乳腺疾病的初期檢查是拯救病患性命最可靠的辦法。當(dāng)前,乳腺X線圖像是診斷乳腺腫瘤最常用的圖像,但是初期乳腺腫瘤圖像特征的特異性不強(qiáng),受醫(yī)生主觀因素影響,易出現(xiàn)誤診和漏診。目前,計(jì)算機(jī)發(fā)展迅速,用先進(jìn)的計(jì)算機(jī)技術(shù)來幫助醫(yī)師對乳腺腫瘤進(jìn)行診斷已經(jīng)發(fā)展為一個研究熱點(diǎn)。本文在經(jīng)典乳腺腫瘤圖像的模式識別方法的基礎(chǔ)上,提出了新的識別算法,實(shí)現(xiàn)了對乳腺腫瘤的有效識別,具體工作如下:（1）介紹了乳腺圖像處理的相關(guān)技術(shù)。使用對比度增強(qiáng)方法對圖像進(jìn)行加強(qiáng),提高了圖像質(zhì)量。通過模糊c均值算法,將潛在的腫塊區(qū)域有效地分割出來。分別提取乳腺腫塊特征和乳腺密度特征作為有效特征,其中在乳腺腫塊區(qū)域,利用灰度共生矩陣紋理分析方法,提取48個紋理特征和5個形狀特征;在乳腺密度區(qū)域,提取2個灰度特征,并將提取的特征作為以下算法的實(shí)驗(yàn)數(shù)據(jù)集。（2）提出了基于支持向量機(jī)的參數(shù)優(yōu)化算法。對面向乳腺腫瘤識別的支持向量機(jī)分類算法中懲罰系數(shù)和核函數(shù)參數(shù)展開優(yōu)化,提出將改進(jìn)的果蠅優(yōu)化算法作為支持向量機(jī)參數(shù)的優(yōu)化算法,提高分類性能。通過建立實(shí)驗(yàn),分類結(jié)果表明算法可以提高識別準(zhǔn)確率。（3）提出了面向乳腺腫瘤圖像識別的聯(lián)合增強(qiáng)耦合特征表示方法... 

【文章來源】：魯東大學(xué)山東省

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文的主要工作
    1.4 論文的組織結(jié)構(gòu)
第2章 乳腺超聲圖像處理技術(shù)
    2.1 圖像預(yù)處理
        2.1.1 圖像去噪
        2.1.2 圖像增強(qiáng)
    2.2 腫塊區(qū)域分割
    2.3 圖像識別
        2.3.1 特征提取
        2.3.2 圖像分類
    2.4 本章小結(jié)
第3章 基于改進(jìn)的FOA算法優(yōu)化SVM的乳腺腫瘤識別
    3.1 引言
    3.2 支持向量機(jī)
        3.2.1 線性支持向量機(jī)
        3.2.2 非線性支持向量機(jī)
    3.3 改進(jìn)的FOA算法優(yōu)化SVM參數(shù)
        3.3.1 FOA算法概述
        3.3.2 改進(jìn)的FOA算法優(yōu)化SVM參數(shù)算法
    3.4 基于改進(jìn)的FOA算法優(yōu)化SVM的乳腺腫瘤識別
    3.5 實(shí)驗(yàn)結(jié)果與分析
        3.5.1 實(shí)驗(yàn)數(shù)據(jù)集來源
        3.5.2 實(shí)驗(yàn)設(shè)計(jì)及運(yùn)行環(huán)境
        3.5.3 實(shí)驗(yàn)結(jié)果及分析
    3.6 本章小結(jié)
第4章 基于聯(lián)合增強(qiáng)耦合特征表示的乳腺腫瘤識別算法
    4.1 引言
    4.2 模型描述
        4.2.1 耦合屬性分析理論
        4.2.2 Adaboost算法
    4.3 算法實(shí)現(xiàn)
        4.3.1 耦合特征表示算法
        4.3.2 聯(lián)合增強(qiáng)算法
    4.4 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
第5章 結(jié)論
    5.1 本文工作
    5.2 工作展望
參考文獻(xiàn)
作者簡歷


【參考文獻(xiàn)】：
期刊論文
[1]基于PSO-SVM的乳腺腫瘤輔助診斷研究[J]. 谷宇,呂曉琪,趙瑛,喻大華.  計(jì)算機(jī)仿真. 2015(05)
[2]統(tǒng)計(jì)模式識別概論及應(yīng)用[J]. 萬爽.  科技視界. 2014(09)
[3]基于概率神經(jīng)網(wǎng)絡(luò)的乳腺癌診斷系統(tǒng)[J]. 彭勇,陳俞強(qiáng).  合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(06)
[4]LVQ神經(jīng)網(wǎng)絡(luò)在乳腺腫瘤診斷中的應(yīng)用[J]. 王波,杜曉昕,金梅.  計(jì)算機(jī)仿真. 2012(08)
[5]乳腺癌早期篩查方法及其應(yīng)用[J]. 曾繁余.  華夏醫(yī)學(xué). 2012(04)
[6]基于改進(jìn)的網(wǎng)格搜索法的SVM參數(shù)優(yōu)化[J]. 王健峰,張磊,陳國興,何學(xué)文.  應(yīng)用科技. 2012(03)
[7]醫(yī)學(xué)影像數(shù)據(jù)分類方法研究綜述[J]. 李莉,木拉提·哈米提.  中國醫(yī)學(xué)物理學(xué)雜志. 2011(06)
[8]支持向量機(jī)理論與算法研究綜述[J]. 丁世飛,齊丙娟,譚紅艷.  電子科技大學(xué)學(xué)報(bào). 2011(01)
[9]模糊模式識別的幾種基本模型研究[J]. 陳振華,余永權(quán),張瑞.  計(jì)算機(jī)技術(shù)與發(fā)展. 2010(09)
[10]基于分組特征多核支持向量機(jī)的微鈣化簇檢測[J]. 常甜甜,劉紅衛(wèi),王宇,馮筠.  系統(tǒng)仿真學(xué)報(bào). 2010(05)

博士論文
[1]基于乳腺X線圖像的乳腺癌檢測方法研究[D]. 張勝君.北京交通大學(xué) 2013
[2]基于小波變換和二代曲波變換的乳腺鉬靶X片圖像增強(qiáng)[D]. 邱菊.吉林大學(xué) 2009

碩士論文
[1]基于多示例學(xué)習(xí)的圖像分類研究[D]. 陳彤彤.魯東大學(xué) 2016
[2]基于醫(yī)學(xué)圖像的肺結(jié)節(jié)特征提取與輔助檢測[D]. 李秋萍.山東財(cái)經(jīng)大學(xué) 2015
[3]基于改進(jìn)的FCM算法在圖像分割中的研究與應(yīng)用[D]. 朱然.蘭州交通大學(xué) 2015
[4]乳腺醫(yī)學(xué)圖像處理方法研究[D]. 王夢珍.天津大學(xué) 2014



本文編號：3323605