基于多模态超声图像的甲状腺肿瘤的分类

摘要

甲状腺肿瘤是头颈肿瘤中的常见病和多发病,居头颈肿瘤首位,是发病率增高最快的实体癌。不断发展的医学影像学技术是进行甲状腺肿瘤良恶性诊断的重要手段,二维灰阶超声,多普勒超声是甲状腺肿瘤良恶性诊断的基础,通过结合三维超声、超声造影及超声弹性成像等新的影像学诊断技术可以获得更好的辅助诊断结果。目前的计算机辅助诊断甲状腺肿瘤良恶性时多依赖于对于单一模态的图像信息进行处理,缺少对于多模态医学图像信息的融合,本文将多分类器融合应用于医学图像领域,综合不同模态的图像信息,辅助医生得到更为精准的诊断结果。
　　多分类器融合自上世纪90年代起成为模式识别领域的研究热点,融合理论的基础是基于分类器的差异性,来自不同训练数据、不同训练算法的分类器能给为分类提供具有互补性的信息,由此建立起的多分类器融合系统采用的决策信息更为全面,系统的泛化能力更强。本文将针对多分类器系统的组合系数问题提出适用于新的组合系数确定方式。同时在非贝叶斯融合框架的基础上提出面向不同类别的复合加权的加权方式。
　　1.多分类器系统的组合系数改进
　　此部分主要针对多分类器系统的组合系数确定方法进行改进,以便适应于不同的融合框架。作为最为常见和有效的分类器集成学习方法,分类器的线性组合可以应用于不同融合算法的最后一步,作为基分类器输出的最后融合步骤,以往的基于贝叶斯理论的组合系数的确定算法局限于贝叶斯融合框架,因此,在本文中,提出了基于熵值、散乱值、均值方差比等三种度量方式及对应的加权算法,对于这三种算法进行了实验验证表明,基于均值方差比的组合系数确定算法表现稳定、算法实现过程中无需修正,整体性能优于其他两种。
　　2.基于非贝叶斯融合框架的复合权值融合方案
　　此部分将针对一种非贝叶斯融合框架的最优权值求解方案进行改进。改进前,本文详细分析了分类器的差异性,并基于此差异提出了复合权值的概念。不同性能的多分类器融合是增强分类准确率的一个重要因素。现有方法一般采用考虑每个分类器的输出概率分布对不同分类器的权重进行评价,但是,当一个分类器对于不同类别的分类性能有着不同表现时,会对融合结果产生不利的影响。基于此,提出了一个新的基于非贝叶斯框架的复合权值分类器融合方法。本文的方法不仅考虑了每个特征所对应分类器下的全局输出概率分布,同时又考虑了每个分类器对于不同类别的输出概率分布情况。实验结果表明本文提出的多分类器融合方案对于提高基于多类别的分类结果是有效的。
　　将以上算法应用于基于多模态超声图像的甲状腺肿瘤分类上,实验证明采用多分类器融合技术可以调高对于肿瘤分类的正确性,同时,采用本文提出的基于非贝叶斯融合框架的复合权值融合方案对于肿瘤分类准确性有了进一步的提高。

目录

封面

中文摘要

英文摘要

目录

第1章 绪 论

1.1 课题背景及研究的目的和意义

1.2 多分类器融合方法的研究现状综述

1.3 本文主要研究内容及组织结构

第2章 多分类器系统的组合系数优化

2.1 线性组合的有效性

2.2 基于贝叶斯理论的组合系数确定

2.3 基于非贝叶斯理论的组合系数

2.4 实验与分析

2.5 本章小结

第3章 基于非贝叶斯框架的复合权值分类器融合方法

3.1 引言

3.2 分类器的差异性

3.3 基于非贝叶斯融合理论的复合权值融合方法

3.4 算法描述

3.5 实验结果与分析

3.6 本章小结

第4章 多模态超声图像中多分类器融合的应用

4.1 恶性甲状腺肿瘤的超声表现

4.2 多模态超声图像的特征选取

4.3 基于单一分类器的甲状腺肿瘤分类

4.4 基于多分类器融合的甲状腺肿瘤分类

4.5 本章小结

结论

参考文献

声明

致谢