SVM在肝臟B超識別中的應(yīng)用研究.pdf

1、支持向量機(support vector machine,SVM)是繼神經(jīng)網(wǎng)絡(luò)之后機器學(xué)習(xí)的又一個研究熱點,由于其出色的學(xué)習(xí)能力和泛化性,目前已被應(yīng)用到多個領(lǐng)域。本文將支持向量機技術(shù)運用到醫(yī)學(xué)圖像的分類問題中來,實現(xiàn)肝臟 B超圖像的識別,而如何利用支持向量機的優(yōu)勢提高肝臟B超圖像的識別率是本課題的研究重點。由于B超圖像的識別是一個多分類的問題,因此本文主要采用支持向量機的多分類方法,結(jié)合生物醫(yī)學(xué)工程、計算機技術(shù)以及模式識別技術(shù),來實現(xiàn)

2、B超圖像的識別與分類。本文針對此課題做了如下工作:
　　(1)給出了改進的導(dǎo)向無環(huán)圖分類算法,并分別與 SVM常用的幾種多分類方法進行對比,改進算法提高了多分類的識別率。
　　(2)圖像的預(yù)處理階段,對B超圖像的感興趣區(qū)域進行了圖像分解,分解的目的是將圖像的卡通和紋理部分分開,降低提取圖像的紋理特征時卡通信息對其所帶來的干擾。
　　(3)提取了B超圖像的灰度直方圖統(tǒng)計特征、灰度共生紋理統(tǒng)計特征、灰度梯度-共生紋理統(tǒng)計特

3、征以及灰度行程紋理統(tǒng)計特征,同時為了消除特征信息中的冗余,本文對提取的特征緊接著進行特征降維,在不影響分類識別率的前提下,特征降維可有效降低計算的復(fù)雜度。
　　(4)為驗證本文SVM算法的可靠性,分別與BP神經(jīng)網(wǎng)絡(luò)及K-means聚類方法進行實驗對比,本文給出的SVM分類算法對肝臟B超的識別有可行性和有效性。
　　(5)本文基于MATLAB的GUI設(shè)計了一個肝臟B超識別輔助系統(tǒng),將分類識別工作分為三大模塊來完成,并給出SVM