基于群智能算法优化的超声乳腺肿瘤图像识别

发布时间：2017-10-15 07:15

  本文关键词：基于群智能算法优化的超声乳腺肿瘤图像识别

  更多相关文章： 人工蜂群 人工免疫系统 乳腺肿瘤识别 支持向量机

【摘要】：近几年来女性乳腺癌死亡率逐年提高,若能及早发现征状并给予治疗有助于提高术后的存活率。传统的穿刺刮片等肿瘤检查耗时且是具有伤害性的检查方式。超声波检查为目前常见的乳腺肿瘤检测方法之一,具有非侵入性、价格较低、检查方便等优点。但超声波乳腺肿瘤图像需要有经验的医生判断才能够有效分辨肿瘤的良恶性,且不同医生间诊断差异较大。近年来计算机辅助诊断的出现为提高肿瘤诊断的准确性和一致性提供了有效的手段,但存在特征筛选复杂、训练优化时间长等问题。本文提出了2种结合特征筛选及分类器参数设定的群智能优化方法,用以缩短超声波肿瘤图像辅助诊断系统的训练时间,并提高良恶分类的正确率。本文的主要研究内容及创新包括以下两个部分:1.提出以人工蜂群算法结合支持向量机的计算机辅助诊断系统,进行超声波乳腺肿瘤图像分类。乳腺超声图像经过噪声抑制、边缘增强与自动分割等技术处理后,计算感兴趣区域的多种纹理特征和几何特征,并利用支持向量机来判断肿瘤的良恶性。算法的关键在于利用人工蜂群算法的生成加检验特性的迭代搜索算法,模拟食物源的更新过程得到最优化问题的解,通过人工蜂群算法进行特征筛选和分类器参数的同时优化。基于自采集的超声乳腺肿瘤图像库,实验结果显示提出方法对肿瘤的良恶性判断正确率为92.53%,对肿瘤分类的灵敏度达91.67%,表明系统对肿瘤良恶性的判断具有较高正确率,并且能够减少支持向量机的训练时间。2.为了进一步提高分类的准确率,基于人工免疫算法的复制选择特性,提出了一套人工免疫算法结合支持向量机的方法,用以提高超声波肿瘤图像辅助诊断系统的性能。其图像预处理和特征计算过程基本同上,使用支持向量机来识别肿瘤良恶性,但采用人工免疫算法进行特征筛选及优化选择支持向量机的参数。实验结果显示,本文所提出的方法对恶性肿瘤的敏感性指标为97.78%;良性肿瘤的敏感性指标为93.33%;恶性肿瘤的预测指标为91.67%;良性肿瘤的预测指标为98.25%,有效提高乳腺肿瘤良恶性判断的正确率。同时算法的应用可使支持向量机的训练时间大幅缩短,相较蜂群算法,平均正确率提高了2.61%,但由于其所需迭代次数更高,收敛速度更慢一些,平均耗时比蜂群算法提高了40.49s。本文结果说明了采用群智能优化算法可以有效提高超声乳腺肿瘤图像的识别率和识别效率。
【关键词】：人工蜂群 人工免疫系统 乳腺肿瘤识别 支持向量机
【学位授予单位】：第四军医大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：R737.9;TP391.41
【目录】：

• 缩略语表6-7
• 中文摘要7-9
• 英文摘要9-12
• 前言12-14
• 文献回顾14-23
• 1. 乳腺肿瘤及其影像检查技术14-15
• 2. 超声波乳腺肿瘤图像特征15-17
• 3. 基于超声影像的计算机辅助乳腺肿瘤诊断17-18
• 4. 常用优化算法简介及特点18-23
• 第一部分 基于蜂群优化的的乳腺肿瘤图像识别23-43
• 概述23
• 1 乳腺图像预处理23-25
• 1.1 各向异性扩散滤波23-24
• 1.2 基于水平集的图像分割24-25
• 2 乳腺超声波图像特征提取25-27
• 2.1 纹理特征25-26
• 2.2 几何特征26-27
• 3 支持向量机(Support Vector Machine; SVM)27-31
• 3.1 SVM简介27-28
• 3.2 超平面28-30
• 3.3 决策函数30-31
• 4 基于人工蜂群优化的乳腺肿瘤图像识别31-36
• 4.1 蜜蜂找蜜原理31-33
• 4.2 人工蜂群算法33-34
• 4.3 人工蜂群优化SVM参数及特征筛选方法34-35
• 4.4 基于人工蜂群优化的乳腺肿瘤图像识别35-36
• 5 实验及结果分析36-43
• 5.1 实验数据与初始参数设定36-37
• 5.2 实验结果37-43
• 第二部分 基于人工免疫优化的乳腺肿瘤图像识别43-55
• 1 人工免疫算法43-46
• 1.1 生物免疫系统43-44
• 1.2 免疫系统操作机制44-45
• 1.3 人工免疫算法45-46
• 2 基于人工免疫算法的乳腺肿瘤图像识别46-51
• 2.1 人工免疫算法框架与流程46-47
• 2.2 图像预处理47-48
• 2.3 肿瘤特征的提取与计算48
• 2.4 肿瘤特征筛选48-49
• 2.5 人工免疫算法结合支持向量机49-51
• 3 实验51-55
• 3.1 实验数据51
• 3.2 实验参数设置及结果51-53
• 3.3 人工免疫与人工蜂群算法比较53-55
• 结论55-57
• 参考文献57-62
• 个人简历和研究成果62-63
• 致谢63

【参考文献】

中国期刊全文数据库 前2条

1 刘路;王太勇;;基于人工蜂群算法的支持向量机优化[J];天津大学学报;2011年09期

2 陈成华;;乳腺癌影像学诊断进展综述[J];临床合理用药杂志;2013年10期

中国硕士学位论文全文数据库 前1条

1 肖孟强;混合噪声图像滤波算法在医学图像中的应用研究[D];兰州交通大学;2012年

，

本文编号：1035793