核支持向量机在磁共振脑图像分类中的应用研究

摘要

本文首先阐述了磁共振(MR)脑图像分类诊断的历史及发展现状，在此基础上提出了将核支持向量机（SVM）与MR脑图像早期诊断相结合的新思路，将模式识别应用到实际图像分类中。SVM具有很好的归纳容错能力，能够找到全局最优解，在解决图像分类与模式识别问题中体现出许多优势。在实际应用中，如何选取核参数与惩罚系数对分类结果很重要，只有选取合适的参数，才能得到具有良好推广能力的SVM分类器。本文对MR脑图像进行特征提取，并对部分特征进行组合，使得能够利用少量特征就能对MR脑图像进行高准确率分类，首先对比了MR脑图像在多项式(Polynomial)核函数、线性函数、径向基核函数(RBF)下生成结果的不同，又采用三种优化方法:网格搜索法、用遗传算法(GA)和粒子群优化(PSO)对SVM两个参数c与σ进行优化，将三种优化算法应用于MR脑图像数据集的分类中，比较三种优化算法的性能，又运用PSO-SVM方法比较不同数据集下分类器的性能，最后与机器学习与数据挖掘中的部分分类方法进行比较，包括KNN算法、KM算法、模糊神经网络算法、线性判别分析法。
　　本研究以MR脑图像中提取出的小波能量（Wavelet Energy）和小波熵（WaveletEntropy）的联合特征（简称WEWE）为基础，将部分特征进行组合，寻找最优分类且特征数目最少的特征组合，然后将125例病例样本随机分为训练集和测试集，用归一化后的数据用来训练SVM网络。通过分类准确率与选取经验，采用RBF核函数，再使用网格搜索法选择合适的惩罚参数c和核参数σ，用测试集测试该网络区分正常MR脑图像和非正常MR脑图像的能力，之后再分别用GA和PSO对参数进行优化，在交叉验证的条件下实现对各种方法的参数选择，将PSO-SVM寻找到最佳参数建立的分类模型与随机选择参数建立的模型进行对比，最后将各种分类方法的结果进行对比，其中包括机器学习中的KNN算法、KM算法与模糊神经网络算法，探寻分类效果最好的方法。通过测试集输出结果对比，发现利用WEWE，结合粒子群优化算法优化后的SVM（简称PSO-SVM）的分类效果最好，达到99.68％。然后，用PSO-SVM与BP神经网络、KNN分类算法等相比，PSO-SVM的分类效果是最好的，能对SVM的参数进行快速、精确的选择且操作简单，有很好的泛化能力，使SVM具有更高的分类准确率。因此，PSO优化SVM网络更适用于MRI影像疾病的诊断，值得进一步探索与研究。

目录

声明

摘要

缩略用语表

第1章 绪论

1．1 研究背景及意义

1．2 MR脑图像诊断的国内外现状

第2章 MR脑图像特征提取

2．1 MR脑图像诊断材料

2．2 小波变换与二维离散小波变换

2．3 小波能量与小波熵

2．3．1 特征选择

2．3．2 探寻最优分解层次

2．3．3 特征组合的可视化

2．4 数据的预处理

第3章 基于网格搜索方法的SVM参数寻优

3．1 支持向量机的理论基础

3．1．1 SVM算法简介

3．1．2 SVM算法的原理

3．1．3 SVM算法的特点

3．2 核函数与实验平台

3．2．1 核函数

3．2．2 实验平台

3．3 交叉验证与网格划分参数寻优

3．4 算法的衡量指标

3．5 实验结果分析

第4章 基于遗传算法与粒子群优化算法的SVM参数寻优

4．1 遗传算法的参数寻优

4．1．1 遗传算法简介

4．1．2 遗传算法的特点

4．1．3 遗传算法的寻优流程图

4．1．4 matlab实现遗传算法的参数寻优

4．2 粒子群实现参数寻优

4．2．1 粒子群算法简介

4．2．2 粒子群寻优流程图

4．2．3 粒子群寻优伪码步骤

4．2．4 matlab实现粒子群参数寻优

4．3 实验结果

4．3．1 分类正确性比较

4．3．2 随机参数选择分类结果比较

4．3．3 改变数据量的分类结果比较

4．4 粒子群优化方法与其他算法比较

4．4．1 反向传播神经网络

4．4．2 线性判别分析法

4．4．3 KNN算法

4．4．4 KM方法

4．5 几种算法实验结果比较

4．6 本章小结

第5章 总结与展望

5．1 总结

5．2 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