论文题目: 医学图像智能挖掘关键技术研究
论文类型: 博士论文
论文专业: 计算机软件与理论
作者: 孙蕾
导师: 周明全
关键词: 数据挖掘,医学图像,图像增强,特征提取,特征选择,支持向量机
文献来源: 西北大学
发表年度: 2005
论文摘要: 复杂数据类型的挖掘是数据挖掘领域的重要研究方向。本文是在完成国家自然科学基金项目“基于医学影像的数据挖掘技术研究”的过程中,针对医学影像数据挖掘所涉及的一些关键技术和主要算法进行了深入的研究。基于乳腺影像数据库,提出了适合乳腺影像的图像增强算法及其量化评价方法、特征的提取和选择以及数据挖掘技术中的分类算法,研究成果已成功应用于计算机辅助诊断系统中。主要工作和创新点在以下几个方面: 1.本文将数据挖掘技术与数字图像处理技术有机结合,研究了图像数据的变换、特征提取和约简,利用支持向量机和粗糙集等方法,构建了进行医学图像数据挖掘的机器学习机制。 2.为了解决高密度乳腺中病灶区域很难分辨的问题,本文提出了适合钼靶X线图像的基于灰度均匀度的图像增强算法,并首次与已实现的算法进行了量化评估。为今后的图像增强量化评价体系和指标的建立,提供了理论和实验基础。 3.建立了一套比较完整的可以表征乳腺图像中肿块各方面特性的纹理特征、形状特征和统计特征,为肿块良、恶性计算机辅助分析提供了前提和基础。 4.本文研究了PCA和粗糙集相结合的图像特征选择方法,并提出了K-L变换结合属性平均依赖程度的算法进行特征选择。该算法能有效提高用于模式分类的特征选择效果。 5.首次提出了基于医学图像特征的近似支持向量机(PSVM)的分类思想。该算法较标准的SVM算法来说,速度更快,对硬件资源要求很低,同时更易于实现,效果也较理想。 6.在样本量有限且两类样本数量悬殊的情况下,PSVM算法的分类能力较低。就此问题,本文提出了DFP—PSVM算法,减弱多样本类对少样本类的影响,从而提高PSVM对于不均衡数据的分类能力。
论文目录:
中文摘要
ABSTRACT
第一章 绪论
1.1 引言
1.2 图像数据挖掘模型和方法
1.2.1 图像数据挖掘模型
1.2.2 图像数据挖掘方法
1.3 论文选题来源及研究背景
1.4 本论文研究内容
1.5 本论文的组织结构
1.6 本章小结
本章参考文献
第二章 国内外研究现状分析
2.1 基于乳腺钼靶X线图像的不对称性研究
2.2 基于纹理的结构紊乱分析
2.3 微钙化点(簇)和肿块的探测及分类
2.3.1 图像增强算法
2.3.1.1 传统增强算法
2.3.1.2 基于区域的增强算法
2.3.1.3 基于特征的增强算法
2.3.2 图像增强算法评价
2.3.3 图像分割算法
2.3.3.1 基于区域的分割算法
2.3.3.2 模糊分割算法
2.3.3.3 数学形态学分割算法
2.3.3.4 小波分割算法
2.3.4 特征提取和选择
2.3.4.1 纹理特征
2.3.4.2 形状特征
2.3.4.3 特征选择
2.3.5 良恶性分类算法
2.3.5.1 人工神经网络(ANN)
2.3.5.2 K—最近邻分类(KNN)
2.3.5.3 贝叶斯信念网络(BBN)
2.3.5.4 决策树
2.3.5.5 支持向量机(SVM)
2.4 本章小结
本章参考文献
第三章 钼靶X线图像对比度增强算法
3.1 引言
3.2 均匀度概念和表征元素
3.3 算法描述
3.4 增强放大因子的确定
3.5 已有的钼靶X线图像增强算法
3.5.1 数学形态学增强算法
3.5.2 直方图均衡化算法
3.6 对比度增强效果量化评价
3.7 本章小结
本章参考文献
第四章 感兴趣区域分割
4.1 基于多阈值的区域增长分割算法
4.2 基于可变形模型的分割算法
4.3 本章小结
本章参考文献
第五章 特征提取与选择
5.1 引言
5.2 特征提取
5.2.1 纹理特征
5.2.2 形状特征
5.2.3 统计特征
5.3 特征选择
5.3.1 PCA算法
5.3.2 粗糙集理论
5.3.2.1 基本概念
5.3.2.2 属性依赖
5.3.2.3 属性约简和核
5.3.2.4 典型的属性约简算法
5.3.2.5 基于K-L变换和属性平均依赖程度的约简算法
5.4 实验结果与分析
5.5 本章小结
本章参考文献
第六章 改进的支持向量机分类算法(DFP—PSVM)
6.1 引言
6.2 理论基础
6.2.1 VC维
6.2.2 结构风险最小化原则
6.3 支持向量机分类算法
6.3.1 线性支持向量机分类算法
6.3.2 线性不可分情况下的SVM
6.3.3 非线性支持向量机分类算法
6.4 标准SVM算法存在的问题及对应策略
6.5 近似的支持向量机算法(PSVM)
6.5.1 线性PSVM二类分类器
6.5.2 非线性PSVM二类分类器
6.5.3 存在的问题
6.6 非平衡分布数据的支持向量机算法(DFP-PSVM)
6.7 本章小结
本章参考文献
第七章 基于数据挖掘技术的乳腺肿瘤计算机辅助诊断系统
7.1 系统框架
7.2 图像数据处理流程
7.3 本章小结
第八章 总结和展望
8.1 本文工作总结
8.2 进一步工作展望
攻读博士学位期间发表的论文
致谢
发布时间: 2005-11-18
参考文献
- [1].医学图像特征的自动获取与基于内容检索的方法研究[D]. 周杰.第一军医大学2004
- [2].基于内容图像检索中图像语义分类技术研究[D]. 胡广寰.浙江大学2005
- [3].医学图像智能分类算法研究[D]. 王曙燕.西北大学2006
- [4].基于内容的图像检索与过滤关键技术研究[D]. 段立娟.中国科学院研究生院（计算技术研究所）2002
- [5].科学数据库中基于内容图像检索技术研究[D]. 唐俊华.中国科学院研究生院（计算技术研究所）2004
- [6].图像语义检索和分类技术研究[D]. 易文晟.浙江大学2007
- [7].图像纹理特征表示方法研究与应用[D]. 温智婕.大连理工大学2008
- [8].物体检索与定位技术研究[D]. 姜文晖.北京邮电大学2017
- [9].基于分形理论及图像纹理分析的水稻产量预测方法研究[D]. 龚红菊.南京农业大学2008
- [10].基于语义分析的场景分类方法研究[D]. 叶志鹏.哈尔滨工业大学2017
相关论文
- [1].医学图像特征的自动获取与基于内容检索的方法研究[D]. 周杰.第一军医大学2004
- [2].支持向量机及其在医学图像分割中的应用[D]. 张翔.华中科技大学2004
- [3].基于内容的医学图像检索关键技术研究[D]. 邵虹.东北大学2005
- [4].特征选择算法及其在基于内容图像检索中的应用研究[D]. 李云.重庆大学2005
- [5].基于统计学习的图像语义挖掘研究[D]. 陈久军.浙江大学2006
- [6].基于内容图像检索关键技术研究[D]. 韦娜.西北大学2006
- [7].图像挖掘中的图像预处理技术研究[D]. 刘茂福.武汉大学2005