基于SVM的帶標記線MRI左心室運動分析研究.pdf

1、支持向量機（Support Vector Machines，簡稱SVM）是由Vapnik等人提出的一種新型機器學習方法。由于其出色的學習性能，該方法已成為機器學習界的研究熱點，并在很多領(lǐng)域都得到了成功的應用，如人臉檢測、手寫體數(shù)字識別、文本自動分類等。在醫(yī)學圖像分析領(lǐng)域，帶標記線的MRI左心室運動分析研究的目的是要獲得左心室心肌上的任一個質(zhì)點在一個心動周期內(nèi)的運動軌跡。本文探索性的將SVM引入左心室的形變計算（即左心室運動分析）中，在此

2、基礎(chǔ)上提出一個基于支持向量回歸機（SVR）的左心室形變計算模型。本文工作包括： （1）較為系統(tǒng)地介紹支持向量回歸機 由于專門介紹支持向量回歸機的文獻較少，本文比較系統(tǒng)地討論了支持向量回歸機的相關(guān)知識。在學習理論層闡述了支持向量回歸機的基本原理；在算法層基于ε-支持向量回歸機和υ-支持向量回歸機闡述了支持向量機的學習算法。 （2）SVM的訓練算法的改進 本文在對SVM學習算法的深入分析基礎(chǔ)上，提出一種基于υ

3、-支持向量回歸機的改進算法，并以仿真實驗驗證其效果。 （3）對SVM核函數(shù)、核參數(shù)選取的討論 在使用SVM進行學習時遇到最多的問題是如何選取核函數(shù)和核參數(shù)。很多學者對此做了深入的研究。本文也在此基礎(chǔ)上對核函數(shù)、核參數(shù)的選擇進行了研究，并提出了一種改進的核參數(shù)選取策略。仿真實驗表明該策略具有良好的性能。 （4）設(shè)計基于SVM的MRI左心室形變計算模型 由于心臟在運動過程中包括位移、扭曲、旋轉(zhuǎn)、收縮或者擴張等