基于支持向量机脑部MR图像细分类.pdf

第15 卷 第1 期 电路与系统学报 Vol.15 No.1 2010 年 2 月 JOURNAL OF CIRCUITS AND SYSTEMS February ， 2010 文章编号：1007-0249 (2010) 01-0005-05 * 基于支持向量机的脑部 MR 图像细分类 # 黎维娟， 卢振泰， 冯前进 ， 陈武凡 （南方医科大学医学图像处理重点实验室，广东 广州 510515 ） 摘要：本文提出了基于支持向量机的脑部 MR 图像细分类器，采用纹理与形状特征相结合方式表达图像，应用 StARMiner 算法对特征进行选择和计算特征加权系数，最后用支持向量机理论设计分类器对脑部图像进行精细分类。 经反复实验优化各参数，粗略分类率可以达到92.10% 。细分类可应用于特定人体部位图像的检索系统，以检索出更精 确的图像，并且缩减检索空间，提高检索效率。 关键词：特征提取；支持向量机；StARMiner 算法；细分类 中图分类号：TP391 文献标识码：A 1 引言 医院数字化设备的引入使得医学影像数据量日益庞大，医学图像作为医生临床诊断、病情跟踪、 预后研究、鉴别诊断的重要客观依据，其数据量的庞杂性与重要性急需一个高效的检索与管理方法。 基于内容的医学图像检索（CBMIR ）技术为医生提供了一个先进高效的查询、检索、辅助诊断工具， 方便了医生对某些疑难病症图像的归类和分析。例如，特定部位的检索系统有：肺部高分辨率 CT 图 像检索系统ASSERT ，功能PET 图像检索系统FICBDS ，脊骨X 光片等图像检索系统；包含各种医学 图像的大型检索系统有 I2 [1] C 、IRMA 、KMed 、COBRA 、MedGIFT 、ImageEngine 等 。医学图像从模 态上可分为CT 、MRI 、PET 、X 光等图像，从扫描部位可分头部、胸部、腹部、骨盆部等，从扫描方 位可分为横断位、矢状位、冠状位。合理地对图像进行分类是构建包含各模态、部位及方位医学图像 的大型图像数据库及高效的检索系统的关键技术。 目前，医学图像分类研究集中在对图像按人体不同部位进行分类，检索时仅在与待检索图像部位 相同的类别图像空间找，从而缩减检索空间。如在文献[2]中Hayit Greenspan 用高斯混合模型与KL 距 离将图像按部位及方位分成 17 个类以及在文献[3]中Thomas M.Lehmann 等人用K 近邻法将图像按模 态、方位、部位及生理系统分为81 个类。然而在检索过程中发现，对于同一部位的不同图像在组织和 器官及其形状大小上亦存在很大差异，检索出来的图像可能与查询图像部位相同，却与查询图像在解 剖结构及内容上不符，只对数据库中的图像粗略地按人体部位分类，不能很好地满足用户检索的精度 要求，同时也为了进一步缩减检索空间，提高图像匹配准确率，本文采用支持向量机的分类方法对同 一部位图像进行再次分类。从数据库中选出少量样本作为训练集，以临床影像的定位图及同一部位的 不同层次图像具有的代表性组织及其形状作为分类参考依据设计分类器。 2 支持向量机分类器 2.1 SVM 基本理论 支持向量机（ Support VectorMachines ，SVM ）的是建立在统计学习理论的VC 维 （Vapnik-Chervonenkis Dimension ）理论和结构风险最小原理基础上实现的一种机器学习方法，它能较 好地解决小样本、非线性、高维数和局部极小点等实际问题，与传统分类方法相比，有理论坚实、泛 化性能好等优点，已在模式识别领域得到广泛的应用。其基本思想是构造一个不同类别之间分类空隙 * 收稿日期：2009-03-20 修订日期 ：2009-08-10 基金项目： 国家自然科学基金重点项目（30730