基于支持向量機(jī)的醫(yī)學(xué)圖像分割分析.pdf

1、醫(yī)學(xué)圖像分割是圖像分割的一個(gè)重要應(yīng)用領(lǐng)域，也是一個(gè)經(jīng)典難題，至今已有很多種分割方法，既有經(jīng)典的方法也有結(jié)合新興理論的分割方法。腫瘤的自動(dòng)識(shí)別在計(jì)算機(jī)輔助診斷中，尤其是缺少專家的情況下具有十分重要的意義。而在腫瘤判斷識(shí)別過程中，腫瘤圖像的分割是一個(gè)非常重要的壞節(jié)，分割結(jié)果的好壞直接關(guān)系到后續(xù)識(shí)別的效果。由于腫瘤圖像的多樣性和復(fù)雜性，目前還沒有一種完全通用的分割方法可以實(shí)現(xiàn)對(duì)所有腫瘤圖像的正確分割。對(duì)于批量的資料，機(jī)器處理尤為重要。對(duì)嗜鉻細(xì)

2、胞瘤圖像分割問題進(jìn)行研究。論文的主要工作在以下幾個(gè)方面：
　　 第一：論文在研究傳統(tǒng)預(yù)處理技術(shù)及分割算法的基礎(chǔ)上，分析它們的優(yōu)點(diǎn)和不足，并引入支持向量機(jī)對(duì)圖像進(jìn)行分割，并比較了分割效果。傳統(tǒng)的機(jī)器學(xué)習(xí)方法是以經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化(ERM)為原則，在學(xué)習(xí)過程中無法控制模型的復(fù)雜性，容易出現(xiàn)欠學(xué)習(xí)和過學(xué)習(xí)的情況，從而降低學(xué)習(xí)機(jī)器的推廣能力。特別是在有限樣本的情況下更是如此。然而在醫(yī)學(xué)圖像分割中，訓(xùn)練樣本通常是有限的，所以傳統(tǒng)模式分類方法通