基于代价敏感Boosting算法的医学影像分析方法研究

论文摘要

医学影像技术是重要的医学检查手段，计算机辅助医学影像分析可以提高检查的准确率、为医生提供量化的参考依据，同时也能在回顾分析和医师培训等应用中发挥作用。医学影像分析包括分类、检测和识别等方面。传统的分类算法以最小化错误率为目标，将两类错误（假阳性和假阴性）平等看待，而医学诊断是典型的代价敏感问题，即假阴性诊断的代价要远远高于假阳性诊断。由于代价不敏感的分类模型不能很好地对确定错误率进行控制，需要在传统分类上进行代价敏感扩展。本文主要就代价敏感Boosting算法在医学影像分析中的应用进行相关研究。首先，就代价敏感模型和Boosting算法进行分析，为解决通常阈值操作下不能得到良好代价敏感表现的问题，引入代价损失函数和代价权重更新规则，使Boosting算法的训练重心转移到代价敏感边界邻域内。针对目前较为流行的AdaBoost、RealBoost和LogitBoost，具体讨论其代价敏感扩展，通过UCI标准数据集对算法性能进行验证，同时与代价不敏感Boosting进行对比。其次，探讨代价敏感Boosting在乳腺超声图像良恶性检测中的应用。乳腺超声图像根据BI-RADS分级标准，进行特征量化，并通过mRMR（minimal redundancy maximal relevance，最小冗余度最大关联性算法）方法对特征集进行筛选和精简。根据三种代价敏感Boosting算法，通过实验分别训练出相应代价敏感模型，调节得到最佳分类器参数，并对分类性能进行比较和分析。实验结果显示，在控制假阴性率为5%的情况下，代价敏感Ada-Boosting算法取得的AUC值为0.859，优于传统Boosting算法。另外，本文对代价敏感Boosting在胃镜图像病灶检测问题中的应用进行相关分析。利用IS分布统计训练出反光检测模型以去除镜面反光区域。针对光照不敏感性和旋转不变性，使用rg和hs空间的颜色直方图作为颜色特征，同时利用归一化的LBP（Local BinaryPattern，局部二元模式算法）算子提取纹理特征。在病灶检测中，采用基于图像块的检测方式，对三种代价敏感Boosting算法分别训练分类模型，并进行参数调节和性能对比。实验结果显示，经过图像块融合后，检测率得到了较大提升，同时代价敏感算法得到的检测边界更加完整，假阴性率低于传统Boosting算法。通过对Boosting算法实现代价敏感扩展，并应用于医学影像分析，在控制假阴性以及分类器综合性能上有可能获得良好表现。

论文目录

• 摘要
• ABSTRACT
• 第一章：绪论
• 1.1 计算机辅助医学影像分析
• 1.2 代价敏感分类技术及其进展
• 1.2.1 分类算法
• 1.2.2 Boosting 算法
• 1.2.3 代价敏感分类
• 1.3 本文主要研究内容和全文安排
• 第二章 代价敏感问题与 Boosting 算法
• 2.1 代价敏感模型
• 2.1.1 二元分类问题
• 2.1.2 最优化分类器
• 2.1.3 实际的分类器
• 2.2 Boosting 算法
• 2.2.1 AdaBoost
• 2.2.2 RealBoost
• 2.2.3 LogitBoost
• 2.3 阈值操作的局限性
• 2.4 本章小结
• 第三章 代价敏感 Boosting 算法
• 3.1 引言
• 3.2 代价敏感 Boosting 原理
• 3.2.1 代价敏感损失函数
• 3.2.2 代价敏感 AdaBoost
• 3.2.3 代价敏感 RealBoost
• 3.2.4 代价敏感 LogitBoost
• 3.2.5 代价敏感权重
• 3.3 算法验证
• 3.3.1 实验流程
• 3.3.2 实验结果分析
• 3.4 本章小结
• 第四章 CS-Boosting 在乳腺超声图像良恶性判别中的应用
• 4.1 引言
• 4.2 乳腺超声特征提取
• 4.3 特征选择
• 4.3.1 mRMR 方法
• 4.3.2 算法实现
• 4.4 乳腺超声图像实验
• 4.4.1 特征提取
• 4.4.2 特征选择
• 4.4.3 CS-Boosting 算法
• 4.5 本章小结
• 第五章 CS-Boosting 在电子胃镜图像病灶检测中的应用
• 5.1 前言
• 5.2 图像预处理
• 5.3 特征提取
• 5.3.1 颜色直方图及其统计量
• 5.3.2 LBP 纹理特征
• 5.4 基于图片块（patch）融合的病灶检测
• 5.4.1 滑动窗宽确定
• 5.4.2 图像块融合
• 5.5 胃镜图像实验
• 5.6 本章小结
• 第六章 工作总结及展望
• 参考文献
• 致谢
• 攻读硕士学位期间录用和发表的论文