学位论文 > 优秀研究生学位论文题录展示

基于SVM的医学图像分类的研究

作　者: 倪天予
导　师: 邵虹
学　校: 沈阳工业大学
专　业: 计算机软件与理论
关键词: 机器学习 统计学习理论 支持向量机 图像分类 特征提取
分类号: TP391.41
类　型: 硕士论文
年　份: 2009年
下　载: 273次
引　用: 0次
阅　读: 论文下载
 

内容摘要


与传统统计学相比,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。支持向量机(SVM)方法是建立在统计学习理论基础之上的,克服了神经网络分类和传统统计分类方法的许多缺点,具有较高的泛化性能。支持向量机的发展很好地解决了以往困扰很多机器学习方法的问题,如模型选择与过学习问题、非线性和维数灾难问题、局部极小点问题等等。因此,它被认为是继模式识别和神经网络之后机器学习领域的新的研究热点。利用SVM分类方法,对医学图像进行分析、计算、处理,从医学图像中挖掘出蕴含在图像内的丰富特征信息和规则,辅助医生进行医学图像临床诊断,具有较高的学术价值和广泛的应用前景。将支持向量机的机器学习方法引入到医学图像的分类问题。为了提高胸部DR图像中正常与病灶图像间的分类精度,同时改善基于传统统计学的分类方法泛化能力差的缺陷,采用SVM分类器对胸部DR图像训练集加以学习,得到分类决策函数,再对测试集进行分类,将测试样本分为正常与病灶图像两类。同时对医学图像进行了预处理和特征提取的研究与实验,首先通过尺度归一化、去噪、增强、均衡化对DICOM图像进行预处理,以使其符合课题要求,再对图像进行区域分割与感兴趣区域的选取,从而实现图像的预处理。然后再利用灰度共生矩阵算法提取图像的特征,以此作为分类的依据和前提。再通过交叉检验方法,选取适合SVM分类器的核函数和相关参数,从而达到最理想的分类效果。实验结果表明,该分类方法简单有效,在小样本的情况下取得了良好的效果。针对儿童胸部DR图像进行分类,分类精度能达到89%。在医学临床病例有限的条件下此方法可作为早期诊断的工具,可以帮助医生提高识别准确率,具有良好的应用价值。

全文目录


摘要  5-6
Abstract  6-10
第一章 绪论  10-19
  1.1 研究背景与意义  10-11
  1.2 医学图像的分类现状  11-13
  1.3 支持向量机及其研究现状  13-14
  1.4 支持向量机研究热点  14-17
    1.4.1 改进训练算法  14-15
    1.4.2 提高测试速度  15-16
    1.4.3 核函数的构造以及相应参数的调整  16
    1.4.4 利用SVM解决多分类的问题  16-17
  1.5 本文的主要工作  17-19
第二章 统计学习理论及支持向量机  19-31
  2.1 统计学习理论  19-23
    2.1.1 VC维  20
    2.1.2 结构风险最小化理论  20-21
    2.1.3 最优超平面  21-22
    2.1.4 泛化问题的界  22-23
  2.2 支持向量机  23-27
    2.2.1 线性支持向量机  24-25
    2.2.2 非线性支持向量机  25
    2.2.3 支持向量机及其核函数  25-27
  2.3 SVM核函数  27-28
    2.3.1 核的存在性分析  27-28
    2.3.2 核的种类及其特征  28
    2.3.3 核函数的选择  28
  2.4 SVM多分类器算法  28-30
    2.4.1 1-v-r分类器  29
    2.4.2 1-v-1分类器  29-30
    2.4.3 DAGs多分类法  30
  2.5 本章小结  30-31
第三章 基于SVM的DR图像分类  31-52
  3.1 DR图像简述  31
  3.2 DICOM文件简介  31-34
  3.3 DR图像的预处理  34-41
    3.3.1 DICOM文件的格式转换  34-36
    3.3.2 图像尺度的归一化  36
    3.3.3 图像的去噪增强与均衡化  36-39
    3.3.4 区域分割与感兴趣区域的选取  39-41
  3.4 图像特征提取  41-46
    4.4.1 灰度直方图特征的提取  41-42
    3.4.2 灰度共生矩阵特征提取  42-45
    3.4.3 特征分量归一化  45-46
  3.5 基于SVM的图像分类  46
  3.6 SVM模型的建立  46-51
    3.6.1 惩罚因子C的引入  47-48
    3.6.2 训练算法简介  48-49
    3.6.3 SVM学习算法的步骤  49-51
  3.7 本章小结  51-52
第四章 DR图像分类系统设计与实验结果分析  52-60
  4.1 DR图像分类系统设计  52-55
    4.1.1 特征提取模块  54
    4.1.2 SVM分类模块  54-55
  4.2 实验过程与实验结果分析  55-59
    4.2.1 交叉检验  56-57
    4.2.2 核函数的选取与参数选择  57-59
  4.3 本章小结  59-60
第五章 结论  60-62
参考文献  62-65
在学研究成果  65-66
致谢  66

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. 中医舌诊中舌形与齿痕的特征提取及分类研究,TP391.41
  9. 空间交会接近视觉测量方法研究,TP391.41
  10. 唇读中的特征提取、选择与融合,TP391.41
  11. 移动机器人视觉检测和跟踪研究,TP242.62
  12. 基于支持向量机的故障诊断方法研究,TP18
  13. 基于图像处理技术的烟叶病害自动识别研究,S435.72
  14. 羊绒与羊毛纤维鉴别系统的研究,TS101.921
  15. 红外图像目标识别及跟踪技术研究,TP391.41
  16. 基于车载3D加速传感器的路况监测研究,TP274
  17. 高光谱图像技术诊断黄瓜病害方法的研究,S436.421
  18. 英汉命名实体翻译方法研究,TP391.2
  19. 基于小波变换的三维模型特征提取技术的研究与实现,TP391.41
  20. 基于“词袋”模型的图像分类系统,TP391.41
  21. 基于数据分布特征的文本分类研究,TP391.1

中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理（信息加工） > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com