基于超球體多類支持向量數據描述的醫(yī)學圖像分類方法研究.pdf

1、乳腺癌是嚴重危害女性身心健康的常見惡性腫瘤,是世界各國女性死亡的主要原因之一。由于乳腺癌的病發(fā)機理還未完全弄清楚,因此早發(fā)現、早診斷及早治療對防治乳腺癌十分重要。目前在乳腺癌的臨床診斷方法中,影像診斷是最適合適齡女性乳腺癌診斷方法,乳腺X光攝影技術是最常見的乳腺癌早期診斷方法。
　　本文主要從數據挖掘的角度,研究多分類器、支持向量數據描述、核主成分分析及 MapReduce并行計算框架等理論,以及在醫(yī)學圖像領域的關鍵技術和主要算法

2、。提出超球體多分類支持向量數據描述分類算法及基于 MapReduce編程模式下的超球體多分類支持向量數據描述算法,并將它們分別應用于乳腺 X光醫(yī)學圖像分類中。本文所做的主要工作如下:
　　1.提出超球體多分類支持向量數據描述分類算法
　　一些相關性高的冗余特征信息不僅會增大分類算法在構建分類模型時的計算量,而且還會影響分類器的分類效果。而且傳統(tǒng)的多分類器基本上都是由二分類器組合而成的,當分類類別數達到一定的數量時,這種經二分

3、類器組合而成的多分類器將會遇到諸如樣本訓練階段速度較慢的問題。針對上述問題,本文提出超球體多分類支持向量數據描述算法(Hypersphere Multi-Class Support Vector Data Description, HSMC-SVDD)。該算法的優(yōu)點是在分類模型建立前期運用核主成分分析(Kernel Principal Component Analysis, KPCA)來有效地對數據進行降維,然后在構建分類模型時使每一類

4、樣本只參與構造一個超球體的訓練,以此來直接構造多個SVDD超球體的多分類器,從而有效地降低系統(tǒng)的開銷。
　　2.將超球體多分類支持向量數據描述分類器應用于醫(yī)學圖像挖掘中
　　本文將HSMC-SVDD算法應用于醫(yī)學圖像挖掘中。在乳腺X光圖像的標準數據集(MIAS)上的實驗結果表明:無論是訓練速度還是分類精度都獲得了較好的效果。
　　3.設計了基于MapReduce編程模式下的超球體多分類支持向量數據描述算法,并應用于醫(yī)學

5、圖像分布式挖掘中
　　當訓練數據集增加到一定數量級時,支持向量數據描述訓練模型的構建將會是一個計算密集型的過程。隨著今后在線診斷數據和臨床醫(yī)療數據的不斷增加,HSMC-SVDD分類器在多分類中的效率將隨之降低。通過對并行數據挖掘進行研究,設計一種并行數據挖掘算法,本文在 MapReduce編程模型的基礎上對超球體多分類支持向量數據描述算法 HSMC-SVDD進一步設計,構建基于MapReduce編程模式下的超球體多分類支持向量數據