论文题目: 医学图象分析的机器学习方法
论文类型: 博士论文
论文专业: 光学工程
作者: 刘欣悦
导师: 黄廉卿
关键词: 医学图象分析,计算机辅助检测,诊断,机器学习,强化学习,核学习方法
文献来源: 中国科学院研究生院（长春光学精密机械与物理研究所）
发表年度: 2005
论文摘要: 本文对自动医学图象分析的计算机辅助检测问题进行了研究,提出利用机器学习技术实现计算机辅助检测的两种新方法,并基于所提出的方法构造了完整的检测系统,用于检测医学图象中存在的病变。针对数字X光乳腺图象,本文对所提出的两种方法和完整的检测系统进行了设计、验证和分析。本文将计算机辅助检测的图象分析过程分为两个阶段考虑:对包括图象调整和图象分割步骤的第一阶段,本文提出了利用强化学习技术实现自适应图象分割的方法,可以根据输入图象的特征选择适当的处理算法并配置适当的参数,从而获得最优的分割结果。对包括特征提取和对象识别步骤的第二阶段,本文提出了利用多分辨率直方图特征表示以及核分类算法实现自动病变检测的方法,消除或限制了特征选择步骤,可以同时检测多种类型病变,而不必分别对各种病变进行检测。结合所提出的两种方法,本文构造了完整的检测系统,并通过适当的调整对系统性能进行优化。实验结果表明:自适应图象分割方法对不同类型图象都可以达到很高的分割精度;自动病变检测方法对多种类型的病变同时进行检测也能够获得满意的检测性能;完整检测系统达到或超过了以前提出的针对单一类型病变检测系统的平均性能。
论文目录:
摘要
Abstract
图目录
表目录
第1章 引言
1.1 计算机辅助检测/诊断
1.2 机器学习
1.2.1 强化学习
1.2.2 有指导学习
1.2.2.1 核学习方法
1.3 本文的研究目标
1.4 本文的组织结构
1.5 实验图象库
第2章 自适应图象分割
2.1 处理模块
2.1.1 数字X 光乳腺图象的处理模块
2.1.1.1 平滑滤波
2.1.1.2 区域生长分割
2.1.1.3 形态学滤波
2.2 学习模块
2.2.1 数字X 光乳腺图象的学习模块
2.3 实验和讨论
第3章 自动病变检测
3.1 特征表示
3.1.1 多分辨率直方图的特点
3.1.2 多分辨率直方图的构造过程
3.2 分类算法
3.2.1 核分类算法概述
3.2.2 支持向量机(SVM)
3.2.3 相关向量机(RVM)
3.2.4 交叉验证
3.2.5 接收器工作特性(ROC)分析
3.3 实验和讨论
第4章 完整的检测系统
4.1 扫描过程
4.1.1 数字X 光乳腺图象的扫描过程
4.2 病变聚类
4.3 自由响应ROC(FROC)分析
4.4 实验和讨论
第5章 结论和展望
5.1 结论
5.2 展望
参考文献
发表文章目录
致谢
简历
发布时间: 2007-03-27
参考文献
- [1].医学图象三维重建及可视化技术研究[D]. 秦绪佳.大连理工大学2001
- [2].医学图像可视化技术及其在虚拟骨折手术中的应用[D]. 张勇.大连理工大学2002
相关论文
- [1].基于机器学习的几种医学数据处理方法研究[D]. 翁时锋.清华大学2005
- [2].基于机器学习的编译优化适应性研究[D]. 刘章林.中国科学院研究生院（计算技术研究所）2006
- [3].机器学习与文本挖掘若干算法研究[D]. 何清.中国科学院研究生院（计算技术研究所）2002
- [4].基于核机器学习方法的点云处理若干方法研究[D]. 蔡勇.西南交通大学2006
- [5].生物信息学和生物信号识别领域的机器学习算法研究[D]. 王岩.吉林大学2007
- [6].机器学习及其神经网络分类器优化设计[D]. 胡静.合肥工业大学2007
- [7].支持向量机在机器学习中的应用研究[D]. 罗瑜.西南交通大学2007
- [8].基于机器学习的立体脑图像弹性配准框架研究[D]. 吴国荣.上海交通大学2007
- [9].基于机器学习的文本分类研究[D]. 吴科.上海交通大学2008
- [10].基于互信息与先验信息的机器学习方法研究[D]. 王泳.中国科学院研究生院（自动化研究所）2008