基于遗传算法与粒子群算法混合优化加权K最近邻算法的病脑检测系统

摘要

随着现代先进科技的不断发展，医学技术以及医疗方式的不断进步，将传统医学技术与现代科学技术相融合已经成为当今时代发展的重要任务之一。本文首先明确了实验的背景与研究意义，之后对于脑部核磁共振图像在国内外的研究和发展现状做出了简要的分析与介绍。本文研究了一种智能病脑检测系统(Smart Pathological Brain Detection，SPBD)，主要研究的是计算机辅助诊断(Computer Aided Diagnosis，CAD)系统中的医学图像处理技术，论文的主要目的是将医学图像做出较为准确的分类，将有病与健康的大脑图像很好的区分开来。本文利用图像特征提取及分类优化的思想对于脑部核磁共振图像做了分类研究，并取得以下研究成果:
　　1.采用数据增强的方法对于健康脑图像进行旋转变换，以增强健康脑图像的数量并且解决了样本数据不平衡的问题，以便于之后实验能够更好地提取样本特征。将数据增强之后的脑部核磁共振图像用小波熵进行特征提取，将特征数量从65536个降低到了7个值，作为之后分类实验里面使用的W-kNN分类器输入数据集当中最重要的组成部分。
　　2.采用加权K最近邻算法（Weighted k-Nearest Neighbor,W-kNN）作为本文实验的分类算法，W-kNN以样本特征的重要性为依据来分配权重，自动学习出合适的权重来给不同特征赋予不同的重要性;权重的引入能够进一步提高kNN分类算法的分类性能，在分类的准确性和稳定性方面都比kNN分类算法更胜一筹。
　　3.提出遗传算法与粒子群优化算法混合优化算法，取长补短地将两种算法相结合，将GA的交叉和变异思想引入标准PSO算法，以避免PSO算法得到的解过早收敛导致陷入局部最优解。算法得到的七个最优解作为样本特征的权重，与样本特征相乘得到加权kNN算法的输入数据。之后使用三折交叉验证的方法对数据进行训练，以保证数据集的分类效果。最后用分类准确率作为标准对实验的好坏进行判断。实验比较发现，本文的基于遗传算法与粒子群算法混合优化加权K最近邻算法(WE-W-kNN-GA_PSO)分类效果最佳，对于实验数据集当中的数据进行了测试，分类准确率达到了96.97％。在今后，我将会为SPBD的研究做出更大努力。

目录

声明

摘要

缩略用语表

第1章绪论

1．1论文研究背景与意义

1．2智能病脑检测国内外现状

1．3本文的主要内容

1．4论文结构及安排

第2章大脑MRI的特征提取

2．1脑影像数据集

2．2数据增强

2．3图像特征提取的方法

2．3．1离散小波变换

2．3．2小波熵

2．4本章小结

第3章图像分类算法

3．1图像分类算法的基本原理

3．1．1图像分类算法概述

3．1．2常见的分类算法

3．2 K最近邻算法

3．2．1 K最近邻算法介绍

3．2．2 K最近邻算法基本流程

3．2．3 K最近邻算法的发展

3．3加权K最近邻算法

3．3．1加权K最近邻算法介绍

3．3．2加权K最近邻算法最近发展

3．4本章小结

第4章对分类算法的优化

4．1遗传算法介绍

4．1．1遗传算法简介

4．1．2遗传算法流程

4．2粒子群优化算法介绍

4．2．1标准粒子群优化算法

4．2．2标准粒子群优化算法流程

4．3基于遗传算法与粒子群优化混合算法(GA_PSO)的参数寻优

4．3．1遗传算法与粒子群优化混合算法的基本原理

4．3．2 GA_PSO算法的基本流程

4．4本章小结

第5章实验过程与结果分析

5．1实验的基本流程

5．2实验的Matlab实现

5．3算法比较的衡量指标

5．4实验结果对比分析

5．5算法实测

5．6本章小结

第6章总结与展望

6．1全文总结

6．2未来展望

参考文献

攻读硕士学位期间发表论文和参与基金项目

致谢