多分类器组合及其在医学图像分类中的应用

摘要

医学影像已成为疾病诊断、术前决策、术后检测和术后随访等临床工作的重要依据，医学影像诊断是医学无创伤性诊断的主要方法之一。面向医学图像的诊断技术研究已成为国内外医学领域研究的重要方向之一。利用数据挖掘中的分类和计算机技术，对医学图像进行分析、计算、处理，从医学图像中挖掘出蕴含在图像内的丰富特征信息和规则，辅助医生进行医学图像临床诊断，具有较高的学术价值和广泛的应用前景。目前，面向医学图像的分类技术研究刚刚起步，现有的分类方法直接应用于医学图像还存在许多问题。探索和研究适合于医学图像的分类方法及其算法具有十分重要而现实的意义。 论文讨论了医学图像分类的目的、意义和国内外研究状况，针对医学图像自身的特点及医学图像分类的应用要求，分析了医学图像的分类方法。并针对现有单分类算法存在的问题，提出基于多分类器组合的分类算法，并引入增量式分类问题，较好地解决了在挖掘不断更新的海量图像数据库数据时，现有算法效率低下等问题，建立了基于多分类器组合的医学图像分类器。 论文以医学图像数据为研究对象，从理论、算法和应用三个方面对医学图像分类进行了研究。工作的研究成果主要包括以下内容： 1.系统回顾了医学图像的特征提取方法，利用基于灰度直方图、基于灰度共生矩阵、基于小波变换等的特征提取方法提取了多维肝脏CT图像特征，分析并实现了几种典型的分类算法。 2.详细研究了Cascade组合模型，针对单分类器准确度无法突破，构造了基于Cascade组合方法的组合分类器，并应用到医学图像分类中，对其性能进行了分析比较。 3.针对组合分类器分类过程复杂，系统开销较大，提出了基于Cascade组合的增量式分类模型，实现了各种单分类器、非增量式组合分类器及增量式组合分类器，对其分类性能进行了比较。 4.研究了医学图像的多分类器组合分类模型，初步分析了组合分类器分类规则的抽取方法，给出肝脏图像特征数据分类的规则描述。

目录

文摘

英文文摘

声明

第一章绪论

1.1选题依据及研究意义

1.2国内外研究现状

1.2.1分类器组合的研究现状

1.2.2医学图像分类的研究现状

1.3本文的研究内容及主要工作

1.4论文结构安排

第二章医学图像分类技术研究

2.1医学图像分类

2.2医学图像预处理

2.2.1医学图像的格式转换

2.2.2医学图像尺度的归一化

2.2.3医学图像的去噪与增强

2.3医学图像特征提取

2.3.1灰度直方图特征的提取

2.3.2灰度共生矩阵特征提取

2.3.3小波变换特征提取

2.4常用的分类技术

2.4.1贝叶斯分类算法

2.4.2 BP神经网络算法

2.4.3决策树方法

2.5本章小结

第三章多分类器组合技术研究

3.1组合的有效性问题

3.2分类器组合的方法

3.2.1投票表决法

3.2.2 Bagging与Boosting

3.2.3 Stacking算法

3.3 Cascade组合分类方法

3.3.1 Cascade算法思想

3.3.2成员分类器的选择

3.3.3 Cascade算法描述

3.4实验与结果比较

3.5本章小结

第四章基于增量式的多分类器组合技术研究

4.1增量学习简介

4.1.1问题的提出

4.1.2增量学习的定义

4.2增量式组合分类算法

4.3改进的增量式Cascade组合分类模型

4.3.1Cascade组合增量模型

4.3.2算法描述

4.3.3性能分析

4.4实验与结果比较

4.5本章小结

第五章多分类器组合在医学图像中的应用

5.1医学图像的组合分类模型

5.2医学图像的预处理与特征数据提取

5.3医学图像组合分类器的设计与实现

5.3.1系统运行环境

5.3.2成员分类器的选择

5.3.3实验数据的处理

5.4分类规则的抽取

5.4.1基本思想与步骤

5.4.2实例集的产生与处理

5.4.3属性约简

5.4.4规则产生

5.5本章小结

第六章结论与展望

6.1本文的主要工作及结论

6.2对今后工作研究的建议

致谢

参考文献

附录