学位论文 > 优秀研究生学位论文题录展示

基于LSSVM肿瘤图像分类方法的应用研究

作　者: 于忠平
导　师: 甘岚
学　校: 华东交通大学
专　业: 计算机应用技术
关键词: 特征提取和降维 KPCA方法 LSSVM分类方法核函数二次规划
分类号: TP391.41
类　型: 硕士论文
年　份: 2011年
下　载: 36次
引　用: 0次
阅　读: 论文下载

内容摘要

目前在医学领域中,肿瘤图像的分类识别越来越受到广泛的关注。但是由于肿瘤图像本身的特点:细胞与腺体之间、细胞与细胞之间、腺体与腺体之间的粘连性非常严重,导致肿瘤图像的分类识别效果不是很好。本文以肿瘤图像为研究对象,通过在研究许多成熟的分类识别方法的基础上,提出一种适合肿瘤图像分类识别的改进算法,其具体工作如下:第一、针对特征提取本文主要从两方面获取图像的特征:一是从每幅图像中的腺体的数目考虑:腺体的周长、平均周长、腺体的面积和平均面积。二是:以每幅图片的像素数作为特征(每幅图片的大小为266*200,即53200维)。在特征降维过程中本文克服了传统的PCA和LDA算法的线性特性,通过引入核函数对原始样本(尤其是非线性特性的样本)进行处理,然后再通过已有的主成分分析方法和线性判别分析方法来生成降维模型。实验表明通过引入合理的核函数降维方法的确可以获得有效地降维模型。第二、针对图像的分类识别问题本文主要是采用改进的支持向量机算法即最小二乘支持向量机方法(LSSVM)来进行分类。相比传统的支持向量机方法,本文在采用LSSVM方法求解时可以避免产生二次规划的问题,即通过引入核函数将原先运算的二次规划不等式问题转换为求解其等式问题,这样不但减少了其运算量,而且提高了其运算速度。实验结果表明:在通过使用前述的降维模型对测试样本进行分类识别时,采用这种改进的LSSVM方法对肿瘤图像的分类效果较好。为了更好的证实上述方法对测试样本具有比较好的分类,我们将最小二乘支持向量机(LSSVM)分类方法与相关的MATLAB函数相结合,并将其运用到肿瘤图像系统中。通过实验表明使用这套辅助诊断系统能更清晰、更直观的表述上述方法的有效性,从而为病理医生提供了一个比较好的辅助工具。

全文目录

摘要  4-5
ABSTRACT  5-8
第一章绪论  8-14
  1.1 引言  8
  1.2 选题背景及意义  8-10
  1.3 肿瘤图像分类的国内外研究现状  10-12
    1.3.1 国外研究现状  10-11
    1.3.2 国内研究现状  11-12
  1.4 论文研究内容及结构  12-14
    1.4.1 论文主要研究内容  12-13
    1.4.2 论文的组织结构  13-14
第二章基于SVM的肿瘤分类识别方法  14-26
  2.1 医学图像中单分类器方法的研究现状  14
  2.2 医学图像中多分类器组合方法的研究现状  14-16
  2.3 图像的分类识别方法  16-21
    2.3.1 统计模式识别方法  16-18
    2.3.2 人工神经网络识别方法  18-21
  2.4 基于 SVM 的肿瘤图像分类识别  21-25
    2.4.1 支持向量机  21-24
    2.4.2 最小二乘支持向量机  24-25
    2.4.3 肿瘤图像分类  25
  2.5 本章小结  25-26
第三章基于最小二乘支持向量机（LSSVM）的算法设计  26-38
  3.1 核主成分分析（KPCA）  26-30
    3.1.1 主成分分析法  26-27
    3.1.2 主成分分量的选取  27-28
    3.1.3 PCA 变换流程  28-29
    3.1.4 核主成分分析  29-30
  3.2 线性判别法（LDA）  30-33
    3.2.1 LDA 的概念  31-32
    3.2.2 KPCA 与 LDA 变换过程  32-33
  3.3 最小二乘支持向量机算法（LSSVM）  33-36
    3.3.1 LSSVM 的介绍  33-34
    3.3.2 LSSVM 的算法设计  34-35
    3.3.3 核函数的选择  35-36
    3.3.4 算法优劣的评价标准  36
  3.4 本章小结  36-38
第四章最小二乘支持向量机在肿瘤分类中的应用  38-48
  4.1 图像降维过程  38-41
    4.1.1 KPCA 的应用实现  38-39
    4.1.2 LDA 的应用实现  39
    4.1.3 KPCA+LDA 的转换实现  39-41
  4.2 图像分类方法  41-42
    4.2.1 K 最近邻算法  41
    4.2.2 LSSVM 算法  41-42
  4.3 实验仿真  42-47
  4.4 本章小结  47-48
第五章肿瘤图像分类系统设计  48-57
  5.1 系统功能设计实现  48-50
    5.1.1 图像预处理模块  49
    5.1.2 图像分割与跟踪模块  49
    5.1.3 图像特征提取和分类模块  49-50
    5.1.4 病理信息模块  50
  5.2 系统详细设计实现：VC++与 MATLAB 混合编程  50-53
    5.2.1 MATLAB 中 COM 组件的制作  50-52
    5.2.2 设置VC 中的环境  52-53
  5.3 肿瘤图像识别部分的实现  53-56
  5.4 本章小结  56-57
第六章总结与展望  57-59
  6.1 本文工作总结  57-58
  6.2 展望  58-59
参考文献  59-63
个人简历在读期间发表的学术论文  63-64
致谢  64

基于LSSVM肿瘤图像分类方法的应用研究

内容摘要

全文目录

相似论文