基于支持向量機的醫(yī)學(xué)圖像處理.pdf

1、支持向量機(SVM)是Vapnik及其研究小組提出的一種全新的模式識別技術(shù),其思想是建立在統(tǒng)計學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風險最小化原理基礎(chǔ)上的,在小樣本、非線性及高維特征空間中具有較好的推廣能力。由于其完備的理論基礎(chǔ)和良好的實驗結(jié)果,支持向量機日漸引起研究人員的重視。 醫(yī)學(xué)圖像分割和配準是醫(yī)學(xué)圖像處理中兩個重要而困難的課題,使用支持向量機進行醫(yī)學(xué)圖像處理,無論在理論上還是在實際應(yīng)用上都有重大的意義。本文結(jié)合醫(yī)學(xué)圖像的特點,主要進

2、行了以下兩個方面的研究： (1)基于最小二乘支持向量機的醫(yī)學(xué)圖像分割研究本文結(jié)合醫(yī)學(xué)圖像中目標具有分散性的特點,借助最小二乘支持向量機(LS-SVM)良好的分類性能,以及其在小樣本、非線性及高維特征空間中所具有的較好的推廣能力,將LS-SVM應(yīng)用于醫(yī)學(xué)圖像分割。采用磁共振腦圖像MRI數(shù)據(jù)進行了腦組織分割實驗,對于訓(xùn)練樣本的選取,圖像特征的提取以及核函數(shù)及其參數(shù)對分類結(jié)果的影響等問題進行了討論。并和模糊C均值方法(FCM)的分割效

3、果進行了比較。實驗結(jié)果表明：對目標邊界模糊、目標灰度不均勻及目標不連續(xù)等情況下的圖像(如醫(yī)學(xué)圖像)分割,在時間代價、分類精度等方面,LS-SVM比FCM方法有更好的分類性能。 (2)基于最小二乘支持向量機的醫(yī)學(xué)圖像配準研究文中提出了基于LS-SVM的圖像配準方法,在已知控制點對的前提下,利用LS-SVM的回歸性能估計變換模型,然后利用該模型對待配準圖像進行幾何變換,并考慮插值問題,從而實現(xiàn)圖像的配準。采用磁共振腦圖像MRI數(shù)據(jù)進