学位论文 > 优秀研究生学位论文题录展示

基于支持向量机的MR图像颅内组织识别的研究

作　者: 苗东博
导　师: 郭磊
学　校: 河北工业大学
专　业: 生物医学工程
关键词: MR图像识别 纹理测度 支持向量机 免疫优化 特征加权
分类号: R310
类　型: 硕士论文
年　份: 2011年
下　载: 21次
引　用: 0次
阅　读: 论文下载
 

内容摘要


医学图像识别是图像可视化的前提,也是提取影像图像中特殊组织的定量信息所不可缺少的手段。识别后的图像被广泛地应用于病变组织的定位及诊断,解剖结构的学习,计算机指导手术等方面。本文完成了头颅MR图像的脑组织分类和脑肿瘤识别。MR图像仅靠像素的灰度进行分割是不够的,因此在提取图像的特征时,有必要提取更多特征,以便提高处理的精度,得到理想的识别分类效果,由于支持向量机推广能力在很大程度上依赖于特征向量的选取及其空间分布,本课题为每个像素计算其各种纹理测度和由灰度派生出的统计参数作为特征向量。统计学习理论是一种专门研究小样本情况下机器学习规律的理论。随着其理论的不断发展和成熟,统计学习理论开始受到越来越广泛的重视。统计学习理论是建立在一套较坚实的理论基础之上的,为解决有限样本学习问题提供了一个统一的框架。它能将很多现有方法纳入其中,有望帮助解决许多原来难以解决的问题(比如神经网络结构选择问题、局部极小点问题等);同时,在这一理论基础上发展了一种新的通用学习工具——支持向量机,它已初步表现出很多优于已有机器学习方法的性能。在头颅MR图像中,颅内各组织的边界极其复杂且不规则,呈高度非线性。这对传统的识别算法提出了严峻的挑战。支持向量机恰恰在解决高维、非线性及不规则分类问题上具有强大的优势。本文中采用支持向量机对MR图像的特征信息进行分类识别,使用支持向量机的方法识别不同组织是因为它具有以下特点:支持向量机可有效解决小样本问题,学习结果具备全局最优,并且有效地解决了非线性与高维问题,使学习结果具备良好的推广能力。但是手动的选择参数是盲目的,为了解决这个问题,考虑到免疫算法在优化参数上有很好的贡献,所以本论文采用一种改进的支持向量机的分类方法——免疫支持向量机,它是将免疫算法与支持向量机相结合,以此来优化参数,选出最优参数来提高分类识别的推广精度。在免疫支持向量机理论的基础上加以改进,采用了免疫特征加权支持向量机分类器。免疫特征加权支持向量机是为各维特征向量赋予各自不同的权重系数,从而解决了各维特征向量对最终推广精度的贡献不同的问题。本课题使用传统支持向量机、免疫支持向量机、免疫特征加权支持向量机分别对颅内组织识别,即对颅内的五种正常组织背景、脑脊液、骨密质、脑白质、脑灰质识别,对异常组织脑肿瘤识别,免疫特征加权支持向量机的分类识别精度比较高,这证明了本文所采用方法的有效性,并为MR图像识别提供了一种新的方法。

全文目录


摘要  4-5
Abstract  5-9
第一章 绪论  9-13
  §1-1 医学图像模式识别  9-10
    1-1-1 数字图像处理  9-10
    1-1-2 医学图像的模式识别  10
  §1-2 研究背景及意义  10-12
    1-2-1 研究背景  10-11
    1-2-2 研究意义  11-12
  §1-3 本文主要内容  12-13
第二章 MR 图像预处理及其特征提取  13-19
  §2-1 MR 图像的预处理  13-15
    2-1-1 医学图像简介  13-14
    2-1-2 MR 图像预处理  14-15
  §2-2 MR 图像的特征提取  15-18
  §2-3 本章小结  18-19
第三章 统计学理论和支持向量机  19-28
  §3-1 统计学习理论  19-23
    3-1-1 机器学习问题的提出  19-20
    3-1-2 经验风险最小化原则  20-21
    3-1-3 结构风险最小化  21-23
  §3-2 支持向量机  23-27
    3-2-1 支持向量机理论  24-26
    3-2-2 支持向量机特点  26-27
  §3-3 本章小结  27-28
第四章 基于免疫特征加权支持向量机的MR 图像模式识别  28-53
  §4-1 人工免疫系统  28-30
    4-1-1 免疫学的基本原理  28-29
    4-1-2 人工免疫系统的应用发展  29-30
  §4-2 免疫支持向量机  30-32
    4-2-1 免疫算法  30-31
    4-2-2 免疫支持向量机  31-32
  §4-3 基于免疫特征加权支持向量机的脑组织识别  32-44
    4-3-1 多分类免疫特征加权支持向量机  32-38
    4-3-2 实验结果与分析  38-44
  §4-4 单类免疫特征加权支持向量机对脑肿瘤识别  44-52
    4-4-1 单类免疫特征加权支持向量机  44-45
    4-4-2 实验结果与分析  45-52
  §4-5 本章小结  52-53
第五章 总结与展望  53-55
  5-1 本文总结  53
  5-2 进一步的研究工作  53-55
参考文献  55-58
致谢  58-59
攻读硕士期间所取得的相关科研成果  59

相似论文

  1. 基于SVM的常压塔石脑油干点软测量建模研究,TE622.1
  2. 基于SVM的高速公路路面浅层病害的自动检测算法研究,U418.6
  3. 基于PCA-SVM的液体火箭发动机试验台故障诊断算法研究,V433.9
  4. 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
  5. 音乐结构自动分析研究,TN912.3
  6. 基于三维重建的焊点质量分类方法研究,TP391.41
  7. 胆囊炎和肾病综合症脉象信号的特征提取与分类研究,TP391.41
  8. 直推式支持向量机研究及其在图像检索中的应用,TP391.41
  9. 基于SVM的中医舌色苔色分类方法研究,TP391.41
  10. 基于图像的路面破损识别,TP391.41
  11. 基于支持向量机的故障诊断方法研究,TP18
  12. 过程支持向量机及其在卫星热平衡温度预测中的应用研究,TP183
  13. 基于监督流形学习算法的固有不规则蛋白质结构预测研究,Q51
  14. 基于车载3D加速传感器的路况监测研究,TP274
  15. 高光谱图像技术诊断黄瓜病害方法的研究,S436.421
  16. 不匹配信道下耳语音说话人识别研究,TN912.34
  17. 基于文本挖掘的学者简历自动生成,TP391.1
  18. 基于特征选择的入侵检测研究,TP393.08
  19. 基于SVM的跨膜蛋白结构预测应用研究,Q51
  20. LS-SVM算法预测煤层瓦斯涌出量技术研究及应用,TD712.5
  21. 基于支持向量机的故障诊断研究,TH165.3

中图分类: > 医药、卫生 > 基础医学 > 医用一般科学
© 2012 www.xueweilunwen.com