基于贝叶斯粗糙集的肺部肿瘤CT图像高维特征选择算法

针对变精度粗糙集在高维特征选择过程中对分类错误率β的过分依赖问题,结合遗传算法提出一种基于贝叶斯粗糙集的肺部肿瘤CT图像高维特征选择算法。首先提取3000例肺部肿瘤CT图像ROI区域的104维特征构造决策信息表;然后从全局相对增益函数的角度分析属性重要度,结合属性约简长度、基因编码权值函数三者的加权和构造一个适应度函数框架,提出以此为启发式信息的属性约简算法;最后利用支持向量机进行分类识别。实验结果表明,本研究算法摆脱了阈值人工设置的束缚,并且在很大程度上提高整体性能,对肺部肿瘤计算机辅助诊断具有积极的推广价值。     

基于RoughSet的特征集融合PET/CT肺部肿瘤CAD模型

针对肺部肿瘤PET/CT感兴趣区域(ROI)在高维特征表示下存在着特征相关和维数灾难问题,提出了一种基于粗糙集特征集融合的PET/CT肺部肿瘤CAD模型。首先提取肺部肿瘤ROI的8维形状特征、7维灰度特征、3维Tamura纹理特征、56维GLCM特征和24维频域特征,得到98维特征矢量;然后基于遗传算法的知识约简方法和基于属性重要度的启发式算法对提取的特征集合分别进行特征级融合得到特征子集G1、G2、G3,A1、A2、A3,降低特征矢量的维数;再次利用网格寻优算法优化核函数的SVM作为分类器分别进行融合前和融合后的分类识别比较,基于遗传算法的特征集融合和基于属性重要度的特征集融合的分类识别比较2组实验;最后以2 000幅肺部肿瘤的PET/CT图像为原始数据,采用基于粗糙集特征集融合的肺部肿瘤PET/CT计算机辅助诊断模型对肺部肿瘤进行辅助诊断。实验结果表明,经过粗糙集特征集融合的肺部肿瘤诊断识别方法能有效提高肺部肿瘤的诊断正确率,一定程度上降低了特征之间的相关性。     

基于集成卷积神经网络的肺部肿瘤计算机辅助诊断模型

将卷积神经网络(CNN)用于肺部肿瘤正电子发射计算机断层扫描(PET)/电子计算机断层扫描(CT)计算机辅助诊断,不仅可以提供精确的定量分析以弥补人眼惰性及对灰阶不敏感的缺陷,也能辅助医生准确诊疗。本文首先采用参数迁移的方法初始构建三个CNN(CT-CNN、PET-CNN、PET/CT-CNN)分别用于肺部肿瘤CT、PET、PET/CT的识别;然后以CT-CNN为例探讨迭代次数、批次大小和输入图像大小对识别率和训练时间的影响,从而选择合适的模型参数训练单一CNN;最后集成三个单一CNN,采用"相对多数投票法"完成肺部肿瘤PET/CT计算机辅助诊断,进而对比集成CNN与单个CNN的性能。实验结果表明集成CNN模型比单一CNN模型对于肺部肿瘤计算机辅助诊断的性能更优。     

基于随机森林的肺部肿瘤PET/CT图像计算机辅助诊断方法研究

针对当前基于神经网络、聚类分析以及支持向量机三种辅助诊断方法存在的诊断准确性低的问题,本研究提出一种基于随机森林的肺部肿瘤PET/CT图像计算机辅助诊断新方法。该方法首先对PET/CT图像进行预处理,包括灰度化、平滑以及分割等,然后提取PET/CT图像的灰度、形态和纹理等特征,最后利用随机森林算法进行肺部肿瘤PET/CT的辅助识别,以实现肺部肿瘤的病理诊断。结果表明,本方法的ROC曲线结果优于上述三种方法,提高了诊断准确性,可为医生诊疗提供重要参考。     

基于集成SVM的肺部肿瘤PET/CT三模态计算机辅助诊断方法

本研究提出基于集成SVM的肺部肿瘤PET/CT三模态计算机辅助诊断新方法.首先在临床采集肺部肿瘤患者PET、CT和PET/CT各2000例三模态图像数据上提取对同一病灶ROI区域;然后根据CT、PET和PET/CT的不同特点,从三模态图像的ROI区域中提取形状特征、灰度特征、Tamura纹理特征和GLCM特征等不同特征分别构成80、98、98维特征分量,并分别在不同特征空间里构造个体分类器,包括CT-SVM、PET-SVM、PET/CT-SVM;最后,基于相对多数投票原则,对CT-SVM、PET-SVM和PET/CT-SVM进行集成,识别对肺部肿瘤.实验结果表明,该方法能够有效提高肺部肿瘤的诊断正确率.     

基于PET/CT图像纹理参数的肺结节诊断模型

目的基于PET/CT融合图像纹理参数建立肺结节良恶性诊断模型,提高肺癌的识别率。方法选取宣武医院核医学科经PET/CT检查的52例肺结节患者,收集其PET/CT影像图像及人口学、影像学信息。以Contourlet变换和灰度共生矩阵相结合的方式,对PET/CT图像的感兴趣区域提取纹理参数。基于所提取的纹理参数建立支持向量机模型,得到每个肺结节良恶性判别结果。为了提高模型的诊断效果,将结节边缘、最大摄取值、有晕征等影像学信息也纳入模型,重新建立支持向量机模型。通过灵敏度、特异度、正确率等指标对模型诊断效果进行评价。结果纹理参数肺结节诊断模型的灵敏度、特异度分别为90.7%、93.5%,纹理参数结合影像学信息的肺结节诊断模型的灵敏度、特异度分别为95.7%、100.0%。结论基于PET/CT图像纹理参数建立的支持向量机模型对良恶性肺结节具有较好的鉴别诊断效果。     

基于贝叶斯粗糙集的肺部肿瘤CT图像抗噪算法设计

贝叶斯粗糙集处理噪声数据能力强,分类肺部肿瘤CT图像结果准确,为图像去噪提供精准的图像分类结果。基于此,设计基于贝叶斯粗糙集的肺部肿瘤CT图像抗噪算法,基于贝叶斯粗糙集分类模型进行肺部CT图像分类,约简贝叶斯粗糙集属性和决策规则,基于决策规则预测肺部CT图像类别;对存在肿瘤的CT图像噪声小波系数构建拉普拉斯数学模型,基于贝叶斯最大后验概率估计小波系数概率密度,计算噪声方差和子代小波系数标准差,使去噪算法具备自适应性;基于小波系数的概率密度得到最大后验(maximum a posteriori,MAP)估计值,对该值做小波反变换,实现肺部肿瘤CT图像自适应去噪。结果表明,该算法去除肺部肿瘤CT图像噪声效果好,抗噪能力强,较好保留图像细节特征,视觉效果佳。     

支持向量机在大肠癌肿瘤标志物诊断中的应用

大肠癌发生率仍然很高,早期诊断和早期治疗对大肠癌患者极为重要。对大肠癌常用的诊断方法有肠镜、超声波、CT、MRI、PET/CT等,血清肿瘤标志物的检测也是目前大肠癌筛查、早期诊断及随访观察的有效手段。临床可运用数据挖掘技术直接从原始样本数据集建立支持向量机（supportvector machine,SVM）分类模型,利用支持向量机模型结合多项肿瘤标志物检测,以提高临床诊断的准确性。     

决策树特征基因选择方法对SVM有效性的研究

基因芯片新兴生物技术为从分子水平上研究疾病的发病机理和临床疾病诊断提供了强有力的手段。其中特征基因选择是疾病模式识别诊断最重要的一个环节 ,但不同的特征基因选择方法往往影响疾病模式分类方法的效能。本研究针对这一问题 ,结合结肠癌基因表达谱数据分析 ,研究了递归决策树特征基因选择集成方法EFST ,对支持向量机 (SVM )模式分类器能力的影响。主要从特征基因选择前后分类器的性能、支持向量的吻合度、错分样本标识的吻合度、对样本均匀翻倍模式分类器的稳定性的影响等四个方面研究EFST特征选择算法对支持向量机模式分类方法的影响 ,同时考察了支持向量机模式分类器的泛化能力。结果表明 :基于决策树特征基因选择算法EFST明显地提高了支持向量机模式分类的效能 ,且支持向量机模式分类器具有很强的泛化能力。     

基于迁移学习和支持向量机的乳腺癌分子分型预测

乳腺癌分子分型对乳腺癌的治疗具有决定性的参考作用,传统的分型方法有创且可能存在假阳性问题,而已有的基于影像学的分型方法准确率较低。本文提出一种利用迁移学习提取特征并结合支持向量机的分型预测方法,对乳腺癌PET/CT标记图像进行融合和归一化,再使用Xception迁移学习网络进行特征提取,最后使用支持向量机进行分类实现分型。对样本测试集进行性能评估表明,Xception+SVM模型的准确率达到0.687,AUC为0.787,优于现有基于影像学的方法,验证了本文方法的有效性。     

图像融合方法在肝包虫病分型中的应用

探讨图像融合技术在肝包虫病分型中的应用。对正常肝脏、单囊型肝包虫病、肝囊肿CT图像感兴趣区域分别使用传统的预处理和图像融合方法,对融合后的和预处理后的图像提取Tamura和灰度-梯度共生矩阵特征,通过支持向量机和BP神经网络分类模型进行分类,比较两种方法的分类准确率,并对各分类模型进行参数评估。传统预处理方法对肝囊肿CT图像Tamura和混合特征的分类效果优于图像融合方法,最佳分类准确率为98.333%;图像融合方法对单囊型肝包虫病和正常肝脏CT图像不同特征下的分类准确率均高于传统预处理方法,最佳分类准确率分别为99.167%和100%;图像融合方法不同特征不同分类器下的平均分类准确率高于传统预处理方法。将图像融合方法应用于肝包虫病CT图像的分型中具有一定的分类优势,为肝包虫病影像学诊断提供依据,也为后期研发肝包虫病计算机辅助诊断系统奠定基础。     

基于模糊支持向量机的膜蛋白分类研究

以氨基酸组成为特征对膜蛋白的分类,忽略了序列残基之间的相关性信息,而采用传统支持向量机算法作为分类算法,在解决多类问题时会出现分类盲区问题。针对这两种情况,计算蛋白质序列的氨基酸组成、二肽组成以及6种氨基酸相关系数,将三类特征结合,作为膜蛋白序列的特征向量;同时采用模糊支持向量机作为分类器,解决了传统支持向量机在多类数据识别中的盲区问题。测试结果表明,在相同特征输入下,模糊支持向量机分类性能优于传统支持向量机;在相同分类器的情况下,氨基酸组成、二肽组成和相关系数组合的特征选择方法的分类性能优于只使用其中一类或两类特征的方法;而采取组合特征和模糊支持向量机相结合的分类策略,在独立性数据集测试中的整体预测精度达到97%,优于现有的多种分类策略,是目前最有效的膜蛋白分类方法之一。     

基于支持向量机的室性早搏检测

心电信号分类是自动心电监护设备的基础。支持向量机 (SVM)在分类和模式识别方面展现出卓越的性能。本研究将支持向量机应用于心电信号室性早搏 (PVC)的检测。根据室性早搏的特点 ,从 ML II导联中提取心率、形态心及小波域能量 3大类共 9个特征。并使用 MIT- BIH的 Arrhythmia数据库的数据 ,根据 AAMI建议要求 ,对采用不同核函数的支持向量机的性能作了比较。     

肝包虫病和肝囊肿CT图像的分型研究

探讨计算机辅助诊断技术在肝包虫病和肝囊肿CT图像分型中的应用。方法 对单囊型肝包虫病和单发性肝囊肿CT图像感兴趣区域,分别使用传统的预处理方法和图像融合方法,提取原始ROI、预处理后的和融合后的ROI图像Haar小波、DB2小波、Tamura、Gabor滤波器和灰度-梯度共生矩阵特征,通过支持向量机和BP神经网络分类模型分类,比较三种方法的分类准确率,并对各分类模型进行参数评估。结果 从原始ROI图像直接提取的Haar小波、DB2小波、Tamura和GGCM特征的最佳分类准确率均达到了95%以上;融合后的ROI图像五种特征的分类准确率都较高,在90%以上。结论 本研究所使用的方法应用于肝包虫病和肝囊肿CT图像的分型中具有一定的分类优势,为影像学诊断提供依据。     

一种基于粗糙集理论的心血管功能辅助诊断方法

为提高心血管功能计算机辅助诊断的可靠性,将粗糙集引入到心血管功能的计算机诊断中。通过对获取的参数进行统计分析,建立条件属性表、决策属性表和决策表;通过利用粗糙集相关矩阵,采用贪婪策略构造的寻找最小属性约简的启发式算法,对条件属性进行约简并建立相应的决策表和规则集。大量实例分析诊断表明,该方法确能提高机器辅助诊断心血管功能的正确性并且较容易实现。     

基于PiB PET图像感兴趣区域的阿尔茨海默症计算机辅助分析

阿尔兹海默症 (AD) 是一种不可逆的神经退行性疾病,PiB PET成像技术可用于AD的早期诊断。但是,目前临床基于PiB PET图像的AD诊断主要依靠医生视觉评估分析,其缺点为依赖医生经验且耗时,无法实现对患者病情的客观追踪,因此提出一种基于PiB PET图像的计算机辅助分析方法 (CAAD)实现AD诊断。使用基于阈值先验的3D格子玻尔兹曼技术分割ROIs,采用主成分分析 (PCA) 技术提取图像特征,最终采取基于支持向量机(SVM)多项式核模型对特征进行分类。通过对ADNI数据库和上海市华山医院PET中心的149个样本的PiB PET数据进行对比实验,该方法对于ROIs的分割后Dice系数平均准确率为91.53%±3.0%,最终对AD和正常老年组(HC)、轻度认知障碍组(MCI)和HC、AD/MCI和HC的分类准确率分别达到87.01%、93.04%和91.95%。与现有文献的AD计算机辅助诊断相比,所提出CAAD方法的准确率高出约10%。 实验结果表明,该方法能够很好地对AD、MCI和HC进行分类。     

表面肌电的支持向量机分类

支持向量机(SVM)是一种新的机器学习机制.研究了基于支持向量机的控制假手表面肌电识别方法和性能,并与反向传播(BP)神经网络分类器进行了比较.分类的六种手腕部动作分别是腕内旋、腕外旋、展拳、握拳、肘部外旋、肘部内旋.利用"一对一"的分类策略和二叉树构造多类SVM分类器.核函数分别采用多项式和径向基函数.实验结果表明SVM可以有效地对表面动作肌电进行分类,SVM分类准确率普遍优于传统的BP神经网络,且具有良好的泛化推广能力.不同的核函数对分类准确率影响较小.     

疲劳驾驶识别中的脑电信号特征选择算法和支持向量机模型研究

针对疲劳驾驶识别中脑电特征选择和分类模型,提出采用粗糙集理论的离散化算法对通道和脑电信号特征量进行选择,选用支持向量机作为疲劳驾驶识别模型,并将疲劳误判风险作为支持向量机模型参数进行模型优化。针对5名受试者的实验结果表明,与主分量方法相比,粗糙集离散化算法选取的特征量较少,以0.8为相容度阈值,在208个候选特征中选择的特征数为2～4个,不同被试者选取的特征不同且对建立支持向量机识别模型有影响;疲劳误判风险控制参数可以达到调节支持向量机识别模型误判风险。     

18氟-氟代脱氧葡萄糖正电子发射计算机断层扫描在肺部结节诊断中的临床应用

目的 探讨18氟-氟代脱氧葡萄糖（18F-FDG）正电子发射计算机断层扫描（PET/CT）在肺部结节诊断中的应用价值。方法 回顾性分析2016年6月~2017年12月常熟市中医院呼吸科收治的21例肺部结节病例资料,计算PET/CT在该类疾病中的诊断特异度及敏感度,评价PET/CT对肺部结节的诊断价值。结果 PET/CT诊断肺癌的特异度、敏感度分别为50.00%、94.10%;与血清肿瘤标志物检测相比,该检查的敏感度更高,差异具有统计学意义（P＜0.05）。结论 PET/CT相对于血清肿瘤标志物检测在诊断早期肺癌方面,其诊断敏感度更高,对肺部结节的诊断有较高的价值。     

支持向量机在早期癌症检测中的应用

支持向量机是在统计学习理论基础上发展而来的一种新的通用学习方法,较好地解决了有限样本的学习分类问题.在早期癌症诊断中,由于存在癌细胞缺乏、病人个体的特异性和数据本身的噪声等因素的影响,要进行非常准确的诊断是困难的.用支持向量机的分类算法,选取不同的核函数,构造了支持向量机的不同分类器,并将其应用于早期癌症诊断.非线性的支持向量机取得了较高的准确率,表明支持向量机在早期癌症的诊断中有很大的应用潜力.