結合代價敏感與半監(jiān)督學習的乳腺癌輔助診斷算法研究.pdf

1、在女性的惡性腫瘤中，乳腺癌是僅次于肺癌的第二大癌癥。乳腺X線圖像是乳腺癌早期診斷中最重要的技術之一，但由于圖片質量低劣或人為疏忽，X線圖像中的很多病變不能放射專家所發(fā)現(xiàn)，因此需要設計計算機輔助診斷(CAD)系統(tǒng)來幫助放射專家進行診斷。本文主要針對CAD系統(tǒng)中的模式表示、特征選擇和分類器設計進行研究，以實現(xiàn)對微鈣化簇病變類型的診斷。主要做了以下工作： 1、針對微鈣化簇病變區(qū)域，在前人工作的基礎上提取了131個表示模式，其主要分為兩

2、類，包括了80個紋理特征和51個空間域特征（包含多尺度特征）。 2、改進了代價敏感的選擇性集成（CSSE）特征選擇算法。CSSE算法存在著效率較低、特征子集維數(shù)不穩(wěn)定等問題，針對這些缺點，本文改進了CSSE算法。改進算法采用后向添加特征方法，優(yōu)先選擇對判別性能貢獻最大的特征，減少了特征間的相關信息和冗余信息，降低了計算復雜度，提高了選擇效率和集成后特征集合的穩(wěn)定性。 3、將半監(jiān)督學習引入到分類器設計中。乳腺癌普查產(chǎn)生了大

3、量未標記樣本，而現(xiàn)有的乳腺癌輔助診斷系統(tǒng)缺乏對這些未標記樣本的有效利用。本文引入的半監(jiān)督學習能充分學習原本浪費的無標記樣本信息，同時考慮到良惡性樣本的不同錯分代價，將代價敏感學習結合到分類器設計中，設計了半監(jiān)督的代價敏感支持向量機。 4、在分類器設計中引入了多視角學習。乳腺癌X光片存在兩類弱相關特征，現(xiàn)有的輔助診斷算法只是簡單地將兩類特征直接拼接成向量進行分類器設計，忽略了X光片特征的多視角性。本文引入了一種典型的多視角學習算法