基于SVM的醫(yī)學(xué)圖像分類.pdf

1、近年來，隨著各種影像設(shè)備在醫(yī)學(xué)中的廣泛應(yīng)用，基于醫(yī)學(xué)影像的計算機(jī)輔助診斷迅速發(fā)展起來。計算機(jī)輔助診斷可以提高放射科醫(yī)生診斷的準(zhǔn)確率，協(xié)助醫(yī)生對醫(yī)學(xué)圖像進(jìn)行判斷和識別。在特征提取的基礎(chǔ)上進(jìn)行模式分類是基于醫(yī)學(xué)影像的計算機(jī)輔助診斷的重要步驟?，F(xiàn)有的如人工神經(jīng)網(wǎng)絡(luò)等分類方法基于傳統(tǒng)統(tǒng)計學(xué)，研究的是樣本數(shù)目趨于無窮大時的漸進(jìn)理論，然而，在實際應(yīng)用中，樣本的數(shù)量往往是有限的。因此，這些傳統(tǒng)方法容易產(chǎn)生過學(xué)習(xí)、局部極小點(diǎn)等問題。支持向量機(jī)方法在19

2、92-1995年提出，它是建立在統(tǒng)計學(xué)習(xí)理論的VC維(Vapnik-ChervonenkisDimension)理論和結(jié)構(gòu)風(fēng)險最小化(StructuralRiskMinimization，簡稱SRM)原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性(即對待定訓(xùn)練樣本的學(xué)習(xí)精度，Accuracy)和推廣能力(即對未來輸入輸出進(jìn)行正確預(yù)測的能力)之間進(jìn)行折衷。支持向量機(jī)的發(fā)展很好地解決了以往困擾很多機(jī)器學(xué)習(xí)方法的問題，如模型選擇與過學(xué)習(xí)問題、

3、非線性和維數(shù)災(zāi)難問題、局部極小點(diǎn)問題等等。因此，它被認(rèn)為是繼模式識別和神經(jīng)網(wǎng)絡(luò)之后機(jī)器學(xué)習(xí)領(lǐng)域的新的研究熱點(diǎn)。 論文將支持向量機(jī)的機(jī)器學(xué)習(xí)方法引入到醫(yī)學(xué)圖像的分類問題中。論文的主要工作總結(jié)如下： (1)實現(xiàn)了SVM在醫(yī)學(xué)圖像分類中的應(yīng)用，通過醫(yī)學(xué)圖像的實驗結(jié)果驗證了該方法的有效性。 (2)對SVM算法進(jìn)行了深入研究，結(jié)合量子行為的粒子群算法的優(yōu)點(diǎn)，提出了一種量子行為的粒子群算法和SVM結(jié)合的混合分類模型，應(yīng)用于醫(yī)