基于超球體多類支持向量數(shù)據(jù)描述的醫(yī)學(xué)圖像分類方法研究.pdf

1、乳腺癌是嚴(yán)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(jī)理還未完全弄清楚,因此早發(fā)現(xiàn)、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(shù)是最常見的乳腺癌早期診斷方法。
　　本文主要從數(shù)據(jù)挖掘的角度,研究多分類器、支持向量數(shù)據(jù)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(xué)圖像領(lǐng)域的關(guān)鍵技術(shù)和主要算法

2、。提出超球體多分類支持向量數(shù)據(jù)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(shù)據(jù)描述算法,并將它們分別應(yīng)用于乳腺 X光醫(yī)學(xué)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(shù)據(jù)描述分類算法
　　一些相關(guān)性高的冗余特征信息不僅會增大分類算法在構(gòu)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(dāng)分類類別數(shù)達(dá)到一定的數(shù)量時,這種經(jīng)二分

3、類器組合而成的多分類器將會遇到諸如樣本訓(xùn)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(shù)據(jù)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(shù)據(jù)進(jìn)行降維,然后在構(gòu)建分類模型時使每一類

4、樣本只參與構(gòu)造一個超球體的訓(xùn)練,以此來直接構(gòu)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(shù)據(jù)描述分類器應(yīng)用于醫(yī)學(xué)圖像挖掘中
　　本文將HSMC-SVDD算法應(yīng)用于醫(yī)學(xué)圖像挖掘中。在乳腺X光圖像的標(biāo)準(zhǔn)數(shù)據(jù)集(MIAS)上的實驗結(jié)果表明:無論是訓(xùn)練速度還是分類精度都獲得了較好的效果。
　　3.設(shè)計了基于MapReduce編程模式下的超球體多分類支持向量數(shù)據(jù)描述算法,并應(yīng)用于醫(yī)學(xué)

5、圖像分布式挖掘中
　　當(dāng)訓(xùn)練數(shù)據(jù)集增加到一定數(shù)量級時,支持向量數(shù)據(jù)描述訓(xùn)練模型的構(gòu)建將會是一個計算密集型的過程。隨著今后在線診斷數(shù)據(jù)和臨床醫(yī)療數(shù)據(jù)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(shù)據(jù)挖掘進(jìn)行研究,設(shè)計一種并行數(shù)據(jù)挖掘算法,本文在 MapReduce編程模型的基礎(chǔ)上對超球體多分類支持向量數(shù)據(jù)描述算法 HSMC-SVDD進(jìn)一步設(shè)計,構(gòu)建基于MapReduce編程模式下的超球體多分類支持向量數(shù)據(jù)