学位论文 > 优秀研究生学位论文题录展示

基于机器学习的微钙化簇检测算法研究

作　者: 张新生
导　师: 高新波
学　校: 西安电子科技大学
专　业: 模式识别与智能系统
关键词: 微钙化簇检测子空间学习集成学习方向滤波器组双支持张量机
分类号: TP274
类　型: 博士论文
年　份: 2009年
下　载: 84次
引　用: 2次
阅　读: 论文下载

内容摘要

乳腺X线图像中的微钙化簇是早期乳腺癌的一个重要征象,这使得尽早检测微钙化簇并判断其是否有恶化倾向成为实现乳腺癌早期诊断的关键技术之一。然而,乳腺X线图像中只有3%的信息能为人眼所见,大量的信息是人眼不可辨识的,即便是经验丰富的临床医生也很难及时发现其中表征早期乳腺癌的微小钙化点,以致延误病人的最佳治疗时机。为了能够有效地检测出早期乳腺癌的隐匿性病征,更好地辅助医生发现早期乳腺癌,本文采用多分辨分析、子空间学习以及集成学习等机器学习领域最新的理论成果,针对女性的乳腺X线图像中微钙化簇增强和病灶检测问题进行了深入系统的研究,为早期乳腺癌的计算机辅助检测和诊断奠定了基础。论文取得了以下主要研究成果:(1)乳腺区域结构复杂,要在乳腺X线图像中挑选能够完全囊括复杂区域特征的具有代表性的样本很难实现。为了解决该问题,本文提出了一种基于主动学习的微钙化簇区域检测新算法。首先利用方向差分滤波器组对微钙化区域进行增强和特征提取,同时抑制高亮血管和导管等复杂区域的干扰;然后利用基于Bootstrap主动学习方法进行样本的选择以提高分类器的性能;最后在乳腺X线图像中检测钙化簇区域。实验结果表明,该算法在保证较高检出率的同时有效地降低了假阳性率。(2)为了提高微钙化簇检测器的泛化能力和运行效率,本文提出了一种基于子空间学习和双支持向量机(Twin Support Vector Machine, TWSVM)的微钙化簇检测新框架。该框架首先采用简单的伪影去除滤波器和高通滤波器来增强钙化点簇;然后将子空间学习算法嵌入到该框架中对待处理的图像块进行子空间特征提取;最后在特征子空间用TWSVM进行微钙化簇区域的检测。实验结果表明,该微钙化簇检测算法的泛化能力和处理速度得到了显著提升。(3)为了充分利用图像中的空间结构信息,本文将基于向量的双支持向量机学习算法扩展到能够处理张量数据的双支持张量机(Twin Support Tensor Machine, TWSTM),并使之成功应用到微钙化簇的检测中。实验结果表明该算法检测性能优于TWSVM,并且能很好的处理小样本问题。(4)为了将多个微钙化簇检测算法进行集成以获得比单个检测器更好的检测能力,本文设计了一种新的集成学习方法——Bracing,并将之应用到乳腺X线图像的微钙化簇检测。该算法将主动相关反馈嵌入到基学习器训练中以提升其泛化能力;并根据反馈的结果动态更新基学习器的权重。实验结果表明,Bracing算法提高了集成分类器的泛化能力,且在一定程度上避免了过拟合现象。(5)由于子空间学习算法对训练数据中的噪声较为敏感,本文设计了一种基于混合多子空间选择性集成的方法,并将其应用到乳腺的钙化点簇检测。该方法根据子空间学习算法保留分类信息的能力,有选择地对其进行集成。实验结果表明该方法提高了微钙化簇检测算法的性能和稳定性,能更好地适应噪声环境。综上,为了能够有效地检测出早期乳腺癌的隐匿性病征,更好地辅助医生发现早期乳腺癌,本文将机器学习方法在微钙化簇检测方面的应用进行了深入的研究和进一步的发展,所提出的方法能够有效地提高微钙化簇的检出率、降低假阳性率,为基于乳腺X线图像的辅助诊断系统的研究提供了新思路和新方法。

全文目录

摘要  5-7
Abstract  7-12
第一章绪论  12-44
  1.1 研究背景及意义  12-14
  1.2 乳腺X线摄影及微钙化  14-19
    1.2.1 女性乳腺解剖学简介  14-15
    1.2.2 乳腺X线摄影术  15-17
    1.2.3 微钙化点及微钙化簇  17-19
  1.3 研究进展及现状  19-29
    1.3.1 计算机辅助检测现状  19-21
    1.3.2 微钙化点检测研究现状  21-28
    1.3.3 微钙化点检测发展趋势  28-29
  1.4 测试数据库及算法性能评价方法  29-31
    1.4.1 DDSM数据库  29
    1.4.2 算法评价方法  29-31
  1.5 论文研究内容及章节安排  31-33
  本章参考文献  33-44
第二章基于方向滤波器组的微钙化簇增强及检测  44-58
  2.1 引言  44-45
  2.2 基于差分滤波器组的乳腺X线图像增强  45-49
    2.2.1 多分辨分析与双正交小波基  45-47
    2.2.2 二次差分滤波器组的构建  47-48
    2.2.3 图像的分解及增强子图像构建  48-49
  2.3 钙化点区域检测的分类器设计与训练  49-52
    2.3.1 基于滤波器组的特征提取  49
    2.3.2 贝叶斯分类器模型  49-50
    2.3.3 基于Bootstrap的主动学习  50-51
    2.3.4 基于Bootstrap的主动学习分类器训练  51-52
  2.4 实验结果及分析  52-55
    2.4.1 增强效果分析  52-53
    2.4.2 基于Bootstrap样本选择的分类器训练  53
    2.4.3 检测效果的对比分析  53-55
  2.5 本章小结  55
  本章参考文献  55-58
第三章基于子空间学习的微钙化簇特征提取及检测  58-78
  3.1 引言  58-59
  3.2 子空间学习  59-62
    3.2.1 PCA与LDA  60
    3.2.2 张量子空间分析  60-61
    3.2.3 广义张量分析  61-62
  3.3 双支持向量机  62-64
    3.3.1 TWSVM分类器  62-63
    3.3.2 核双支持向量机  63-64
  3.4 基于子空间学习及双支持向量机的微钙化簇检测  64-66
    3.4.1 乳腺图像预处理  65-66
    3.4.2 输入样本的生成  66
    3.4.3 TWSVM训练和最优参数的选择  66
  3.5 实验结果及分析  66-74
    3.5.1 实验数据库及评价准则  66-67
    3.5.2 实验结果及分析  67-74
  3.6 本章小结  74
  本章参考文献  74-78
第四章基于TWSTM的微钙化簇检测算法  78-92
  4.1 引言  78-79
  4.2 张量代数  79-81
  4.3 双支持张量机  81-85
    4.3.1 双支持向量机  81-83
    4.3.2 双支撑张量机  83-85
  4.4 实验结果及分析  85-88
    4.4.1 数据库和性能评估  85-86
    4.4.2 模型训练和选择  86
    4.4.3 性能评估结果  86-87
    4.4.4 计算时间分析  87
    4.4.5 实验结果分析  87-88
  4.5 本章小结  88-89
  本章参考文献  89-92
第五章基于主动相关反馈和集成学习的微钙化簇检测算法  92-108
  5.1 引言  92-93
  5.2 BRACING集成学习算法  93-98
    5.2.1 集成学习  93-94
    5.2.2 Bagging和Boosting  94-95
    5.2.3 Bracing集成学习算法  95-97
    5.2.4 Bracing算法分析  97-98
  5.3 特征提取及基学习器的选择  98-101
    5.3.1 基学习器  98
    5.3.2 特征提取  98-101
  5.4 实验结果及分析  101-104
    5.4.1 实验数据  101
    5.4.2 实验结果  101-104
  5.5 本章小结  104-105
  本章参考文献  105-108
第六章基于混合子空间选择性集成的微钙化簇检测算法  108-126
  6.1 引言  108-110
  6.2 选择性集成学习  110-114
    6.2.1 集成学习的集成层次  110-112
    6.2.2 选择性集成  112-114
  6.3 混合子空间学习的选择性集成  114-118
    6.3.1 算法的思想  114-115
    6.3.2 算法描述  115-118
  6.4 实验结果及分析  118-121
    6.4.1 实验数据  118
    6.4.2 实验参数设置  118
    6.4.3 实验结果  118-121
  6.5 本章小结  121-122
  本章参考文献  122-126
第七章总结与展望  126-129
  7.1 总结  126-127
  7.2 未来工作展望  127-129
致谢  129-130
研究成果  130-132

基于机器学习的微钙化簇检测算法研究

内容摘要

全文目录

相似论文