APP下载

基于SVM的医学图像模式识别分类算法的研究

2017-04-15左亚灵

求知导刊 2017年5期
关键词:复杂度良性恶性

左亚灵

三、训练及结果分析

本课题中选用的医学图像数据为乳腺X线图像,全部示例图像均来自MIAS图像库,该图像库中包含322张乳腺X线图像,并分为三大类:正常、良性和恶性(异常),其中正常的208例,良性63例,恶性51例,后两类都划分为不正常。本课题中只分为“正常”和“异常”两类,良性和恶性都归为“异常”类中。

本文采用10重交叉驗证的方法,将数据库中的全体图像随机分为十份,其中一份用作测试集,另外九份用作训练集,依次轮换,直到每份样本都做了一次测试集,即进行了十次训练和预测。实验结果如右图所示,最终平均分类精度为79.2%。本实验中的支持向量机虽然证明了其可行性,但从结果来看,不仅准确度不够高,实验过程中最高精确度与最低精度相差也比较大,表明分类器的稳定性还不够,猜测可能与随机分类中图片分类分组也有一定关系,在进一步研究中可对其分组分类进行记录,来研究其中的关系。

四、结束语

基于本文中的实验方法,还可以在此基础上从以下方面进行改进,以提高精确度。

(1)本课题是在考虑SVM适用于小样本训练的前提下进行的,但如果用于大量样本的实验训练,则空间复杂度和时间复杂度也会大大增加。

(2)现已有多种基于提高识别率的优化算法,但如果要进一步优化分类算法,还应考虑提高训练速度。

此外,以上两点的结合以及最终问题就是增量学习和在线学习。无论什么样的算法,都不能直接保证其在任何时间地点都能进行百分之百准确的运算,但是如果用于应用中不断学习的在线学习,则可以使准确率无限接近于百分之一百,这是比现有算法都要更加实用的小样本分类算法。

参考文献:

[1]田 捷,包尚联,周明全.医学影像处理与分析[M].北京:电子工业出版社,2003.

[2]Ma J,Theiler J,Perkins S.Accurate online support vector regression[J].Neural Computation,2003(11).

[3]汪 辉.增量型支持向量机回归训练算法及在控制中的应用[D].杭州:浙江大学,2006.

猜你喜欢

复杂度良性恶性
柬语母语者汉语书面语句法复杂度研究
小剂量左甲状腺素对良性甲状腺结节的治疗效果及促甲状腺激素水平分析
探讨促甲状腺激素与甲状腺球蛋白联合检测在甲状腺良恶性结节诊断中的效果
探讨超声检查在甲状腺肿块良恶性鉴别中的诊断价值
The arrow that saved my life救命之箭
Kerr-AdS黑洞的复杂度
良性甲状腺结节需要治疗吗?
非线性电动力学黑洞的复杂度
OECD国家出口复杂度的测度与比较
OECD国家出口复杂度的测度与比较