首页 > 文献资料
-
基于主成份分析和支持向量机的MRI图像多目标分割
在MRI图像中,颅内各组织的边界极其复杂且不规则,这对传统的分割算法提出严峻的挑战.主成份分析(PCA)可达到降维和消除冗余信息的目的,为使支持向量机(SVM)准备的样本空间更为紧凑、合理.本研究采用PCA将图像的57维特征向量处理后,研究多分类SVM对MRI图像进行多目标分割,成功提取颅内各组织不规则边界.理论和实验表明,基于PCA和SVM相结合的分割性能优于仅采用SVM的分割性能.
-
基于异方差混合转移分布模型和支持向量机的脑电分类研究
为解决线性分析和单一非线性动力学指标方法无法准确描述脑电信号的问题,本研究提出基于异方差混合转移分布模型脑电特征提取方法.首先对采集到的脑电信号依据条件期望大化(ECM)算法建立异方差混合转移分布模型,求得模型条件方差序列的均值及方差作为脑电信号的特征,将得到的脑电信号特征采用支持向量机进行分类.通过对6个人的正常脑电信号和带有眼电伪迹脑电信号进行分类仿真实验,其结果表明该方法能很好地拟合出脑电信号,且分类精确度能达到99.166 7％,说明此方法可有效提取脑电特征并准确识别出眼电伪迹.
-
基于微弱目标-背景合成技术的微钙化点检测
针对目前医学影象中微钙化点微弱目标检测与识别技术缺乏环境自适应的不足,提出了医学影象微弱目标-背景合成技术解决机器学习过程中模型的复杂背景适应性问题.首先利用医学微弱目标检测算法结合专家知识提取真实目标,然后利用背景复杂度感知模型实现背景复杂度分析;后利用镶嵌技术将目标与背景进行有机合成,建立各种复杂度背景下的训练样本学习数据库.可拒识-双层支持向量机分类器仿真实验结果表明:利用该数据库建立的可拒识-双层支持向量学习分类器不但具有稳健的环境适应能力,而且该方法较好的解决了医学微钙化点目标识别正样本不足的问题.
-
基于支持向量机的足月胎儿体重预测新方法
支持向量机回归估计的性能往往依赖于核函数及其参数、不敏感系数和惩罚因子的确定.支持向量机中参数的确定是一个较为困难的问题,以往通常采用交叉验证的方法确定参数.本研究提出了自适应参数调整支持向量回归估计方法(A-SVM),给出了自适应参数调整算法.并已成功地应用于足月胎儿体重的建模,且经与径向基网-偏小二乘回归方法(RBFN-PLSR)建立的模型比较,A-SVM方法拟合精度和预测能力均比RBFN-PLSR方法好.
-
基于脑电信号的睡眠分期算法研究
睡眠质量与人类健康息息相关,准确的睡眠质量监测对于帮助人们改善睡眠质量能够起到有效的监督作用.以MIT-BIH多导睡眠数据库slp01、slp02和slp04等3个样本的脑电信号为分析对象,采用sym7小波对其进行7层分解以去除高频细节信号,得到较为纯净的脑电信号.然后通过非线性符号动力学分析,去趋势波动分析以及频谱分析,分别提取符号熵指数,去趋势波动指数以及δ频带能量比等3个参数,对每个样本采用Kennard-Stone方法按照4:1的比例建立校正集样本和预测集样本,并结合小二乘支持向量机分类器进行样本训练拟合与分类识别.结果表明,3个特征参数与睡眠状态具有高度相关性,相关系数绝对值均高于0.83,并且确定了符号熵参数的嵌入维数为4,延迟常数为1,去趋势波动指数的分段区间为30 ～500,平均的睡眠分期正确率可达92.87％,比基于复杂度、近似熵等算法的分类正确率提高约5％.
-
基于小波分解和支持向量机的P300识别算法
针对支持向量机方法在P300识别中训练和识别速度相对较慢的不足,本研究提出了一种将小波分解与支持向量机相结合的P300识别方法.该方法通过小波分解实现脑电信号的特征提取,同时利用Span估计方法实现支持向量机优参数的快速选择;然后借助支持向量机良好的分类性能实现P300的识别.本研究在BCICompetition 2003的P300实验数据集上对该方法进行了验证,结果表明,与传统支持向量机算法相比,本算法具有更高的训练和识别速度,并且在5次重复实验时达到了100%的识别准确率.
-
利用基于内容的图像检索技术的眼底图像计算机辅助诊断系统
设计并实现一个眼底图像计算机辅助诊断系统.利用基于内容的图像检索(CBIR)技术,提出一种综合考虑眼底图像颜色(灰度)直方图和明、暗区域等局部信息相混合来表示眼底特征的方法,并运用二维主成分分析法进一步提取非线性特征和降维.在相似性度量上,运用支持向量机和近邻分类算法.随机测试120个样本,系统检索错误的图片数为2张,其正确识别率为98.33％.该系统可用于异常眼底的筛查.
-
决策树特征基因选择方法对SVM有效性的研究
基因芯片新兴生物技术为从分子水平上研究疾病的发病机理和临床疾病诊断提供了强有力的手段.其中特征基因选择是疾病模式识别诊断重要的一个环节,但不同的特征基因选择方法往往影响疾病模式分类方法的效能.本研究针对这一问题,结合结肠癌基因表达谱数据分析,研究了递归决策树特征基因选择集成方法EFST,对支持向量机(SVM)模式分类器能力的影响.主要从特征基因选择前后分类器的性能、支持向量的吻合度、错分样本标识的吻合度、对样本均匀翻倍模式分类器的稳定性的影响等四个方面研究EFST特征选择算法对支持向量机模式分类方法的影响,同时考察了支持向量机模式分类器的泛化能力.结果表明:基于决策树特征基因选择算法EFST明显地提高了支持向量机模式分类的效能,且支持向量机模式分类器具有很强的泛化能力.
-
急性白血病的基因表达谱分析与亚型分类特征的鉴别
本研究基于生物信息学理论,运用模式识别方法和计算技术,对急性白血病的基因表达谱数据进行分析,研究急性白血病的亚型识别与分类信息基因选取问题.首先去除无关基因,然后利用浮动顺序搜索算法搜索特征空间生成候选特征子集,后以支持向量机作为分类器进行急性白血病的亚型识别,并以误识率为依据鉴别出了5个包含完整分类信息的基因.实验结果表明,本研究鉴别出的5个信息基因能以100%的正确率准确识别急性白血病亚型.
-
基于拉曼光谱与支持向量机技术的口腔黏膜鳞状细胞癌的诊断研究
目的 应用拉曼光谱及支持向量机技术鉴别诊断口腔黏膜鳞状细胞癌,为拉曼光谱技术的临床应用提供理论基础.方法 收集手术切除口腔黏膜鳞状细胞癌组织56例、上皮重度异常增生组织50例及正常口腔黏膜组织32例,应用拉曼光谱仪进行检测,获取不同组织的特征拉曼光谱.比较不同组织间拉曼光谱谱峰差异,并应用支持向量机技术对光谱数据进行分析,建立鉴别诊断模型.结果 口腔黏膜不同组织间拉曼光谱差异主要集中在640、713、957、1 002、1 077、1 306、1 445和1 653 cm-1等处,主要反映组织中蛋白质、核酸及脂类等生物大分子变化.支持向量机建立鉴别诊断模型的诊断准确率达94.3％～100.0％.结论 口腔黏膜鳞状细胞癌组织、上皮重度异常增生组织及正常口腔黏膜组织间拉曼光谱存在差异,应用支持向量机建立诊断模型可以很好地鉴别诊断不同组织的光谱数据.
-
颈椎病慢性疼痛患者的默认网络研究
目的：研究颈椎病慢性疼痛患者静息态默认网络的变化。方法健康人8名，患者10例行功能磁共振成像检查。采用独立成分分析分离基于皮层的默认网络，采用基于支持向量机分类方法找出区别正常组和患者组的成分脑区。结果慢性疼痛患者默认网络多个脑区连接强度均与对照组有差异。结论颈椎病慢性疼痛患者的默认网络连接强度与正常人不同，可能与疼痛患者的感知觉加工、情绪和记忆功能变化相关。
-
粗糙集和支持向量机应用于帕金森病辅助诊断
目的 研究基于粗糙集和支持向量机辅助诊断帕金森病的可行性.方法 利用粗糙集理论中基于属性重要度的约简算法,对临床诊断帕金森病的常用特征进行约简,再分别用基于线性、多项式和径向基(RBF)核函数的支持向量机实现分类,与传统BP神经网络分类结果比较.结果 属性约简与支持向量机结合的算法预测准确率为92.71%,比传统BP神经网络算法在准确率和稳定性方面都有优势.结论 粗糙集和支持向量机结合的方法可以提高分类的准确率,节省资源,是临床上辅助诊断帕金森病的一个有效手段.
-
基于前列腺影像报告和数据系统第2版的机器学习模型诊断高级别前列腺癌
目的 建立基于前列腺影像报告和数据系统第2版(PI-RADS v2)的支持向量机(SVM)、决策树(DT)和Logistic回归3种机器学习模型,评价上述模型对高级别前列腺癌的诊断价值.方法 回顾性分析于我院接受前列腺多参数MR扫描并取得病理结果的194例患者的资料,其中高级别癌63例,非高级别癌131例.将评价因素(PI-RADS v2评分、年龄、游离前列腺特异抗原、前列腺特异性抗原比值、前列腺特异抗原密度)录入SVM、DT和Logistic回归3种机器学习模型进行诊断,通过ROC曲线评价PI-RADS v2评分和3种机器学习模型诊断高级别前列腺癌的价值.结果 PI-RADS v2、SVM、DT和Logistic回归模型诊断高级别前列腺癌的敏感度分别为72.73％、69.09％、87.27％和70.91％;特异度分别为87.29％、93.22％、93.22％和95.76％.DT模型诊断高级别前列腺癌ROC的AUC(AUC=0.90,P＜0.01)大,且与PI-RADS v2评分、SVM、Logistic回归比较差异均有统计学意义(P均＜0.05).结论 PI-RADS v2评分、SVM、DT和Logistic回归模型诊断高级别前列腺癌的价值均较好.
关键词： 前列腺肿瘤 支持向量机 决策树 Logistic模型 -
基于MR图像三维纹理特征的阿尔茨海默病和轻度认知障碍的分类
目的 利用三维纹理特征对阿尔茨海默病(AD)患者和轻度认知障碍(MCI)患者进行分类识别,以探索AD早期诊断新途径.方法 对12例早期AD患者(AD组)、12例MCI患者(MCI组)及12名健康对照者(NC组)的MR图像进行三维纹理分析,采用灰度共生矩阵和游程长矩阵提取每位受试者左、右侧海马结构及胼胝体的三维纹理特征,选取三组间存在显著性差异的纹理参数作为特征变量,采用支持向量机(SVM)方法对各组进行分类,利用留一法估算分类准确率.结果 对NC组与MCI组、MCI组与AD组、NC组与AD组进行分类识别的高准确率分别为79.17%、83.33%、91.67%.结论 利用三维纹理分析可分类识别早期AD患者及MCI患者,有助于AD的早期诊断.
-
基于非下采样双树复轮廓波变换的小波纹理特征识别肺良恶性结节CT图像
目的 观察基于非下采样双树复轮廓波变换(NSDTCT)的小波纹理特征在识别肺良恶性结节CT图像中的应用价值.方法 从肺结节患者的CT图像中分别提取基于NSDTCT和基于Contourlet变换的小波纹理参数,对高维纹理参数采用单因素分析、Lasso回归等方法进行降维.对降维后的纹理参数分别构建诊断良恶性肺结节的支持向量机分类诊断模型,绘制ROC曲线,比较2种方法的诊断效能.结果 采用NSDTCT方法,基于经Lasso降维且自变量数目较少的纹理参数构建的诊断模型分类效果好,判断良恶性肺结节的准确率为98.37％,AUC为1.00;采用Contourlet变换方法,基于全部提取纹理参数构建的模型分类效果好,诊断准确率为56.05％,AUC为0.73;2个模型的ROC曲线的AUC差异有统计学意义(Z=6.430,P＜0.001).结论 基于NSDTCT的纹理分析方法对判断良恶性肺结节的准确性较高.
关键词： 非下采样双树复轮廓波变换 肺肿瘤 支持向量机 体层摄影术 X线计算机 -
基于分形特征序列的乳腺X线图像分类方法
目的 表征乳腺图像中肿块部分纹理特征,通过纹理分析实现乳腺图像中肿块部分与正常腺体部分的分类.方法 应用分形特征值表征乳腺图像纹理特征,利用多级分形特征提取法将乳腺图像分解成一系列细节图像,提取出多个分形特征值；利用分类精度、ROC曲线及曲线下面积(AUC)进行特征选择构建分形特征序列,后应用支持向量机(SVM)方法进行分类.结果 对60幅图像的可疑病变区域进行分形特征序列提取分析,SVM交叉验证分类精度达84.50％.结论 基于分形维数的乳腺图像分类方法不仅能对肿块与正常腺体进行图像分类,还可有效表征乳腺图像的纹理信息,有助于提高乳腺肿块诊断的准确率.
-
基于SVM的脑功能分类与识别方法研究
目的 探讨SVM分类器用于脑功能识别的可行性、有效性与优越性,为脑电信号处理及功能识别提供一种新的途径和参考.方法 对400组实测的正常人在睁眼和闭眼两种状态下的脑电信号,选取四种核函数分别构造四种SVM分类器对上述两种状态下的脑功能进行分类识别,从不同角度深入分析和比较讨论了由四种核函数构造的SVM分类器性能,并提出了脑电信号特征参数从低维到高维的组合变换新方法.结果 由RBF核函数构造的SVM分类器为适合脑功能的分类识别,正识率高可达96%.结论 支持向量机的方法用于脑电信号处理及功能模式识别是可行的、有效的、并初步表现出了优越的性能.
-
基于超声图像处理的HIFU所致组织损伤自动检测方法:实验研究
目的 探讨基于超声图像处理的HIFU所致组织损伤的自动检测方法.方法 针对HIFU辐照后新鲜离体猪肉声像图中的ROI,通过搜索灰度极大区域自动定位图像中的所有亮斑,结合数学形态学、连通域标记和Canny边缘检测算法提取测试对象的边缘轮廓;根据亮斑中心至边缘轮廓的欧式距离去除边缘附近的亮斑噪声,获取HIFU损伤候选区;而后提取候选区特征参数,并结合支持向量机(SVM)识别HIFU损伤.结果 大灰度值和矩形度两个特征参数的识别率分别为86.25％和93.33％.选用识别率更高的矩形度,可正确识别单处、多处HIFU损伤或无HIFU损伤的图像.结论 采用此法可直接分析HIFU辐照后超声声像图而自动检测HIFU损伤,无需依靠图像配准技术,可减少手动定位带来的误差.
关键词： 高强度聚焦超声消融术 矩形度 自动检测 支持向量机 体外 -
基于支持向量机的甲状腺结节能谱研究
支持向量机（SVM）是一种基于统计学习中VC维理论结构和风险小化理论的机器学习方法。本文对甲状腺结节临床病例的宝石能谱CT平扫数据进行分析，同时建立SVM的能谱平扫数据的诊断模型，并对实验指标进行约简，采用SVM预测分析。本文提出的诊断模型和实验方法能够为临床诊断甲状腺结节提供指导。
-
LIBSVM在急性髓细胞白血病流式细胞术残留病灶分析中的应用
目的：探讨利用支持向量机软件LIBSVM辅助流式细胞术，实现急性髓细胞白血病微小残留病灶（MRD）的自动化、客观化、标准化。方法从2010至2012年的流式数据库中选取36名急性髓细胞白血病患者，共计159例次MRD检测结果，分别导出其初发免疫分型和各次MRD复查的数据。以健康人骨髓数据和患者初发免疫分型数据为训练对象，利用LIBSVM优化参数并建立其对应的特异性预测模型，并与手工分析的MRD数据进行统计学比较。结果LIBSVM建立并优化了患者个体特异性的预测模型，基于此模型的MRD自动化分析结果与经验丰富的流式专业人员手工分析结果相似，相关性强。结论 LIBSVM结合流式细胞术有助于实现MRD分析的自动化、客观化和标准化。
