基于多核學(xué)習(xí)的醫(yī)學(xué)圖像模式分類.pdf

1、近三十年來(lái)，隨著計(jì)算機(jī)技術(shù)和醫(yī)學(xué)成像技術(shù)的蓬勃發(fā)展，數(shù)字醫(yī)學(xué)圖像越來(lái)越多樣化，并且其數(shù)量呈爆炸式增長(zhǎng)，如何有效地管理這些圖像成為一個(gè)迫切的問(wèn)題。醫(yī)學(xué)圖像的分類是實(shí)現(xiàn)醫(yī)學(xué)圖像有效管理的重要手段之一，但傳統(tǒng)的手工分類不能適應(yīng)日益增長(zhǎng)的醫(yī)學(xué)圖像的需要。醫(yī)學(xué)圖像的自動(dòng)分類通過(guò)提取醫(yī)學(xué)圖像特征、訓(xùn)練分類器實(shí)現(xiàn)對(duì)圖像的自動(dòng)分類，從而提高了管理效率。近年來(lái)，醫(yī)學(xué)圖像自動(dòng)分類算法的研究吸引了越來(lái)越多研究者的關(guān)注。
　　本文主要研究融合多種模態(tài)信息

2、進(jìn)行醫(yī)學(xué)圖像分類的方法。本文首先對(duì)醫(yī)學(xué)圖像分類的發(fā)展及現(xiàn)狀進(jìn)行回顧，然后分別研究了基于圖像特征和基于上下文的醫(yī)學(xué)圖像分類算法，重點(diǎn)探索了采用多核學(xué)習(xí)方法融合不同特征的分類算法，并取得了很好的效果。本文主要貢獻(xiàn)有：
　　(1)比較了多種圖像特征在醫(yī)學(xué)圖像分類中的應(yīng)用。具體地，探索了Gabor、SIFT、ModSIFT、Tamura、LBP和灰度共生矩陣特征，并分別采用SVM進(jìn)行分類，比較各種特征的最佳分類精度。
　　(2)研究