原理，，算法的一般理论，剖析了神经网络的主要优、缺点，提出了解决或部分解决神经网络缺陷的改进方法。实践表明，利用本文改进的神经网络分类器，其分类效果非常理想。
【关键词】：医学图像 纹理特征 边缘形状特征 支撑矢量机 神经网络
【学位授予单位】：西北大学
【学位级别】：硕士
【学位授予年份】：2004
【分类号】：R-39
【目录】：

• 第一章 绪论8-17
• 1.1 引言8-10
• 1.2 国内外研究现状10-11
• 1.3 本文选题来源及研究背景、意义11-13
• 1.4 本文研究内容13-15
• 1.4.1 图像预处理13-14
• 1.4.2 特征选择与提取14
• 1.4.3 算法和分类器设计14-15
• 1.5 本文内容组织15-16
• 1.6 本章小结16-17
• 第二章 近似支撑矢量机(PSVM)分类算法17-28
• 2.1 支撑矢量机(SVM)概述17-18
• 2.2 支撑矢量机算法18-22
• 2.2.1 分类面结构18-19
• 2.2.2 最优分类面19-20
• 2.2.3 非线性支撑矢量机20-21
• 2.2.4 标准SVM算法存在的问题及对应策略21-22
• 2.3 近似的支撑矢量机(PSVM)算法22-27
• 2.3.1 线性PSVM22-25
• 2.3.2 非线性PSVM25-27
• 2.4 本章小结27-28
• 第三章 神经网络分类器28-41
• 3.1 神经网络概述28
• 3.2 神经网络结构及学习机理28-30
• 3.3 反向传播算法(BP算法)30-36
• 3.3.1 BP算法网络模型30-32
• 3.3.2 BP学习算法32-36
• 3.4 标准反向传播BP算法存在的问题及对策36-40
• 3.4.1 提高BP算法的收敛速度37-39
• 3.4.2 权值调节的全局优化算法39-40
• 3.5 本章小结40-41
• 第四章 基于共生矩阵纹理特征的乳腺X照片分类器设计41-52
• 4.1 图像预处理41-45
• 4.1.1 图像去噪41-42
• 4.1.2 图像增强42-45
• 4.2 图像纹理的灰度分布统计特征45-50
• 4.2.1 灰度共生矩阵45-47
• 4.2.2 灰度共生矩阵纹理特征提取47-50
• 4.2.3 生成具有旋转不变性的纹理特征50
• 4.3 基于PSVM的乳腺X照片分类器设计50-51
• 4.4 本章小结51-52
• 第五章 基于边缘形状特征的乳腺X照片图像分类器设计52-62
• 5.1 基于区域增长的图像分割52-55
• 5.2 形状特征提取55-59
• 5.2.1 紧凑度(Compactness)55-56
• 5.2.2 矩(Moment)56-58
• 5.2.3 傅立叶描述子(Fourier Descriptor)58-59
• 5.3 基于形状特征的分类器算法59-61
• 5.4 本章小结61-62
• 第六章 基于组织切片数据的乳腺肿瘤分类器设计62-67
• 6.1 数据来源及数据变换62-63
• 6.2 分类器器设计63-66
• 6.2.1 分类器构造63-65
• 6.2.2 分类器训练65-66
• 6.2.3 实验结果66
• 6.3 本章小结66-67
• 第七章 乳腺癌计算机辅助诊断系统设计67-71
• 7.1 系统框架、处理流程67-68
• 7.2 数据流转68-69
• 7.3 程序执行的部分效果图69-70
• 7.4 开发与运行环境70
• 7.4.1 开发环境70
• 7.4.2 运行环境70
• 7.5 本章小结70-71
• 第八章 总结与展望71-73
• 8.1 本文工作总结71-72
• 8.2 进一步的研究工作72-73
• 参考文献73-76
• 致谢76-77
• 附录77

【引证文献】

中国期刊全文数据库 前2条

1 李丙春;周明全;耿国华;孙蕾;;多尺度区域增长的肿瘤区域分割方法[J];计算机工程与应用;2006年30期

2 韩勇;李胜利;唐娉;;常见胎儿脑畸形的空间直方图金字塔检索方法[J];计算机工程与应用;2011年23期

中国博士学位论文全文数据库 前2条

1 王旭红;遥感影像数据挖掘技术研究[D];西北大学;2005年

2 周然;黄花梨运输振动损伤与冷藏品质变化的试验研究[D];上海交通大学;2007年

中国硕士学位论文全文数据库 前8条

1 张旭亚;基于特征提取和机器学习的医学图像分析[D];南京邮电大学;2011年

2 万隆;支持向量机在动物疫病辅助诊断系统中的研究与应用[D];北方民族大学;2010年

3 周涛;基于小波变换和神经网络的医学图像挖掘研究[D];西北师范大学;2011年

4 梁娜;基于语义的图像检索技术在医学影像系统中的研究与应用[D];西北大学;2008年

5 李杰;医学影像数据库辅助诊断组件及系统级共享技术的研究与实现[D];西北大学;2008年

6 高妮;支持向量机及其在乳腺癌辅助诊断系统中的应用研究[D];西北大学;2009年

7 高永岗;医学图像的语义标注技术研究与应用[D];西北大学;2009年

8 张薇丽;医学图像的特征提取及模式分类[D];河北大学;2008年

本文编号：892355