基于稀疏表示的特征优化算法研究与肺癌诊断应用

发布时间：2020-10-13 16:29

　　 随着信息化技术的高速发展,在众多领域难免会出现高维数据,其中在模式识别领域,由于识别准确率的提高依赖于特征数据的全面有效,因此经常会出现高维特征,进而会造成所谓的“维数灾难”。为了避免出现“维数灾难”问题,对高维特征数据进行降维是十分必要的。数据降维即是对高维特征数据进行优化,使其在减少数据维数的同时,尽量除去冗余信息并且保留有效的信息,使得降维之后的信息损失最小。目前的特征优化算法虽然已经能基本满足降维需求,但这些方法却难以发现隐藏在高维数据中的内在低维信息,因此特征优化算法在模式识别领域仍存在难以被应用的问题。基于上述现状,本文提出了一种基于改进的稀疏表示的特征优化算法,并将此特征优化算法应用于肺结节良恶性诊断中。本文主要完成了如下几方面工作:(1)本文认真研究了大量特征数据降维的算法,分析了现有降维算法所存在的问题,详细叙述了稀疏表示的相关理论,揭示了稀疏表示算法相对于现有数据降维算法的优势所在。(2)本文分析了现有稀疏表示方法所存在的问题。其中典型的K-SVD字典学习算法由于具备良好的稀疏表示效果受到了广泛地应用,但其对高维数据内在特征的学习还不够充分,使得稀疏表示的效果并没有达到最佳。(3)本文对稀疏表示K-SVD字典学习算法进行了改进。在典型的K-SVD算法中,通常在稀疏分解阶段使用的是OMP匹配追踪算法,这里我们采用了一种改进的CoSpOMP算法进行稀疏分解,此算法相比于典型的OMP算法能够更有效的重复利用系数且收敛速度更快。在字典更新阶段,初始字典通常都是直接选取随机选取的信号排列而形成的字典,而本文则选取离散余弦矩阵作为初始字典,因为经过DCT处理后的信号能量是非常集中的。通过仿真实验表明,该改进的算法具有更好的稀疏表示效果且收敛性更强。(4)本文将提出的基于改进的稀疏表示的特征优化算法应用于肺结节良恶性诊断中。针对现有诊断技术中选取单层最大面积ROI特征导致的特征信息不够全面的问题,本文首先提取肺结节的相关多层切片的ROI高维特征数据,然后对高维特征数据进行稀疏表示,最后用支持向量机对稀疏处理后的数据集进行分类。实验结果表明,与当前存在的方法相比,本文提出的方法在基本保证诊断效率的同时,肺结节良恶性诊断的准确率、敏感性和特异性都得到了提高,而且使用改进的K-SVD稀疏表示特征优化算法相比于传统的K-SVD具有更好的诊断性能,说明了本文提出算法的有效性。
【学位单位】：湖南大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：R734.2;TP18
【部分图文】：

肺癌CAD流程

模式(LBP)是芬兰奥鲁大学 Ojala T 教授在 1996 年提算子，LBP 算子一经提出就引起了广大研究学者的关、计算容易、适用性强等优点，它在图像纹理的描述的重要作用，其对于图像研究作出了重大贡献。以下几个显著的优点：有优越的鲁棒性，它的灰度尺度不会由任何某一变法只需要对图像进行一次扫描就可得到二进制模式量少很多。以反映图像里的一些细微特征，如暗点、亮点、边P纹理特征的算法是选取一个像素点作为中心，定义 3的邻近窗口，将该中心像素点与其相邻的8个像素值小于或者是等于邻近像素值，那么该邻近像素点这样就得到了二值图像（如图2.1）。

基于稀疏表示的特征优化算法研究与肺癌诊断应用点为 8 个邻近像素点的 LBP 来说，计算出来的局部二值模式共有 256 种，但由部分种类通过旋转可以重合，所以旋转不变的 LBP 只有 36 种。此时，8,riRLBP 产了 36 个不同的二进制模式，例如：模式 #0检测亮点，#4检测边缘，#8检测平和暗点。若我们定义 R 1，那么8,1riLBP 此时被定义为灰度、旋转不变算子BPROT。由于引入了旋转不变的这一理论，LBP 算子具备很强的鲁棒性。从另一方面说，正是由于旋转不变的特性，因此我们不能获取到关于方向的信息。虽然如，但许多研究实验结果表明，对于同类别的纹理分析方法，旋转不变 LBP[25-2十分有效的。
【参考文献】

相关期刊论文 前2条

1 邹建成;车冬娟;;信号稀疏表示方法研究进展综述[J];北方工业大学学报;2013年01期

2 焦李成,谭山;图像的多尺度几何分析:回顾和展望[J];电子学报;2003年S1期

相关博士学位论文 前1条

1 韩芳芳;基于CT图像多维特征的肺结节检测和诊断方法研究[D];东北大学;2015年

相关硕士学位论文 前2条

1 李佳兴;CT图像中孤立性肺结节良恶性识别系统[D];河北大学;2014年

2 何珂程;CT图像的肺结节特征提取的方法研究[D];华中科技大学;2011年

本文编号：2839399