基于支持向量機(jī)的醫(yī)學(xué)圖像處理.pdf

1、支持向量機(jī)(SVM)是Vapnik及其研究小組提出的一種全新的模式識別技術(shù),其思想是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)上的,在小樣本、非線性及高維特征空間中具有較好的推廣能力。由于其完備的理論基礎(chǔ)和良好的實(shí)驗(yàn)結(jié)果,支持向量機(jī)日漸引起研究人員的重視。 醫(yī)學(xué)圖像分割和配準(zhǔn)是醫(yī)學(xué)圖像處理中兩個(gè)重要而困難的課題,使用支持向量機(jī)進(jìn)行醫(yī)學(xué)圖像處理,無論在理論上還是在實(shí)際應(yīng)用上都有重大的意義。本文結(jié)合醫(yī)學(xué)圖像的特點(diǎn),主要進(jìn)

2、行了以下兩個(gè)方面的研究： (1)基于最小二乘支持向量機(jī)的醫(yī)學(xué)圖像分割研究本文結(jié)合醫(yī)學(xué)圖像中目標(biāo)具有分散性的特點(diǎn),借助最小二乘支持向量機(jī)(LS-SVM)良好的分類性能,以及其在小樣本、非線性及高維特征空間中所具有的較好的推廣能力,將LS-SVM應(yīng)用于醫(yī)學(xué)圖像分割。采用磁共振腦圖像MRI數(shù)據(jù)進(jìn)行了腦組織分割實(shí)驗(yàn),對于訓(xùn)練樣本的選取,圖像特征的提取以及核函數(shù)及其參數(shù)對分類結(jié)果的影響等問題進(jìn)行了討論。并和模糊C均值方法(FCM)的分割效

3、果進(jìn)行了比較。實(shí)驗(yàn)結(jié)果表明：對目標(biāo)邊界模糊、目標(biāo)灰度不均勻及目標(biāo)不連續(xù)等情況下的圖像(如醫(yī)學(xué)圖像)分割,在時(shí)間代價(jià)、分類精度等方面,LS-SVM比FCM方法有更好的分類性能。 (2)基于最小二乘支持向量機(jī)的醫(yī)學(xué)圖像配準(zhǔn)研究文中提出了基于LS-SVM的圖像配準(zhǔn)方法,在已知控制點(diǎn)對的前提下,利用LS-SVM的回歸性能估計(jì)變換模型,然后利用該模型對待配準(zhǔn)圖像進(jìn)行幾何變換,并考慮插值問題,從而實(shí)現(xiàn)圖像的配準(zhǔn)。采用磁共振腦圖像MRI數(shù)據(jù)進(jìn)