支持向量機算法研究及其在相控HIFU圖像引導(dǎo)系統(tǒng)中的應(yīng)用.pdf

1、近年來，相控高強度聚焦超聲(HIFU——High Intensity Focused Ultrasound)技術(shù)已經(jīng)成為治療超聲和腫瘤熱療的研究熱點。相控HIFU技術(shù)利用了超聲波特有的深穿透能力、強方向性和可聚焦性，通過控制換能器陣元激勵信號源的相位，對超聲聲束施以聚焦，實現(xiàn)超聲能量在人體深部組織的高強度匯聚，在短時間內(nèi)造成病變組織的急性熱損傷而不傷及周圍的正常組織，因此成為最小損傷治療腫瘤的一種有效方法。相控HIFU靶點小、強度高，為

2、了避免損傷正常組織和提高治療效率，必須提供治療目標的精確位置。由于相控HIFU治療的非侵入性，位置信息的獲取就依賴于其圖像引導(dǎo)系統(tǒng)，這是HIFU手術(shù)成敗的關(guān)鍵。本文針對當前相控HIFU圖像引導(dǎo)系統(tǒng)中存在著耗時較長、魯棒性與精度不高等問題，研究了支持向量機(Support Vector Machines，SVM)算法，并將其應(yīng)用于該系統(tǒng)中，從而有效地利用已有的先驗知識，達到縮短圖像引導(dǎo)時間，提高其魯棒性與精度的目的。
　　 SVM

3、建立在統(tǒng)計學習理論的基礎(chǔ)之上，遵循結(jié)構(gòu)風險最小化原則(Structural RiskMinimization，SRM)，而不是傳統(tǒng)的經(jīng)驗風險最小化原則(Empirical RiskMinimization，ERM)。由于其完備的理論基礎(chǔ)、良好的推廣性與解的稀疏性，因此與傳統(tǒng)的學習機器相比，SVM可以更為有效地利用先驗知識。采用合適的SVM算法，可以實現(xiàn)提高相控HIFU圖像系統(tǒng)性能的目的。本文首先對SVM理論基礎(chǔ)——統(tǒng)計學習理論作了系統(tǒng)闡

4、述并分析了用于解決模式識別問題與回歸估計問題的SVM。在此基礎(chǔ)上，重點研究了基于SVM的密度估計問題，提出了一種基于單一核函數(shù)的線性SVM密度估計算法以及一種基于多核SVM的密度估計算法，并比較了它們的優(yōu)缺點。在實際應(yīng)用中，可以根據(jù)需要的不同選擇不同的算法形式；不僅用SVM來估計一維密度，而且將其推廣到多維密度估計中。
　　 在我們所研究的相控HIFU圖像引導(dǎo)系統(tǒng)中，主要包括圖像分割與圖像配準兩部分內(nèi)容。在術(shù)前制定手術(shù)治療計劃時

5、，通過分割CT或MRI圖像，獲取病灶的位置信息，并制定相控HIFU焦點的合理治療路徑。在手術(shù)中，通過圖像配準技術(shù)將手術(shù)前的圖像與手術(shù)中的實時圖像融合在一起，從而把手術(shù)前的治療計劃，目標輪廓和治療路徑都映射到治療坐標系中，實現(xiàn)精確治療。因此，本文分別研究了基于SVM的醫(yī)學圖像分割與配準方法。首先提出了兩種基于SVM的圖像分割方法。這兩種方法都是將先驗知識引入水平集分割過程中，從而指導(dǎo)曲線進行演變。一種方法是通過對訓練樣本的學習，利用SVM

6、密度估計方法建立形狀先驗?zāi)Ｐ?，將其作為水平集函?shù)更新內(nèi)容的一部分，添加到高維曲面的演化過程中。其中的物體形狀描述方法采用的是水平集函數(shù)方法；另一種方法是利用SVM密度估計方法建立水平集函數(shù)與圖像灰度之間的統(tǒng)計關(guān)系，將其作為水平集函數(shù)的更新標準，實現(xiàn)高維曲面的演變。這兩種方法都被用于MRI、CT以及超聲等多種模態(tài)下的醫(yī)學圖像序列分割中去，實驗結(jié)果令人滿意。同時，本文也提出了一種基于SVM的多模態(tài)醫(yī)學圖像配準方法。以兩種模態(tài)下已配準好的一對