基于SVM方法的醫(yī)學圖像分類研究.pdf

1、近年來，隨著各種影像設備在醫(yī)學中的廣泛應用，基于醫(yī)學影像的計算機輔助診斷迅速發(fā)展起來。計算機輔助診斷可以提高放射科醫(yī)生診斷的準確率，協(xié)助醫(yī)生對醫(yī)學圖像進行判斷和識別。在特征提取的基礎上進行模式分類是基于醫(yī)學影像的計算機輔助診斷的重要步驟?，F(xiàn)有的如人工神經(jīng)網(wǎng)絡等分類方法基于傳統(tǒng)統(tǒng)計學，研究的是樣本數(shù)目趨于無窮大時的漸進理論，然而，在實際應用中，樣本的數(shù)量往往是有限的。因此，這些傳統(tǒng)方法容易產(chǎn)生過學習、局部極小點等問題。支持向量機方法在19

2、92-1995年提出，它是建立在統(tǒng)計學習理論的VC維(Vapnik-ChervonenkisDimension)理論和結構風險最小化(StructuralRiskMinimization，簡稱SRM)原理基礎上的，根據(jù)有限的樣本信息在模型的復雜性(即對特定訓練樣本的學習精度，Accuracy)和推廣能力(即對未來輸入輸出進行正確預測的能力)之間進行折衷。支持向量機的發(fā)展很好地解決了以往困擾很多機器學習方法的問題，如模型選擇與過學習問題、

3、非線性和維數(shù)災難問題、局部極小點問題等等。因此，它被認為是繼模式識別和神經(jīng)網(wǎng)絡之后機器學習領域的新的研究熱點。 論文將支持向量機的機器學習方法引入到醫(yī)學圖像的分類問題。首先概述了支持向量機的理論基礎和數(shù)學模型，著重介紹了支持向量機的推廣能力和核函數(shù)理論。其次介紹了一些主要的改進支持向量機學習算法，分析了這些算法的優(yōu)缺點。最后應用支持向量機方法對乳腺X線圖像提取出來的特征樣本進行分類，采用交叉檢驗方法進行支持向量機核函數(shù)參數(shù)的選擇