首页 > 文献资料
-
基于支持向量机的肝纤维化CT图像分类
基于统计学习理论中结构风险小化原则的支持向量机是易于小样本的机器学习方法.本文使用支持向量机和二叉树的方法对肝纤维化CT图像进行分类,并与k近邻法和BP神经网络等其它算法进行比较,结果显示对于肝纤维化图像,支持向量机的分类效果和鲁棒性要高于其他两种算法.
-
蛋白亚细胞定位的预测方法研究
预测蛋白质的亚细胞定位信息对于了解其功能有重要的意义.选择氨基酸组成、氨基酸对组成、位置特异性打分矩阵三种分类特征以及模糊k近邻、支持向量机两种预测方法,分别进行了测试.对预测结果的分析显示,位置特异性打分矩阵可以提高对不同亚细胞器的可区分性;而支持向量机可以更好地利用位置特刎异性打分矩阵特征进行预测.使用氨基酸组成和位置特异性打分矩阵两种特征,并结合支持向量机,是一种有效的亚细胞定位预测方法.
-
基于点袋理论的肝脏CT图像分析
当前医学CT图像的病理识别过多地依靠医生经验,为了将机器辅助诊断引入病理识别中,本文采用点袋理论对肝癌和正常肝脏的CT图像进行分析研究.从100张CT图像中挑选出40张具有特征的CT图像,预处理后,先利用尺度不变特征变换(scale invariant feature,SIFT)描述CT图像特征点,再经过k均值(k-means)聚类,后使用支持向量机(support vector machine,SVM)机器学习算法实现CT图像的识别和分类.实验结果表明,当采用Gaussian 径向基(RBF)核运算时识别可取得85%的正确率.该研究说明点袋法有较好的分类效果和较好的发展空间.
-
支持向量机在医学图像分割中的应用
脑组织图像分割在医学图像分析中具有重要的意义.支持向量机是近些年机器学习领域发展起来的新的研究热点,在小样本、高维情况下,具有较好的泛化性能.本文采用支持向量机方法对磁共振脑组织图像进行分割研究.实验结果表明:适当选择核函数及模型参数对支持向量机的分割性能有较大的影响,本文提出的支持向量机方法在脑图像分割应用是有效的.
-
恶性肿瘤相关改变检测方法的研究
恶性肿瘤相关改变(malignance associated changes,MAC)可以作为癌症的指示集,通过检测MAC可以判断肿瘤患者的属性.由于MAC现象比较复杂,因此传统的检测方法效果不是很理想.针对MAC检测的特点,本文引入一种新的模式识别方法--支持向量机作为MAC检测方法.通过对不同病人的胸水样本细胞的恶性肿瘤相关改变的实验研究验证,支持向量机方法对MAC的检测有较高的识别率.
-
基于改进的模糊C-均值聚类算法及支持向量机的眼底图像中硬性渗出检测方法
目的 提出一种基于改进的模糊C-均值(improved fuzzy C-means,IFCM)聚类算法及支持向量机(support vector machine,SVM)的检测算法,以实现对眼底图像中硬性渗出的自动识别.方法 首先利用改进的FCM算法对由江苏省中医院眼科提供的120幅彩色眼底图像进行粗分割以获取硬性渗出候选区域;其次,利用Logistic回归对候选区域提取出的特征进行选择,并利用候选区域的优化特征集及相应判定结果建立SVM分类器,实现眼底图像中硬性渗出的自动检测;后利用该方法对65幅眼底图像进行硬性渗出自动检测.结果 硬性渗出自动检测得到的病灶区域水平灵敏度96.47%,阳性预测值90.13%;图像水平灵敏度100%,特异性95.00%,准确率98.46%;平均一幅图像处理时间4.56 s.结论 利用改进的FCM算法与识别率较高的SVM分类器相结合的方法能够高效自动地识别出眼底图像中的硬性渗出.
-
基于支持向量机的乳腺癌预后状态预测和疗效评估
乳腺癌是危害妇女健康的主要恶性肿瘤.目前基因与疾病关系的研究取得了一系列的成果,使得利用乳腺癌患者的基因信息来预测预后状态和评估治疗效果成为了可能.支持向量机(support vector machine,SVM)分类方法在实际二类分类问题的应用中显示出良好的学习和泛化能力,已被广泛地应用于诸多研究领域.本文采用支持向量机SVM、K-近邻法(K-nearest neighbor,K-NN)、概率神经网络(probabilistic neural network,PNN)、决策树(decision tree,DT)分类器,结合乳腺癌患者基因数据来预测患者的预后状态和评估治疗效果.结果表明:当使用高斯径向基核函数时,SVM通过5次交叉验证的佳平均分类准确率达到了88.44%,优于K-NN(81.69%)、PNN(80.68%)和DT(71.19%)等分类器,表明该方法有望成为一种有效、实用的乳腺癌预后状态预测和治疗效果客观评价的工具.
-
基于支持向量机的二维人眼位置信息提取
眼电图(electrooculogram,EOG)是一种常用的眼球运动记录技术,但一直缺乏从EOG扫视信号中提取二维人眼位置信息的有效方法.本文提出了利用支持向量机对二维人眼位置信息进行提取的新方法,建立了相应的模型.研究结果表明,基于支持向量机的提取方法是准确、有效的,构筑EOG-SVR系统是可行的.
-
基于次生特征提取方法预测蛋白质同源寡聚体
寡聚蛋白质相对于单体蛋白质具有许多优势,广泛地参与多种生命活动.本文提出次生特征提取方法 , 使用支持向量机作为分类器, 采用" 一对一"的多类分类策略, 基于蛋白质一级序列提取特征方法 ,对四类同源寡聚体进行分类研究.结果 表明, 在Jackknife检验下, 基于次生特征和氨基酸组成成分特征构成的特征集, 加权情况下,其总分类精度高达到了78.41%, 比氨基酸组成成分特征提高13.09%,比参考文献好特征集BG提高了6.86%,比好原生特征集CM1提高了5.53%.此结果 说明次生特征提取方法 对于蛋白质同源寡聚体分类是一种非常有效的特征提取方法 .
-
表面肌电的支持向量机分类
支持向量机(SVM)是一种新的机器学习机制.研究了基于支持向量机的控制假手表面肌电识别方法和性能,并与反向传播(BP)神经网络分类器进行了比较.分类的六种手腕部动作分别是腕内旋、腕外旋、展拳、握拳、肘部外旋、肘部内旋.利用"一对一"的分类策略和二叉树构造多类SVM分类器.核函数分别采用多项式和径向基函数.实验结果表明SVM可以有效地对表面动作肌电进行分类,SVM分类准确率普遍优于传统的BP神经网络,且具有良好的泛化推广能力.不同的核函数对分类准确率影响较小.
-
基于PET/CT图像纹理参数的肺结节诊断模型
目的 基于PET/CT融合图像纹理参数建立肺结节良恶性诊断模型,提高肺癌的识别率. 方法 选取宣武医院核医学科经PET/CT检查的52例肺结节患者,收集其PET/CT影像图像及人口学、影像学信息.以Contourlet变换和灰度共生矩阵相结合的方式,对PET/CT图像的感兴趣区域提取纹理参数.基于所提取的纹理参数建立支持向量机模型,得到每个肺结节良恶性判别结果.为了提高模型的诊断效果,将结节边缘、大摄取值、有晕征等影像学信息也纳入模型,重新建立支持向量机模型.通过灵敏度、特异度、正确率等指标对模型诊断效果进行评价.结果 纹理参数肺结节诊断模型的灵敏度、特异度分别为90.7%、93.5%,纹理参数结合影像学信息的肺结节诊断模型的灵敏度、特异度分别为95.7%、100.0%.结论 基于PET/CT图像纹理参数建立的支持向量机模型对良恶性肺结节具有较好的鉴别诊断效果.
-
基于 SVM 的便携式睡眠监测系统设计
目的：睡眠监测是睡眠质量分析中重要的环节，但目前的睡眠监测系统复杂而且难以携带。本文提出基于支持向量机的便携式睡眠监测系统，以方便地实时监控睡眠。方法该系统硬件部分由服务器和用户端设备构成，其中用户端设备负责数据采集和数据传输，服务器端负责数据分析及相关的资源管理。睡眠分析软件采用支持向量机（ support vector machines ， SVM）作为分析算法，在提取特征值的基础上，以有向无环图作为多分类策略分析得到睡眠的时相。结果对于患者的睡眠脑电实验表明分析正确率高，所需的分析时间短。结论该系统用户端设备体积小，方便携带，分析正确率高，实时性好，在睡眠监测领域具有良好的应用前景。
-
基于小波包能量分析的肌肉疲劳识别方法
目的 由于肌肉疲劳常与肌肉骨骼的功能失调有关,肌电信号可以反映肌肉作用力的信息,因此本文研究了一种利用某些频带上的能量特征,识别大自主握力(maximum volunteer contraction,MVC)和疲劳状态下肌电信号的方法.方法 实验记录10名年轻男子右上肢主动收缩时的表面肌电信号,并对表面肌电进行小波包变换得到第3层和第4层各节点的分解系数,由此计算各节点相应频段能量并且归一化后作为特征向量,后将特征向量分别通过BP神经网络和支持向量机两种分类器完成识别.结果 用3块前臂肌肉的表面肌电信号,通过4层小波包变换和BP神经网络的分类器对疲劳和大自主握力状态的识别效果好,利用7倍交叉检验方法得到87.5％的正确率.结论 基于小波包能量分析的肌肉疲劳识别方法可有效检测肌肉收缩的不同状态.
-
基于小波分析和灰度纹理特征的乳腺X线图像微钙化点区域的提取
目的：乳腺癌的早期发现对患者意义重大。为帮助医生进行乳腺癌的早期检查和诊断，本文提出利用小波分析与图像纹理特征提取相结合的方法来提取乳腺X线图像微钙化点区域，在提高检查准确性的同时避免漏检误检。方法首先利用灰度共生矩阵所提取的能量、熵、对比度、相关性以及小波分解后得到的各层高频系数的方差、能量作为图像的特征向量，然后利用支持向量机进行训练建立优分类模型。后利用建立的优分类模型实现乳腺X线图像微钙化点区域的提取并利用检出率和误检率对结果进行评估。结果使用临床数据进行验证，结果表明利用小波分析与图像纹理特征提取相结合的方法能有效提取乳腺图像中的微钙化点区域。结论基于小波分析和灰度纹理特征的乳腺X线图像微钙化点区域的提取方法比单一的图像纹理特征提取或小波分析等方法，提取的效果更好。另外，该方法设计简单，更易于实现乳腺癌的自动化诊断。
-
重症监护室患者病情预测方法研究进展
重症监护室(intensive care unit,ICU)患者病情预测对帮助医生制定医疗方案、 配置医疗资源、 评估医疗效果具有重要意义.本文从临床和机器学习两个领域介绍了国内外ICU患者病情预测方法的研究和应用进展,主要包括急性生理和慢性健康状况评分(acute physiology and chronic health evaluation,APACHE)、 简明急性生理功能评分(simplified acute physiology score,SAPS)、 逻辑回归、 贝叶斯、 人工神经网络、 支持向量机(support vector machine,SVM)和Adaboost等方法,分析了各种方法的预测模型、 预测结果和不足,并对ICU患者病情预测方法的未来发展趋势进行展望.
关键词： 重症监护室 病情 预测 急性生理和慢性健康状况评分 支持向量机 -
一种基于MRI数据库的阿尔茨海默病进程数理模型预测方法
目的：用支持向量机（SVM）模型方法基于脑核磁共振成像（MRI）影像学数据对阿尔茨海默病（AD）的不同进程进行预测分析。方法美国ADNI数据库中543个研究对象的271项MRI数据，以及简易智力状态检查（MMSE）量表得分、年龄、性别和受教育程度作为研究指标，提取出有用的特征量并结合SVM模型方法构建综合预测模型，用有组间差异的特征指标实现疾病的分类预测。结果基于SVM综合模型方法用54项有组间差异的特征指标预测不同进程AD的准确性为97.53%。结论本研究构建的SVM预测模型结合与疾病密切相关的指标特征可以获得精确的预测结果，为临床和基础研究，为疾病的病因探讨和病理改变，以及区域改变的准确定位等提供准确的依据。本模型方法可推广到其他疾病进程的分类预测中。
-
基于系统生物学途径探究人体疼痛产生的分子机制
目的 从系统生物学层面探讨导致人体疼痛的分子机制.方法 利用支持向量机(SVM)技术,构建疼痛相关蛋白相互作用(PPI)网络,结合Gene Ontology注释信息和KEGG数据库的通路信息,推断导致人体疼痛的分子通路.结果 疼痛信号网络主要涉及7条信号通路,包括MAPK信号通路、长时程抑制(LTD)、长时程增强(LTP)通路等；其中,Ca2+及Ras、PLCγ、PLCβ、PKA、IP3、CaM和PKC等蛋白分别在多个疼痛通路级联中发挥关键作用.结论 中枢致敏现象在长时程抑制慢性疼痛的发病机制中起关键作用.
-
本期提示
工程学日新月异的发展对医学影像学尤其是MRI的进展起了极大的促进作用。动态对比增强MRI （DCE?MRI）因其可以多时相扫描，产生连续动态的图像，获得一系列半定量及定量参数，近年来逐渐成为国际研究的“香饽饽”。DCE?MRI能运用快速MRI序列连续采集静脉注射对比剂前、中、后的图像，显示对比剂进入靶器官或组织血管通过毛细血管床并终被清除过程中的信息。其信号增强的程度反映了器官或组织的物理及生理特性，包括组织灌注、毛细血管表面积、毛细血管通透性、血管外?细胞外间隙等特性，分析内容广度远胜于只反映固定时间点增强的普通对比增强MRI。支持向量机（SVM）是Corinna Cortes和Vapnik等于1995年首先提出的，由于MRI图像存在一定程度的噪声，医护人员有必要对原始MRI图像进行预处理，机器学习处理就是其中引人关注的新方法。但对于有限样本，传统模式具有一定的局限性，而SVM却可以在小样本，高维特征的情况下大限度提高数据预报的可靠性，因此对于脑图像分割实验的特征提取的应用有着不错的前景。
-
基于支持向量机的肾综合征出血热疫情预测
目的 探讨支持向量机(SVM)在肾综合征出血热(HFRS)发病率预测上的优势及应用前景.方法 首先,利用辽宁省葫芦岛市1984-2006的气象资料(包括平均气压、平均气温、平均降雨量、相对湿度、日照时数、日照百分率)和动物疫情资料(包括鼠密度和鼠带病毒率)共8个指标作为解释变量,所有变量均进行归一化到[0,1]区间,将整个数据集分成训练集和检验集,从数据集中随机抽取1/3个体(舍人取整)组成检验集,其余样本作为训练集.其次,利用软件R 2.60构造HFRS发病率预测的SVM模型,获得误差平方和.后,与基于反馈(BP)和径向基函数(RBF)神经网络模型的预测结果 进行比较.结果 对于训练集,SVM拟合的误差平方和的x±s为(0.031±0.009),而BP和RBF神经网络拟合的误差平方和的.x±s分别为(0.074±0.030)和(0.082±0.018);对于检验集,SVM预测的误差平方和的x±s为(0.067±0.021),而BP和RBF神经网络预测的误差平方和的x±5分别为(0.073±0.022)和(0.089±0.036).结论 SVM作为近年来在统计学理论的基础上发展起来的一种新的模式识别方法 ,在解决小样本、非线性及高维模式识别问题中具有较高的预测精度和较强的泛化能力.该模型对于发病率的预测是可靠的,可以作为HFRS疫情预测的参考方法 .
-
基于k均值聚类和自适应模板匹配的眼底出血点检测方法
眼底出血点是糖尿病视网膜病变的早期症状,准确检测眼底图像中的出血点,对于构建糖尿病视网膜病变的自动筛查系统具有重要意义,本研究提出了一种基于k均值聚类和自适应模板匹配的出血点检测方法.首先利用HSV空间亮度校正以及对比度受限自适应直方图均衡化方法对眼底图像进行预处理,然后使用k均值聚类分割出候选目标,后利用自适应归一化互相关模板匹配与支持向量机(SVM)分类器对候选目标进行筛选,从而得到真正的出血区.采用DIARETDB数据库的219幅眼底图像进行实验,本方法在图像水平的灵敏度为100％,特异性为80％,准确率为92.4％,在病灶水平的灵敏度为89％,阳性预测值为87.3％.结果表明本方法能够实现眼底图像中出血点的自动检测.
