脑CT图像模式识别研究进展(四).pptVIP

研究进展(四) 报告人：林伟曦 主要内容 四个问题 对称特征是否有必要进行归纳学习 测试结果规则少,精度高 关于学习对象(Object) 目标概念的”层次”与抽取什么样的特征之间的关系 (续前) 向对称特征库添加边界样例再测试 针对对称特征改进分类算法 1.对称特征是否有必要进行归纳学习 问题的提出 正常CT片每一区域的对称性稳定在各自的一个范围 任意一区域的对称性超出正常范围则认为该CT片异常 问题：对每一区域的对称性找到其正常范围，对于新来样例判断是否任意区域超出范围即可判断该CT片是否异常。还有必要归纳吗？(aisibi) 结论1 归纳学习有必要 对于每一区域对称性指标都 在正常范围内但该CT片为异常的情况 2.测试结果规则少,精度高 Fold Decision Tree Rules ---- ---------------- ---------------- Size Errors No Errors 0 7 0.0% 4 0.0% 1 10 4.8% 5 4.8% 2 8 14.3% 7 14.3% 3 4 23.8% 4 23.8% 4 7 0.0% 4 0.0% 5 7 14.3% 3 9.5% 6 6 4.8% 3 4.8% 7 6 14.3% 3 14.3% 8 5 9.1% 4 9.1% 9 6 9.1% 3 9.1% Mean 6.6 9.4% 4.0 9.0% SE 0.5 2.4% 0.4 2.3% 样例单一且异常明显 特征向量规律明显 规则形式 结论2 需要更多的样本 异常之处不明显(对称性较好) 病变存在但使得对称性指标好于正常 多处病变的样本依然会得到较好的精度 但是，以上两种样本根本不能用肉眼看出来，样本采集很难 3.关于学习对象 学习对象是脑CT图像的若干层(三层) 现实中的感兴趣区域 医生在读片时注意力会放在若干不同的部位(感兴趣区) 现实中的感兴趣区域 医生在读片时注意力会放在若干不同的部位(感兴趣区) 试验中不具备这种切换感兴趣区域的能力，而只能对一张CT片进行扫描 所以，该试验对较细微异常无法分辨 4.目标概念的”层次”与抽取何种  特征之间的关系 提出的目标概念是“正常”和“异常” 目标概念很宽泛 特征的“层次”应该与目标概念的“层次”一致 如果特征的“层次”太低，使得类内间距增大 如果特征的“层次”太高，使得类间距变小 举例1： 目标概念1：识别是否是足球 举例2： 目标概念2：识别是否是耐克品牌的足球 使特征的“层次”与目标概念的“层次”一致的方法 利用领域知识对应于不同的目标概念“层次”来选用不同“层次”的特征以达到分类的目的 * * * Si=PSi/PAi 0.1194 0.1221 0.1197 0.1119 0.1199 0.1103 0.1182 0.1214 0.1409 0.1316 0.1248 0.1418 0.1384 0.1352 0.1425 0.1389 0.1365 0.1456 0.1569 0.1414 0.1269 0.1391 0.1360 0.1231 0.1272 0.1242 0.1317 0.1357 0.1313 0.1400 S10 S9 S8 S7 S6 S5 S4 S3 S2 S1 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 Si=PSi/PAi 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 S10 S9 S8 S7 S6 S5 S4 S3 S2 S1 0.1602 0.1604 0.1149 0.082