支持向量机及其在医学图像分类中的应用.pdfVIP

第20卷 第 2期 信 号 处 理 Vb1．20． NO．2 2004年4月 SIGNAL PROCESSING Apr．2004 支持向量机及其在医学图像分类中的应用 张翔1,2 田金文 肖晓玲 柳健 (1．华中科技大学图像识别与人工智能研究所图像信息处理与智能控制教育部重点实验室，武汉430074) (2．长江大学江汉石油学院，湖北荆州) 摘 要：支持向量机被看作是对传统分类器的一个好的替代，特别是在高维数据空间下，具有较好的泛化能力。本 文首次采用支持向量机方法对医学图像进行了分类研究。为了检验该分类方法的有效性与稳健性，对不同的噪声图像进行 试验，试验结果表明，即使存在噪声的情况下，支持向量机方法也能获得较好的分类结果。 关键词：支持向量机；分类；磁共振图象 Support Vector Machine and its Application in Medical I mages Classification Zhang Xiang Tian Jinwen Xiao Xiaoling2 Liu Jian (1．Institute ofPattern Recognition and Artificial Intelligence，Huazhong University of：Science and Technology,Key Laboratory of Education Ministry for Image processingIntelligence Control，Wuhan．Hubei 430074) (2．Yangtze University Jianghan Petroleum Institute，Jingzhou，Hubei 434102) Abstract：The Support Vex：tor Machine(SVM)approach is considered a good candidate because of its high generalization performance，even when the dimension of the feature space is very high．Th is paper firstly investigates the application of support vector machines for medical image classification．In order to verify the effectiveness and robustness of the proposed classification system，we make brain tissues classification for different noise corrupted images．Experimental results demonstrate the effectiveness of SVMs in brain tissues classification． Key words： support vector machines； classification； magnetic resonance images 复杂性(即对特定训练样本的学习精度，Accuracy)和学习能 1 引言 力(即无错误地识别任意样本的能力)之间寻求最佳折衷，以 对目前使用的分类器来说，有许多的分类器可供选择， 期获得最好的推广能力【1】。 例如贝叶斯分类器及神经网络分类器等。传统的分类方法将 SVM 作为一个大边缘的分类器，己在许多模式识别中 经验风险最小化 (Empirical Risk Minimization简称ERM) 得到了成功