發(fā)布時(shí)間：2020-11-20 23:23

　　 在當(dāng)今時(shí)代,腦疾病對(duì)人類的健康生活,影響越發(fā)嚴(yán)重,這使得及早發(fā)現(xiàn)病情并診斷治療成為當(dāng)下醫(yī)學(xué)研究的重點(diǎn)課題。為了規(guī)避人工閱片,大夫由于疲勞,經(jīng)驗(yàn)不足帶來的主觀上的錯(cuò)誤,計(jì)算機(jī)輔助診斷技術(shù)成為了當(dāng)今時(shí)代醫(yī)學(xué)發(fā)展的趨勢,能夠輔助大夫?qū)δX疾病患者進(jìn)行更好更準(zhǔn)確地判斷和治療。本文旨在借助計(jì)算機(jī)輔助診斷技術(shù)對(duì)健康腦與病腦進(jìn)行自動(dòng)分類。使用醫(yī)學(xué)腦部核磁共振圖像,首先采用對(duì)比度限制自適應(yīng)直方圖均衡化算法增強(qiáng)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(duì)腦圖像進(jìn)行小波分解,在此基礎(chǔ)上提取圖像的紋理特征,并與形狀特征相結(jié)合對(duì)腦圖像進(jìn)行特征識(shí)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(duì)提取的多個(gè)紋理特征進(jìn)行比對(duì)分類效果,選定峰度用作識(shí)別的紋理特征,然后結(jié)合圖像形狀特征Hu不變矩作為識(shí)別總特征。最后,選擇RBF核支持向量機(jī)對(duì)腦圖像進(jìn)行分類,并提出了一種基于網(wǎng)格搜索與和聲搜索聯(lián)合優(yōu)化支持向量機(jī)參數(shù)的方案,得到了較高的分類精度。經(jīng)五折交叉驗(yàn)證后,與幾種常用的病腦檢測算法進(jìn)行了對(duì)比實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明,本文算法識(shí)別率較高。卷積神經(jīng)網(wǎng)絡(luò)可以通過調(diào)整卷積層和池化層中的參數(shù)來自動(dòng)提取圖像特征的特性,比傳統(tǒng)機(jī)器學(xué)習(xí)需要人為提取特征更有優(yōu)越性。為了更進(jìn)一步提高病腦檢測的準(zhǔn)確率,本文采用GoogLeNet深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練分類,考慮到腦圖像樣本數(shù)目有限,提出了一種基于GoogLeNet與遷移學(xué)習(xí)的病腦檢測方案,實(shí)驗(yàn)結(jié)果表明,較傳統(tǒng)支持向量機(jī)分類,深度學(xué)習(xí)的方法更為有效,分類精度達(dá)到了100%。
【學(xué)位單位】：長春工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2020
【中圖分類】：R742;R445.2;TP391.41
【部分圖文】：

第2章醫(yī)學(xué)圖像處理技術(shù)12由此類推，在空間維數(shù)更多的情況下，這樣的線性函數(shù)便用超平面來表征。如下圖2.1所示。給出訓(xùn)練樣本集D=(1,1),(2,2),(,)，其中∈{1,+1}，分類學(xué)習(xí)的最基本的思路就是為訓(xùn)練樣本集D在該樣本空間中找到這個(gè)可被正確劃分的超平面，進(jìn)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(diǎn)的距離。使用簡單的數(shù)學(xué)知識(shí)，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(dāng)于最小化‖‖，為了計(jì)算方便，將公式轉(zhuǎn)化成如下公式，它即為支持向量機(jī)的基本型：min12‖‖2s.t.(+)≥+1該基本型是一個(gè)凸二次規(guī)劃問題，可以采用拉格朗日乘子法和標(biāo)準(zhǔn)二次規(guī)劃技術(shù)和程序[36][37]，對(duì)其對(duì)偶問題求解。二、線性不可分支持向量機(jī)對(duì)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(jī)并不能很好的解決，而使用非線性模型才能更準(zhǔn)確地歸類。對(duì)線性不可分腦樣本進(jìn)行劃分時(shí)，第一步，對(duì)樣本空間進(jìn)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(shí)現(xiàn)結(jié)構(gòu)風(fēng)險(xiǎn)最小化，即通過尋找最優(yōu)分界面進(jìn)行樣本分類。當(dāng)兩類樣本可分時(shí)，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(duì)比，可以發(fā)現(xiàn)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(shí)現(xiàn)流程算法實(shí)現(xiàn)的技術(shù)路線如下：第一步：使用對(duì)比度限制自適應(yīng)直方圖均衡化算法（CLAHE）將獲得的腦圖像進(jìn)行增強(qiáng)預(yù)處理，以突出病變區(qū)域。第二步：采用提升haar小波變換，并對(duì)得到的高低頻子帶圖像進(jìn)行特征提齲第三步：將腦圖像分為訓(xùn)練集與測試集兩部分，其中訓(xùn)練集送入核支持向量機(jī)進(jìn)行訓(xùn)練獲得模型。第四步：將得到的訓(xùn)練模型用于輸入的測試集分類，輸出分類結(jié)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(yù)處理3.3.1實(shí)驗(yàn)平臺(tái)本文的實(shí)驗(yàn)研究平臺(tái)是MatlabR2019a，使用了Libsvm3.23工具箱。Matlab矩陣實(shí)驗(yàn)室對(duì)數(shù)據(jù)的分析非常專業(yè)，并配置了許多的科學(xué)工具箱。Matlab具有編程簡單，使用方便；其函數(shù)庫可以任意增加拓展；語言簡單，內(nèi)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(shí)驗(yàn)基于CPU為IntelCOREi5-337u，1.8GHZ，4GBRAM，win1064位操作系統(tǒng)。訓(xùn)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(jī)正常腦或病腦輸出圖像預(yù)處理

第3章基于SVM的病腦檢測183.3.2圖像增強(qiáng)本文為了改善圖像質(zhì)量，增強(qiáng)圖像對(duì)比度，選擇了對(duì)比度限制自適應(yīng)直方圖均衡化算法（CLAHE）[39].它是自適應(yīng)直方圖均衡（AHE）的一種變體，首先計(jì)算以每個(gè)像素為中心的上下文區(qū)域中的一個(gè)直方圖的灰度值，然后，根據(jù)其局部直方圖的像素強(qiáng)度等級(jí)分配像素強(qiáng)度值。與AHE不同，CLAHE具有防止過度增強(qiáng)噪音和減少邊緣陰影效應(yīng)的好處。因此本文采用對(duì)比度限制自適應(yīng)直方圖算法增強(qiáng)每個(gè)圖像的對(duì)比度。其中對(duì)腦膜瘤圖像進(jìn)行增強(qiáng)結(jié)果如下圖3.3所示：圖3.3腦膜瘤圖像均衡化及其自適應(yīng)直方圖由圖3可見對(duì)肉瘤圖像采用CLAHE算法增強(qiáng)，圖像病灶區(qū)域的對(duì)比度比原圖增強(qiáng)，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(diǎn)是：（1）可以降低小波系數(shù)的維數(shù)，自主選擇分解級(jí)數(shù)，以獲得較小的特征向量。（2）在DWT基礎(chǔ)上提取圖像的特征向量可以更有利于將醫(yī)學(xué)MRI腦圖像分為正常和異常兩類[41][42]。陸思源[17]在論文中經(jīng)過實(shí)驗(yàn)對(duì)比證實(shí)，Haar小波在病腦檢測中的表現(xiàn)較其他小波更好。由此本文對(duì)Haar小波采用提升方案，這樣能進(jìn)一步提升特征提取算法的計(jì)算速度。
【參考文獻(xiàn)】

相關(guān)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(yīng)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(shù)優(yōu)化的AFMC算法[J];計(jì)算機(jī)工程與科學(xué);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(shí)現(xiàn)[J];計(jì)算機(jī)技術(shù)與發(fā)展;2012年11期

4 王健峰;張磊;陳國興;何學(xué)文;;基于改進(jìn)的網(wǎng)格搜索法的SVM參數(shù)優(yōu)化[J];應(yīng)用科技;2012年03期

相關(guān)博士學(xué)位論文 前1條

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

相關(guān)碩士學(xué)位論文 前4條

1 劉方園;基于粒子群和生物地理學(xué)算法優(yōu)化BP網(wǎng)絡(luò)的腦圖像檢測研究[D];南京師范大學(xué);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(quán)K最近鄰算法的病腦檢測系統(tǒng)[D];南京師范大學(xué);2018年

3 陸思源;基于蝙蝠優(yōu)化極限學(xué)習(xí)機(jī)的病腦檢測系統(tǒng)[D];南京師范大學(xué);2018年

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

本文編號(hào)：2892161