基于改進支持向量機的腦部醫(yī)學圖像分割及腫瘤圖像特征提取的研究.pdf

1、隨著計算機成像技術(shù)的不斷完善，醫(yī)學圖像在疾病判別中發(fā)揮著越來越重要的作用。近年來，針對醫(yī)學圖像尤其是腦部醫(yī)學圖像的研究，成為一門新興學科。核磁共振腦圖像中的腫瘤識別及提取是醫(yī)學圖像處理中的難點，本文主要使用改進的支持向量機方法研究腫瘤化組織的自動檢測和提取，以提高工作效率和疾病診斷的準確率。
　　支持向量機（SVM）方法是Vapnik等人提出的一種在統(tǒng)計學習理論和結(jié)構(gòu)風險最小化基礎(chǔ)上發(fā)展起來的機器學習方法，在非線性、高維度、小樣本

2、和局部極小點等數(shù)據(jù)空間問題上得到了廣泛的應(yīng)用。CV模型分割方法是由Tony Chan和Luminita Vese提出的簡化的MS模型分割方法，它屬于活動輪廓模型分割技術(shù)的一種，并在邊緣檢測時使用不依賴圖像梯度的新方法。受腦圖像復雜程度的限制，單獨應(yīng)用支持向量機和CV模型水平集方法都無法準確有效的將腦腫瘤分割出來，本文提出了一種CV模型和支持向量機結(jié)合的CV-SVM方法。該方法在腦部圖像四分類（背景、腦脊液、白質(zhì)和灰質(zhì)）中具有良好的分割效

3、果，能夠在相似灰度區(qū)域中提取出腫瘤化組織圖像特征，便于進行腦瘤醫(yī)學診斷，具有應(yīng)用價值。
　　論文主要研究工作是：
　　1.針對支持向量機中特征向量的復雜性和線性相關(guān)產(chǎn)生的冗余性，使用主成分分析法對特征向量進行降維處理，使總的數(shù)據(jù)量減少，提高了圖像分割效率。
　　2.采用高斯徑向基核函數(shù)處理分類數(shù)據(jù)，通過大量腦部核磁共振腦圖像分類實驗選擇適宜的核參數(shù)，得到了較好的分類效果。
　　3.將CV分割方法與支持向量機方法結(jié)