基于SVM的医学图像分类

论文摘要

近年来,随着各种影像设备在医学中的广泛应用,基于医学影像的计算机辅助诊断迅速发展起来。计算机辅助诊断可以提高放射科医生诊断的准确率,协助医生对医学图像进行判断和识别。在特征提取的基础上进行模式分类是基于医学影像的计算机辅助诊断的重要步骤。现有的如人工神经网络等分类方法基于传统统计学,研究的是样本数目趋于无穷大时的渐进理论,然而,在实际应用中,样本的数量往往是有限的。因此,这些传统方法容易产生过学习、局部极小点等问题。支持向量机方法在1992-1995年提出,它是建立在统计学习理论的VC维（Vapnik-Chervonenkis Dimension）理论和结构风险最小化（Structural Risk Minimization,简称SRM）原理基础上的,根据有限的样本信息在模型的复杂性（即对待定训练样本的学习精度,Accuracy）和推广能力（即对未来输入输出进行正确预测的能力）之间进行折衷。支持向量机的发展很好地解决了以往困扰很多机器学习方法的问题,如模型选择与过学习问题、非线性和维数灾难问题、局部极小点问题等等。因此,它被认为是继模式识别和神经网络之后机器学习领域的新的研究热点。论文将支持向量机的机器学习方法引入到医学图像的分类问题中。论文的主要工作总结如下:（1）实现了SVM在医学图像分类中的应用,通过医学图像的实验结果验证了该方法的有效性。（2）对SVM算法进行了深入研究,结合量子行为的粒子群算法的优点,提出了一种量子行为的粒子群算法和SVM结合的混合分类模型,应用于医学图像的分类中。（3）深入研究了K-means算法,结合了无监督聚类和监督分类方法的优点,提出了一种K-means和SVM结合的混合分类模型,并应用于医学图像的分类中。（4）利用粒子群和量子行为的粒子群算法对K-means算法进行了改进,并将改进的K-means算法与SVM算法结合形成全自动分类模型,并且把它应用于医学图像的分类中。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 医学图像的分类现状
• 1.3 支持向量机理论的研究现状
• 1.4 本文的主要工作
• 1.5 本文的章节安排
• 第二章 支持向量机及其改进算法在医学图像分类中的应用
• 2.1 统计学习理论
• 2.1.1 VC 维
• 2.1.2 结构风险最小化理论
• 2.1.3 最优超平面
• 2.2 支持向量机理论
• 2.2.1 线性支持向量机
• 2.2.2 非线性支持向量机
• 2.2.3 分类优化算法和多类分类问题
• 2.3 基于SVM 的医学图像分类
• 2.3.1 图像分类定义
• 2.3.2 医学图像的特征提取
• 2.3.3 支持向量机分类器参数选择
• 2.3.4 实验结果及讨论
• 第三章 支持向量机结合量子行为的粒子群算法在医学图像分类中的应用
• 3.1 粒子群算法训练支持向量机（PSO-SVM）
• 3.1.1 粒子群算法（PSO）简介[53]
• 3.1.2 PSO-SVM 算法
• 3.2 量子行为的粒子群算法训练支持向量机（QPSO-SVM）
• 3.2.1 量子行为的粒子群算法
• 3.2.2 QPSO-SVM 算法
• 3.3 仿真实验
• 3.4 医学图像分类实验结果及分析
• 第四章 支持向量机结合K-MEANS 算法在医学图像分类中的应用
• 4.1 监督聚类算法
• 4.1.1 硬C-均值聚类算法（K-means）
• 4.1.2 模糊C 均值聚类算法（FCM）
• 4.2 支持向量机结合 K-MEANS 在医学图像分类中的应用
• 4.2.1 K-means－SVM 原理
• 4.2.2 K-means－SVM 算法流程
• 4.2.3 实验结果及分析
• 4.3 支持向量机结合改进的K-MEANS 算法在医学图像分类中的应用
• 4.3.1 基于粒子群的K-means 算法
• 4.3.2 基于量子行为的粒子群的K-means 算法
• 4.3.3 QPSOK-SVM 分类原理
• 4.3.4 QPSOK-SVM 算法流程
• 4.3.5 实验结果与结论
• 第五章 结论与展望
• 5.1 本文工作总结
• 5.2 今后工作展望
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文