發(fā)布時間：2020-11-20 23:23

　　 在當今時代,腦疾病對人類的健康生活,影響越發(fā)嚴重,這使得及早發(fā)現病情并診斷治療成為當下醫(yī)學研究的重點課題。為了規(guī)避人工閱片,大夫由于疲勞,經驗不足帶來的主觀上的錯誤,計算機輔助診斷技術成為了當今時代醫(yī)學發(fā)展的趨勢,能夠輔助大夫對腦疾病患者進行更好更準確地判斷和治療。本文旨在借助計算機輔助診斷技術對健康腦與病腦進行自動分類。使用醫(yī)學腦部核磁共振圖像,首先采用對比度限制自適應直方圖均衡化算法增強腦圖像使得圖像紋理特征更加明顯,更加凸顯病灶區(qū)域。然后對腦圖像進行小波分解,在此基礎上提取圖像的紋理特征,并與形狀特征相結合對腦圖像進行特征識別。為了加快小波變換的速度,擬用提升哈爾(Harr)小波變換分解腦圖像;通過對提取的多個紋理特征進行比對分類效果,選定峰度用作識別的紋理特征,然后結合圖像形狀特征Hu不變矩作為識別總特征。最后,選擇RBF核支持向量機對腦圖像進行分類,并提出了一種基于網格搜索與和聲搜索聯合優(yōu)化支持向量機參數的方案,得到了較高的分類精度。經五折交叉驗證后,與幾種常用的病腦檢測算法進行了對比實驗,實驗結果表明,本文算法識別率較高。卷積神經網絡可以通過調整卷積層和池化層中的參數來自動提取圖像特征的特性,比傳統(tǒng)機器學習需要人為提取特征更有優(yōu)越性。為了更進一步提高病腦檢測的準確率,本文采用GoogLeNet深度學習網絡進行訓練分類,考慮到腦圖像樣本數目有限,提出了一種基于GoogLeNet與遷移學習的病腦檢測方案,實驗結果表明,較傳統(tǒng)支持向量機分類,深度學習的方法更為有效,分類精度達到了100%。
【學位單位】：長春工業(yè)大學
【學位級別】：碩士
【學位年份】：2020
【中圖分類】：R742;R445.2;TP391.41
【部分圖文】：

第2章醫(yī)學圖像處理技術12由此類推，在空間維數更多的情況下，這樣的線性函數便用超平面來表征。如下圖2.1所示。給出訓練樣本集D=(1,1),(2,2),(,)，其中∈{1,+1}，分類學習的最基本的思路就是為訓練樣本集D在該樣本空間中找到這個可被正確劃分的超平面，進而把不同的樣本正確歸類。劃分超平面的線性方程：+=0圖2.1支持向量與間隔W是法向量，代表超平面的方向，b是位移量，決定超平面與原點的距離。使用簡單的數學知識，可以求得間隔為γ=2‖‖，SVM的思想是使得間隔最大化，顯然，最大化2‖‖相當于最小化‖‖，為了計算方便，將公式轉化成如下公式，它即為支持向量機的基本型：min12‖‖2s.t.(+)≥+1該基本型是一個凸二次規(guī)劃問題，可以采用拉格朗日乘子法和標準二次規(guī)劃技術和程序[36][37]，對其對偶問題求解。二、線性不可分支持向量機對于本文的病腦與健康腦的分類問題，上述線性可分支持向量機并不能很好的解決，而使用非線性模型才能更準確地歸類。對線性不可分腦樣本進行劃分時，第一步，對樣本空間進行映射，即通過使用非線性變換，使得映射到高維空間后的樣本線性可分。第二步，實現結構風險最小化，即通過尋找最優(yōu)分界面進行樣本分類。當兩類樣本可分時，可以不用映（2-1）（2-2）（2-3）

第3章基于SVM的病腦檢測17通過上面11張病腦圖片與健康腦圖片對比，可以發(fā)現病腦與健康腦在中心區(qū)域紋理特征有明顯差異，呈不規(guī)則變化。3.2算法實現流程算法實現的技術路線如下：第一步：使用對比度限制自適應直方圖均衡化算法（CLAHE）將獲得的腦圖像進行增強預處理，以突出病變區(qū)域。第二步：采用提升haar小波變換，并對得到的高低頻子帶圖像進行特征提齲第三步：將腦圖像分為訓練集與測試集兩部分，其中訓練集送入核支持向量機進行訓練獲得模型。第四步：將得到的訓練模型用于輸入的測試集分類，輸出分類結果。具體算法流程圖如下圖3.2所示：圖3.2算法流程圖3.3圖像預處理3.3.1實驗平臺本文的實驗研究平臺是MatlabR2019a，使用了Libsvm3.23工具箱。Matlab矩陣實驗室對數據的分析非常專業(yè)，并配置了許多的科學工具箱。Matlab具有編程簡單，使用方便；其函數庫可以任意增加拓展；語言簡單，內容豐富；便捷而又完善的的圖形處理功能，簡便的繪圖功能及大量的工具箱為用戶提供了方便。本實驗基于CPU為IntelCOREi5-337u，1.8GHZ，4GBRAM，win1064位操作系統(tǒng)。訓練提升haar小波變換測試集腦圖像MRI腦圖像特征提取核支持向量機正常腦或病腦輸出圖像預處理

第3章基于SVM的病腦檢測183.3.2圖像增強本文為了改善圖像質量，增強圖像對比度，選擇了對比度限制自適應直方圖均衡化算法（CLAHE）[39].它是自適應直方圖均衡（AHE）的一種變體，首先計算以每個像素為中心的上下文區(qū)域中的一個直方圖的灰度值，然后，根據其局部直方圖的像素強度等級分配像素強度值。與AHE不同，CLAHE具有防止過度增強噪音和減少邊緣陰影效應的好處。因此本文采用對比度限制自適應直方圖算法增強每個圖像的對比度。其中對腦膜瘤圖像進行增強結果如下圖3.3所示：圖3.3腦膜瘤圖像均衡化及其自適應直方圖由圖3可見對肉瘤圖像采用CLAHE算法增強，圖像病灶區(qū)域的對比度比原圖增強，紋理特征更明顯，更好地凸顯了病灶區(qū)域。3.4特征提取使用離散小波變換(DWT)[40]提取特征的優(yōu)點是：（1）可以降低小波系數的維數，自主選擇分解級數，以獲得較小的特征向量。（2）在DWT基礎上提取圖像的特征向量可以更有利于將醫(yī)學MRI腦圖像分為正常和異常兩類[41][42]。陸思源[17]在論文中經過實驗對比證實，Haar小波在病腦檢測中的表現較其他小波更好。由此本文對Haar小波采用提升方案，這樣能進一步提升特征提取算法的計算速度。
【參考文獻】

相關期刊論文 前4條

1 翟軍昌;高立群;歐陽海濱;孔祥勇;;一種自適應全局和聲搜索算法[J];控制與決策;2015年11期

2 高雷阜;趙世杰;于冬梅;徒君;;SVM參數優(yōu)化的AFMC算法[J];計算機工程與科學;2015年07期

3 焦蓬蓬;郭依正;劉麗娟;衛(wèi)星;;灰度共生矩陣紋理特征提取的Matlab實現[J];計算機技術與發(fā)展;2012年11期

4 王健峰;張磊;陳國興;何學文;;基于改進的網格搜索法的SVM參數優(yōu)化[J];應用科技;2012年03期

相關博士學位論文 前1條

1 王水花;基于機器視覺的多尺度腦圖像的若干技術研究[D];南京大學;2017年

相關碩士學位論文 前4條

1 劉方園;基于粒子群和生物地理學算法優(yōu)化BP網絡的腦圖像檢測研究[D];南京師范大學;2019年

2 毋雪雁;基于遺傳算法與粒子群算法混合優(yōu)化加權K最近鄰算法的病腦檢測系統(tǒng)[D];南京師范大學;2018年

3 陸思源;基于蝙蝠優(yōu)化極限學習機的病腦檢測系統(tǒng)[D];南京師范大學;2018年

4 王海楠;基于捕食者—食餌粒子群算法和單隱層神經網絡算法的病腦檢測系統(tǒng)[D];南京師范大學;2017年

本文編號：2892161