新穎的模式分類算法MatMHKS及在乳腺癌計算機輔助診斷中的應用.pdf

1、在模式識別系統(tǒng)中，分類器是一個重要的組成部分，分類器設計的好壞將直接影響模式識別系統(tǒng)最終的識別性能。線性分類器因其簡單、易于分析和實現(xiàn)且容易推廣為非線性分類器的優(yōu)點而成為模式分類最常用的分類器，并產(chǎn)生了感知器(Perceptron)、松弛算法(Relaxation)、最小平方誤差(Minimum Square Error，MSE)和Ho-Kashyap(H-K)算法等經(jīng)典算法。正則化的Ho-Kashyap線性分類算法(MHKS)采用了支

2、持向量機最大化間隔的思想，在實驗中獲得了較傳統(tǒng)H-K算法更優(yōu)的推廣性能和分類性能。然而現(xiàn)有的線性分類器幾乎都是針對向量模式的，即所有的模式都采用向量表示，要應用于矩陣表示的模式，必須首先將矩陣模式轉(zhuǎn)換成向量模式。如此轉(zhuǎn)換至少會帶來三個不足：1)空間或結(jié)構信息可能會遭到破壞；2)由于權向量的維數(shù)等于輸入模式的維數(shù)，當輸入模式維數(shù)很大時，權值的存儲空間相應的會很大；3)對于大維數(shù)的向量模式，當樣本數(shù)不多的時候，利用線性分類器易導致過擬合。受

3、到已有面向矩陣的特征提取方法的啟發(fā)，本文將此方法引入到正則化H-K線性分類器的設計中，設計出面向矩陣模式的雙邊正則化H-K分類算法MatMHKS，克服了以上不足，并繼承了MHKS算法的優(yōu)點。與MHKS相比，在公共數(shù)據(jù)集上實驗都取得了更好的分類性能。 本文的另外一個工作是將所設計的分類算法應用于乳腺癌計算機輔助診斷中，并根據(jù)醫(yī)學診斷中漏診和誤診代價不同的特點，在MatMHKS中引入代價因子，設計出代價敏感的MatMHKS算法(CS

4、-MatMHKS)。在乳腺癌早期診斷中，乳腺X片被認為是最有效的技術之一，乳腺癌在X線圖像下的主要表現(xiàn)是腫塊和微鈣化點，本文主要是針對微鈣化簇，首先提取一系列醫(yī)學專家認為對分類有用的特征，然后直接用CS-MatMHKS分類器進行診斷，從而保留了較多的判別信息，同時當提取的特征很多即輸入模式維數(shù)很大時，用矩陣化算法又降低了發(fā)生過擬合(overfitting)的可能性。在公共乳腺癌數(shù)據(jù)庫DDSM上進行了實驗，并且與支持向量機(SVM)以及B