李丙春[1]2004年在《基于医学影像的计算机模式分类技术研究与应用》文中研究说明本文作为国家自然科学基金资助课题“基于医学图像数据挖掘技术的研究”的一部分，对医学影像数据挖掘中的一些关键技术和主要算法做了深入的研究。针对乳腺影像数据库，提出了适合乳腺影像的计算机模式分类算法，设计并开发了“乳腺癌计算机辅助诊断系统”。主要从事了以下研究工作： (1)图像预处理 图像在转换和传输过程中不可避免地要受到噪声的污染。本文使用了简单有效的具有边界保持的中值平滑滤波器算法，对数字化的乳腺X照片图像做去噪处理，清除图像中的大部分噪声。同时，为了改善图像的质量，使用了直方图均衡化技术来实现图像的增强。 (2)灰度共生矩阵生成及纹理特征提取 图像的纹理特征描述了在图像中反复出现的局部模式和它们的排列规则，反映了宏观意义上灰度变化的一些规律。本文采用灰度共生矩阵纹理分析方法，生成4个方向的共生矩阵，提取与方向无关的纹理特征。 (3)肿瘤边缘分割和边缘特征提取 本文利用区域增长的图像分割技术实现肿瘤边缘的准确定位，提取了紧凑度、矩和傅立叶描述子叁个肿瘤形状特征。实验结果表明，这些特征很好地刻画了肿瘤的边缘形状，对区分良性肿瘤和恶性肿瘤非常有效。 (4)分类器算法设计 本文研究了适合于乳腺影像数据分类的分类算法，对支撑矢量机做了深入的剖析，提出了近似支撑矢量机PSVM分类思想。PSVM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。作为机器学习领域最为活跃的分支之一，人工神经网络在智能控制、模式识别及信号处理等领域得到了广泛的应用。本文深入地分析了神经网络的模式分类原理，算法的一般理论，剖析了神经网络的主要优、缺点，提出了解决或部分解决神经网络缺陷的改进方法。实践表明，利用本文改进的神经网络分类器，其分类效果非常理想。
李博[2]2015年在《基于复合视觉词的医学影像分类方法研究》文中指出医学影像分类技术是有效组织存储海量医学影像数据,利用其中蕴含的信息支持临床诊疗的重要支撑。医学影像分类的临床应用很多,一方面,医学影像全局分类是提高医学影像归档存储和医学影像检索性能的关键；另一方面,医学影像局部分类是实现局部病灶识别和亚分类的主要方法。早期的研究使用全局特征描述医学影像,不能实现医学影像局部细节的详细描述。近年来,局部特征被越来越多地使用于描述医学影像,视觉词袋模型被广泛借鉴以实现医学影像的分类。本文聚焦于基于视觉词的医学影像分类任务,针对其中遇到的问题,进行深入研究。首先,对复合视觉词进行定义,结合多尺度分析,提出了一种基于复合视觉词的医学影像分类方法；然后,分别从医学影像的特征提取、视觉词学习和医学影像分类器学习叁方面进行更深入地研究,对基于复合视觉词的医学影像分类方法不断完善,以提高医学影像分类效果。本文主要工作包括：(1)针对单一特征向量不足以有效融合不同参数下提取的多个特征向量,影响了传统视觉词袋模型分类的问题,定义了复合视觉词,并结合尺度分析,提出一种基于尺度复合视觉词的医学影像分类方法,以提高医学影像分类效果。首先,利用小波变换并结合空间上下文信息,生成多特征向量组成的特征矩阵,用以对视觉词进行描述,称为尺度复合特征；其次,根据医学影像类别标签,利用集成学习实现多特征组成的复合视觉词的学习和标注；最后,根据视觉词的标注结果,使用投票策略进行医学影像类别的决策。采用两个公开数据集进行验证：全局影像分类数据集ImageCLEFMed；局部的肺气肿病灶识别与亚分类数据集Emphysema Database.实验结果表明该方法可以达到较高的准确性。(2)针对医学影像灰度变化值域较大,影响了传统特征表达效果的问题,对医学影像特征提取进行了深入研究,提出一种基于轮廓复合视觉词的医学影像分类方法。该方法提取医学影像的纹理轮廓,即提取易被人眼观测的主要纹理,忽略不易被察觉的次要纹理。首先,通过无监督方法实现医学影像的像素级聚类,聚类边缘点集被视为拟定轮廓点集；其次,构建聚类核值相似区域,通过判别规则去除噪音,得到轮廓点集,作为轮廓视觉词集合；然后,定义轮廓特征描述符,生成轮廓复合特征,用以描述医学影像；最后,对轮廓视觉词进行集成学习,实现医学影像分类。采用ImageCLEFMed与Emphysema Database数据集进行实验,结果表明该方法有效提高了分类准确性。(3)针对视觉词学习过程中缺少对视觉词有效性判断的问题,对视觉词学习进行了深入研究,提出一种基于复合视觉词典学习的医学影像分类方法。在视觉词的学习过程中,通过多示例学习更好地利用视觉词与其多个特征之间的关系,根据视觉词的学习结果,去除普遍分布于各医学影像类别中的“停用词”。首先,对医学影像中的复合视觉词及其所包含的多特征进行多示例建模；然后,通过一组学习器实现复合视觉词典的学习,输出结果为一个学习器集合所表示的一组划分规则；最后,使用该视觉词典对待分类医学影像中的视觉词进行查询,实现医学影像分类。采用ImageCLEFMed与Emphysema Database数据集进行实验,结果表明,利用该方法可以在不同程度上提高医学影像分类效果,特别是提高了肺气肿层影像分类的敏感性和特异性。(4)针对在实际临床中,视觉词可能拥有多个标签的问题,对医学影像分类器学习进行了深入研究,并对视觉词多示例学习模型进行扩展,提出一种基于复合视觉词类别空间的医学影像分类方法。首先,利用代表各医学影像类别的坐标轴构建坐标系,进行类别空间的构建；其次,利用医学影像特征示例在各医学影像类别之间的分布关系来表示医学影像视觉词；最后,利用视觉词的矢量和来表示医学影像,并利用余弦相似度实现医学影像分类。该方法结合视觉词典学习方法可以简化类别空间构建过程,并且较容易被推广到层次分类任务中。采用ImageCLEFMed与Emphysema Database数据集进行实验,结果表明,基于类别空间的医学影像分类方法有效提高了分类性能,特别是结合视觉词典学习方法,有效提高了对全局医学影像层次分类的效果。综上,本文提出的算法有效改善了传统的基于视觉词袋的医学影像分类方法存在的问题,提高了分类的准确性,敏感性和特异性。
张昕[3]2006年在《基于SVM方法的医学图像分类研究》文中认为近年来,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(即对特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。首先概述了支持向量机的理论基础和数学模型,着重介绍了支持向量机的推广能力和核函数理论。其次介绍了一些主要的改进支持向量机学习算法,分析了这些算法的优缺点。最后应用支持向量机方法对乳腺X线图像提取出来的特征样本进行分类,采用交叉检验方法进行支持向量机核函数参数的选择,取得了较好的分类准确率。文中对SVM方法和BP神经网络的分类正确率采用ROC曲线进行了分析比较,并利用1-v-1法将支持向量机推广到多分类问题,取得了较好的效果。本文中的实验研究证明了SVM分类方法的有效性和优越性,对医学图像的计算机辅助诊断的发展有一定的促进作用。
陈燕[4]2005年在《基于医学影像的模式分类与聚类挖掘技术的研究与应用》文中研究指明作为国家自然科学基金资助课题“基于医学图像数据挖掘技术的研究”的一部分,本文对医学影像数据挖掘中的一些关键技术和主要算法做了深入的研究。针对乳腺影像数据库,提出了适合乳腺影像的分类算法和聚类算法,设计并开发了“乳腺癌计算机辅助诊断系统”。本文的主要研究工作有: (1) 图像预处理 本文使用了简单有效的具有边界保持的中值平滑滤波器算法,对数字化的乳腺X照片图像进行去噪处理,清除图像中的大部分噪声。同时,为了改善图像的质量,使用了一种直接同质增强技术对图像进行增强处理。并与传统的直方图均衡化技术进行了对比。实验结果表明,直接同质增强技术可以更有效地在保持图像原有信息的基础上增强图像,从而使得基于此的系统具有更精准的效果。 (2) 特征提取 为实现对乳腺X图片的正常、异常分类,本文使用了灰度共生矩阵纹理分析方法,生成4个方向的共生矩阵,提取与方向无关的纹理特征,此外又提取了4个灰度统计特征,试验证明,这些特征有助于提高对乳腺X图片的正常、异常区分。为实现对异常乳腺X图片的良性、恶性分类,本文采用了区域增长的图像分割技术实现肿瘤边缘的准确定位,提取了紧凑度、矩、傅立叶描述子和弦长统计量等肿瘤形状特征。实验结果表明,这些特征很好地刻画了肿瘤的边缘形状,使得区分良性肿瘤和恶性肿瘤具有很高的精确度。 (3) NPSVM算法的研究及其应用 本文在线性的近似支撑矢量机PSVM分类思想的基础上进一步提出了非线性的近似支撑矢量机NPSVM分类方法。NPSVM算法较标准的SVM算法来说,速度更快,对硬件资源要求很低,更易于实现;同时,比PSVM更适用于现实中的非线性问题。试验证明NPSVM比PSVM的训练准确率和测试准确率都要高,更适合我们的系统。 (4) 一种改进的基于密度的聚类算法的研究及应用 本文对聚类算法进行了深入地研究,提出了一种改进的基于密度的聚类算法。该算法保持了基于密度的聚类算法的优点——可以发现任意形状的簇,对噪音不敏感。并且不同于传统的密度聚类方法,本算法还可以有效地处理分布不均
曹鹏[5]2014年在《不均衡数据分类方法的研究》文中认为随着科技的进步,特别是信息技术的快速发展,各行各业产生了大量各种形式的数据。然而可以从数据中获取的信息却是贫乏的。为了解决在海量数据中获取有用信息的问题,数据挖掘技术应运而生。当前,数据挖掘的理论和方法被广泛应用于商业、工业及科学研究等多个领域,但随着对实际应用发展的深入研究,人们发现了一类很具有挑战性的问题——不均衡数据分类,并获得人们更多的关注。这种训练样本数量在类间分布不均衡的模式分类问题,对于基于总体分类精度为学习目标的传统分类器而言,这种不均衡势必会导致分类器过多关注多数类样本,从而使少数类样本分类性能下降。本文聚焦于不均衡数据挖掘中的分类技术研究,在深入探查不均衡数据分类的各种策略基础上,围绕在数据层面上合理准确的采样算法设计、在算法层面上适应不均衡数据的分类算法改进,对已有算法的关键参数优化指导叁个方面,对静态、动态不均衡数据分类；二类及多类类别数据分类,以及医学CAD中肺结节识别等问题展开研究。本文主要工作包括：(1)针对类间不均衡数据分布中类内不均衡性、类重迭及噪音问题对传统分类算法及采样算法造成的影响,本文提出一种基于概率分布估计的混合采样的数据处理算法。该算法依据数据概率分别对每个子类进行采样来保证类内的均衡性,从而同时从全局和局部两个角度改善数据的平衡性,让采样的数据更好地近似了真实的类空问分布情况,并对不均衡分布中类重迭和噪音问题加以针对性的处理。实验证明该采样算法有效改善不均衡数据的分布质量,使分类算法具有更高的分类精度。(2)针对生成模型在数据失衡的情况下输出的概率与类隶属程度并不一致,导致分类效果很不理想的问题,本文提出一种基于决策准则优化的集成分类算法。该算法基于后验概率信息,在不均衡数据评价度量指导下对分类决策准则进行优化；同时为了提高分类的泛化性,提出一种自适应随机子空间组合分类算法,以增强基分类器之间的差异性,避免分类器学习和决策准则优化的过拟合,并可自动获得基分类器的最佳数量。通过大量UCI数据集的实验验证表明,与其它同类算法相比,该算法在精度和效率上都具有更好的处理不均衡数据的优势。(3)针对现有的重采样和代价敏感算法中参数缺乏有效的指导和优化,本文提出一种性能导向优化的不均衡数据元学习方法。通过粒子群算法,以不均衡数据分类评价指标作为目标函数,来优化二类或多类数据的不均衡学习参数,并同时对特征进行选择,从而达到最佳的数据分布或代价敏感分类模型。利用UCI数据集对算法进行验证,并与领域内其他算法进行性能对比和分析,全面系统地证明算法的有效性。(4)针对具有概念漂移的不均衡数据流分类问题,本文提出一种结合选择性采样的加权集成学习算法。通过选择相似度高的历史数据和合成边界区域的新数据来有效增加少数类样本信息,扩大少数类的决策域；同时为了适应动态数据中存的概念漂移,利用集成分类思想,设计了一种基于概率分布相关度的权重分配策略。实验结果表明该算法有效地提高了少数类的识别率以及整体的分类性能,具有更好的处理不均衡数据流的优势。(5)针对肺结节CAD检测中获得的疑似肺结节数据具有真假阳性类别不均衡,真阳性数据稀少且特征维数较高等具体问题,本文使用之前提出的叁种算法,基于SVM基分类器进行改进和扩展,并在医学领域中肺结节识别对数据预处理、代价敏感集成学习和元学习叁种方法进行比较分析。实验表明,在保证分类高敏感性的前提下,叁种算法可以有效去除过多的假阳性,进而对叁维肺结节进行准确的识别；而且元学习方法由于未改变数据分布且同时对特征进行了选择,在疑似肺结节分类问题上相对于其他两种方法获得了更好的泛化能力。综上,本文提出的算法有效改善了不均衡数据分类中存在的问题,提高了少数类的识别准确性和鲁棒性。
宋余庆[6]2004年在《医学图像数据挖掘若干技术研究》文中指出医学影像诊断是医学无创伤性诊断的主要方法之一,是国内外医学领域重点研究的方向。医学图像具有很大的数据量。医学图像中蕴含着丰富的图像特征信息和规则,有待人们去研究和认识,所以,面向医学图像的数据挖掘技术研究成为医学和计算机科学交叉学科研究的一个十分重要的领域。医学图像的高分辨率、数据的海量性、图像特征表达的复杂性等特点,使得数据挖掘技术在医学图像中的研究具有较大的学术价值和广泛的应用前景。目前,面向医学图像的数据挖掘研究刚刚起步,现有的数据挖掘方法直接应用还存在许多问题。研究和探索适合于医学图像的数据挖掘方法及其算法等医学图像数据挖掘的理论和实践问题具有重要而现实的意义,对辅助医生进行医学图像临床诊断具有重要实用价值。本论文介绍了“基于医学图像数据挖掘若干技术研究”工作的相关研究成果,主要内容有:(1)总结了国内外关于图像数据挖掘研究现状和发展,探讨了医学图像的特点,提出了适合医学图像数据挖掘的图像数据预处理技术。图像象素的灰度及其密度是表达医学图像特征的主要内容,本文研究了医学图像的灰度及其密度与人体组织器官的解剖语义关系,分析了医学图像的成像原理和临床诊断要求,定义了表征医学图像的特征内容,并提出了适合医学图像数据的灰度特征及其表达方案。(2)基于医学图像数据挖掘的需求,本文综述了数据挖掘、非结构数据挖掘、图像数据挖掘的理论和方法,探讨了医学图像数据挖掘的方法和途经,提出了基于医学图像的数据挖掘的过程框架。(3)从聚类分析的角度出发,深入研究了医学图像数据的核密度函数、数据分箱问题和基于数据分箱策略的近似核密度构造方法。在此基础上,研究并提出了适用于医学图像数据的基于医学图像近似密度构造的聚类特征提取算法及其实现。根据这个算法,可以为基于医学图像聚类的组织器官分类及其自动分割提供有效的方法和技术。(4)从关联规则发现的角度出发,围绕医学图像的组织分类,深入研究了医学图像数据特征的关联问题,提出了基于关联规则的医学图像分类挖掘方法及其实现技术。图像特征的正确选择对图像数据的关联规则发现十分重要,本文在深入研究医学图像内容特征的基础上,首次提出了医学图像局部特征,并实现了基于医学图像组织器官聚类的医学图像局部特征提取,如:基于灰度共生矩阵和基于小波的特征提取方法和算法等。此外,本文还重点研究了医学图像数据特征的关联规则,探讨了所发现的规则与医学图像诊断的关系,为医学图像自动诊断提供了新的途径。(5)在相关医学图像数据挖掘算法研究的基础上,设计并开发了一个医学图像数据挖掘实验系统,该系统具有医学图像预处理、医学图像数据特征提取等功,能为面向医学图像数据的各种数据挖掘技术的研究和实现提供实验平台。鉴于人体腹部医学图像的数据挖掘研究是一个全新领域,人体腹部影像是医学图像中最复杂的部分,解决好腹部影像问题对整个医学图像都具有适用价值。本文所提出的基于医学图像近似密度构造的聚类特征提取算法及其实现、基于关联规则的医学图像分类规则挖掘方法等创新性研究成果,对医学图像数据挖掘研究、临床医学图像的自动诊断和临床医学早期诊断都具有重要意义。
刘京华[7]2016年在《基于贝叶斯模型的医学影像分类技术的研究与应用》文中研究表明随着数字化医学影像技术的不断发展,现如今医学影像设备在临床医学上广泛应用开来,基于医学影像技术的计算机辅助诊断应用也迅速普及起来。各种医学影像模式,也已作为病情跟踪、临床医学诊断以及教学研究等的重要客观依据,并促进了现代临床医学诊断技术的发展。运用数据挖掘中的分类技术,对医学影像分析处理后,挖掘出深层本质特征信息,辅助医学临床诊断,减少医生工作量的同时降低了由于医生依靠临床经验进行诊断的误差。除此之外,对于学术研究的价值也比较高,应用场景也比较广泛。但由于医学影像本身的特点,比如样本种类繁多,维度高,采样周期不均等,使得医学影像的诊断识别成为了一个复杂且非线性问题。在影像分类方法技术中,研究者们提出了很多基于神经网络、概率统计等方法,如贝叶斯分类方法等。在贝叶斯分类方法的基础上,研究者们提出了多方面上的改进,包括最基本的朴素贝叶斯分类模型NB和后来的AODE分类模型等。对于即时性要求高的应用场景,研究者们也提出了相应的解决方法AAPE分类模型。由于在选择父属性时,AAPE分类模型本身不会考虑它们的选择顺序,即选择顺序对分类结果造成的影响,因此针对早期的分类可能精确度较低。针对这一不足之处,本文通过引入遗传算法,提出了基于该算法以及特征属性权重的AAPGE分类模型。该模型将会权衡计算资源和分类结果精确度,使两者能达到平衡,即时性要求下精确度也能达到一定程度。本文的主要研究成果如下:1.在AAPE分类模型的基础上,引入遗传算法以及计算特征属性权重的方法,提出了改进的贝叶斯分类模型AAPGE。然后利用互信息以及卡方统计信息这两种计算属性权重的方法取得计算值分别作为遗传算法的适应度函数,并运用遗传算法计算属性排序后的SPODE。最后取得结果证明AAPGE分类模型比AAPE的精确度高,并且在分类早期精确度得以提升。2.基于AAPGE分类模型,将设计并实现一个医学影像分类系统原型。经过实验测试,证明该模型相对于AAPE分类模型,分类的精确度上效果明显提升,同时保证了分类的即时性和准确性能达到一种平衡。
梁娜[8]2008年在《基于语义的图像检索技术在医学影像系统中的研究与应用》文中研究指明医学影像是医生诊断的重要依据。随着计算机技术的不断发展,各种数字化的医学影像数据迅速增加,如何有效的从这些海量信息当中获取特定的图像,已成为当前亟待解决的问题之一。本文分析了目前图像检索的多种方法,将基于语义的图像检索技术应用于医学领域,并以颅脑CT图像为例进行了深入研究。现有医学图像检索仅是利用了文件的自身属性或是图像的低层视觉特征,鉴于医学图像具有极强的领域特征,本文把医生所关注的病理特征作为图像的语义特征,拓展了医学图像检索的范围。将医学影像学、图像语义提取以及文本语义理解等技术相结合,本文提出了一种基于语义的医学图像检索模型,并设计了医学图像检索相关算法。首先,采用自适应阈值分割、数学形态学、线邻接图等图像处理算法,充分利用DICOM文件信息,从医学图像的病理特征出发,一定程度实现了图像语义特征的提取;其次,对提取的语义特征进行向量化表示,并实现了检查报告书的辅助生成:最后,对向量空间模型做了适当的改进,利用医学用语的关联关系知识库修正向量权重,并改进了相似度算法,使其支持多特征的相似度融合,从而实现了医学图像的检索。根据提出的检索模型和相关算法,设计实现了一个基于语义的医学图像检索系统。实验证明,系统能够对DICOM格式的医学图像实现有效的语义检索。
王曙燕[9]2006年在《医学图像智能分类算法研究》文中指出医学图像的数据挖掘旨在从海量的图像数据中挖掘出有效的模型、关联、规则、变化,以加速医生决策诊断的过程和提高其决策诊断的准确度。本文是在参与实施国家自然科学基金项目“基于医学图像的数据挖掘技术研究”的过程中,针对医学图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。提出了适合乳腺图像的预处理、特征的提取和选择以及分类算法,研究成果可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、约简和模式分类,提出了适用于医学影像数据挖掘的技术路线和理论框架。 2.建立了一套比较完整的可以表征乳腺图像各方面特性的特征矢量。在这些特征上进行数量型数据的离散化,并利用模糊聚类算法来进行特征优选,为肿瘤良/恶性计算机辅助分析提供了前提和基础。 3.研究了决策树分类算法,引入了“属性重要度”的概念,对决策树算法进行改进。提出了用决策树算法进行乳腺X线照片分类的方法,对乳腺癌典型病例数据进行分类,得到了较高的分类准确率。 4.研究了关联规则算法,以及关联规则分类的方法。针对关联规则中计算规模较大的问题,采用扩展项的属性,添加项约束标记的思想,对Apriori算法进行改进。提出了用关联规则算法进行乳腺X线照片分类的方法。 5.将基于Rough集的方法用于图像特征降维,采用区分矩阵和区分函数实现属性约简。将基于Rough集的方法和关联规则分类技术相结合用于关联规则提取,提出了基于粒的二进制计算提取关联规则用于乳腺X线照片分类的方法,提高了处理的效率。
苏宝星[10]2016年在《基于深度学习的医学图像模式分类研究》文中研究指明现代医疗科学技术的快速发展,使医学图像在临床疾病的诊断中扮演的角色越来越重,同时医学图像的模式也越来越多样化,并且医学图像的整体数量每天都在呈现指数式的增长,这一方面给医疗疾病的诊断带来了可靠的图像资料数据,但是另一方面如何管理储存这些图像数据以及如何更好的发掘利用好这些图像数据本身的价值也成为一个迫切需要解决的问题。因此,医学图像模式分类就成为了实现现代医学图像有效管理,存储,价值发掘的重要途径之一,但是传统的手工分类已经不能满足日益增长的医学图像的需求,迫切需要利用现代的信息技术和计算机技术实现医学图像的自动分类管理,有效信息发掘等,从而提高管理效率和其本身的利用价值。因此,能够实现医学图像的有效管理,分类的算法成为研究的热点。本文首先回顾了医学图像以及医学图像疾病分类的国内外发展现状,之后分别研究了基于传统特征提取方法的医学图像分类算法和基于深度学习中的深度信念网络、栈式自动编码机和卷积神经网的医学图像分类算法,并对比分析了分类效果。最后提出利用卷积信念网络来克服上述网络结构中的不足,并通过具体的实验证明了算法的有效性。本文的主要贡献有：(1)利用图像处理分析技术对医学图像进行分析,并提取了医学图像的多种不同特征,对比分析了其在医学图像分类中的应用。具体地,对于医学图像中的纹理特征主要提取了局部二值化模式特征和利用灰度共生矩阵方法提取不同矩阵属性值的特征。对于基于局部特征的主要提取了SIFT特征,并利用传统的人工神经网络算法进行分类,比较各种的不同特征的分类精度。(2)研究分析基于浅层网络结构模型的医学图像分类方法,首先对浅层网络特征学习过程和受限玻尔兹曼机、稀疏自动编码机等浅层网络结构模型进行了介绍,之后利用乳腺肿瘤X线图像数据库MIAS为实验数据,通过不同的浅层网络分别对该数据库中病灶区域进行自动式的特征提取,得到不同类图像的特征,再将这些特征与利用图像处理方法得到的特征结合输入神经网络分类器,对比分析实验结果。(3)研究分析了基于深度学习的医学图像分类方法,对深度学习的叁种网络结构模型-深度信念网络、栈式自动编码机、卷积神经网络进行了分析介绍,并提出来基于深度学习的乳腺肿瘤X线图像分类方法以进一步提高医学图像分类的准确性,实验结果证明,与传统的基于特征提取的神经网络分类方法相比,分类性能更优秀。(4)研究了深度学网络结构模对可扩展医学图像的分类性能,并针对深度信念网络对医学图像细节分类不够敏感的特点和输入图像大小受限,提出了卷积置信网络对医学图像进行分类的方法,并在LIDC/IDRI肺部图像数据库进行了验证分析,证明了该方法的有效性。通过本文不同的研究性工作,表明浅层网络结构模型能够在一定程度上提高医学图像分类的准确性；以深度信念网络,栈式自动编码机,卷积神经网络为代表的深度学习网络结构模型不但能有效的避免传统人工手动设计医学图像特征的繁琐步骤,并且分类正确率有了明显的提高。将卷积操作和深度信念网络结合产生的卷积信念网络能进一步提高深度学习网络结构模型在医学图像上的应用。
参考文献：
[1]. 基于医学影像的计算机模式分类技术研究与应用[D]. 李丙春. 西北大学. 2004
[2]. 基于复合视觉词的医学影像分类方法研究[D]. 李博. 东北大学. 2015
[3]. 基于SVM方法的医学图像分类研究[D]. 张昕. 浙江大学. 2006
[4]. 基于医学影像的模式分类与聚类挖掘技术的研究与应用[D]. 陈燕. 西北大学. 2005
[5]. 不均衡数据分类方法的研究[D]. 曹鹏. 东北大学. 2014
[6]. 医学图像数据挖掘若干技术研究[D]. 宋余庆. 东南大学. 2004
[7]. 基于贝叶斯模型的医学影像分类技术的研究与应用[D]. 刘京华. 电子科技大学. 2016
[8]. 基于语义的图像检索技术在医学影像系统中的研究与应用[D]. 梁娜. 西北大学. 2008
[9]. 医学图像智能分类算法研究[D]. 王曙燕. 西北大学. 2006
[10]. 基于深度学习的医学图像模式分类研究[D]. 苏宝星. 浙江师范大学. 2016
标签：生物医学工程论文; 计算机软件及计算机应用论文; 医学影像论文; 数据挖掘技术论文; 数据挖掘算法论文; 特征提取论文; 分类数据论文; 图像融合论文; 系统学习论文;