基于集成学习方法的医学图像分类系统的设计.docVIP

基于集成学习方法的医学图像分类系统的设计 　　摘要:提出了一个基于集成学习方法的医学图像分类器。该系统包括图像预处理、特征提取、分类器的构造几个部分。在医学图像单特征分类研究的基础上提出一种综合了多特征融合和数据挖掘的医学图像分类的新方法。该方法通过引入数据挖掘中集成学习的概念,利用集成学习方法针对单特征进行分类的弱分类器进行迭代训练,通过多次迭代,最后加权投票,形成综合多特征的具有较强能力的强分类器。 　　关键词:集成学习;特征提取;Adaboost M1;医学图像分类 　　中图分类号:TP311文献标识码:A 文章编号:1009-3044(2009)33-9515-03 　　The Design of Medical Image Classification Based on Ensemble Leaning 　　LIN Xiao-jia 　　(Faculty of Logistic and Information Management, Fujian Ineternational Business and Economics College,Fujzhou 350006,China) 　　Abstract: The paper proposes a medical image classification based on ensemble leaning.The system we proposing consists of a pre-processing phase, a feature extraction phase and a building the classifier phase. On the basis research of single feature, one new method is proposed one kind of medicine image classification new method that synthesized the multi-characteristic merge and the data mining technology. This method is through the introduction of data mining in the concept of Ensemble Learning,utilizing the Ensemble learning method to classify to the single characteristic the weak sorter to carry on the iterative training. 　　Key words: ensemble learning;the characteristic extraction;adaboost M1;medical image classification 　　随着计算机医学成像技术的发展,医学影像越来越多样化,医学影像的应用也越来越广泛,与此同时大量的医学设备的应用使得医学影像的数量也越来越多,大量的影像资料使医院迷失在信息的海洋。利用数据挖掘技术可以有效的对医学图像进行组织和管理,合理有效的对其进行分类,从而使其更好的辅助日常的医学诊断和医学研究。 　　该文提出的方法是使用SVM分类器将整个特征空间分成诸多子空间;采用集成学习方法Adaboost方法对样本进行多次抽样,将Adaboost算法中的分类精度作为特征选择的依据,选取出少量有利于分类的特征,同时将单特征训练得到的弱分类器通过集成学习增强为强分类器。 　　1 系统的构成 　　整个系统的构成如图1所示。 　　该系统主要包括训练和分类两个阶段。在医学图像训练阶段,通过数据库建立训练集,对医学图像进行预处理,提取图像颜色和纹理特征,创建训练的弱分类器。对图像特征进行选择。分类阶段进行的是待分类图像的选择特征的提取,利用训练得到的强分类器进行分类,输出分类结果。 　　2 图像预处理 　　由于实际的医学图像数据因为操作的原因,存在不完整性、噪声和不一致性性,不能直接在原始数据上进行数据提取,因此必须对医学图像进行预处理。数据清洗和数据的变换[1-2]都是经常用于图像数据预处理技术上的。 　　图像预处理的第一步就是图像去噪。大部分的医学图像一般包含了大量有噪声的背景:有的医学图像太暗,有的医学图案太亮,还有来自影像设备中电子元器件的随即扰动。通过去噪处理后,可以去掉图像中的大多数的背景信息和噪声,增强图像的特征,提高图像的信噪比。针对医学图像来说,图像本身有边缘模糊的特性,通过去噪对医学图像进行复原,使之与原图像逼近是存在比较大的困难的。因此本系统主要采取的去噪方法