多分类支持向量机论文支持向量机在脑部MRI图像微小多目标分割的应用.doc

多分类支持向量机论文：支持向量机在脑部MRI图像微小多目标分割的应用 【中文摘要】在大脑磁共振成像(Magnetic Resonance Imaging, MRI)图像中,脑组织的轮廓非常复杂和不规则,且样本数目有限,不适合使用传统的基于经验风险最小化的分割方法。而支持向量机(Support Vector Machines, SVM)是基于统计学习理论发展起来的一种有监督的分类方法,它根据结构风险最小化原则,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。因此,本文开展利用支持向量机对磁共振图像脑部基底节区内的尾状核(caudatum)、壳核(putamen)和苍白球(pallidum)进行分割研究。支持向量机最初用于二分类问题,在此采用有向非循环图的方法将若干个两类分类器组合成多类分类器。这样所得到的多分类支持向量机的方法可以很好地实现对MRI图像中的尾状核、壳核、苍白球及其背景区域的分割。最终分类的效果除了与设计的分类器有关外,还与从磁共振图像中提取的特征向量有关。结合磁共振图像的特点,采用纹理特征提取和灰度特征提取的方法,纹理提取方法利用灰度共生矩阵来提取图像的局部统计特征。每一个样本点共提取58维特征向量。由于高维的图像特征向量严重影响计算速度,降低分割速度,所以在本文中分别采取主成分分析(Principal Component Analysis, PCA)和粗糙集(Rough Sets, RS)的方法来进行降维处理,大大提高了分割速度。实验结果表明,在分割MRI脑部多目标组织时,无论是分割速度还是分类准确率,粗糙集方法均优于主成分分析算法。为了分析和验证所提出的支持向量机分割算法的实际效果,同时采用K-均值聚类(K-Means Clustering)算法、模糊C-均值聚类(Fuzzy C-Mean, FCM)、K-最近邻(K-Nearest Neighbor, KNN)算法、贝叶斯分类器(Bayes Classifier, BC)算法和径向基神经网络(Radial Basis Function Neural Network,RBFNN)算法分别来对目标区域进行自动分割,从而有利于非常客观地说明支持向量机分割算法的优越性。最后,根据虚警、漏警概率以及分类正确率指标对这六种方法的分类效果进行对比分析。实验结果表明无论是否采用降维处理,采用多分类支持向量机进行多目标分割的分割正确率均优于以上五种方法。 【英文摘???】The boundary of encephalic tissue is highly complicated and irregular in head magnetic resonance image, and the number of samples is limited. It’s the reason that the traditional segmentation methods based on the empirical risk minimization is not suitable. Support vector machine based on statistical learning theory is a supervised classification method, which follows the structural risk minimization principle, shows many special advantages in resolving the small sample set, nonlinear and high dimensional pattern recognition problems. Therefore, this paper carries out the research of support vector machine to segment caudatum, putamen and pallidum region in brain magnetic resonance imaging(MRI).Support vector machine was originally used for two-classification, a multi-classification classifier can be constructed by a few two-classification classifiers using directed acyclic graph. And the