论文部分内容阅读
肝癌是一种严重的恶性肿瘤,我国是全球肝癌发病率较高的国家之一。早期诊断与治疗是降低肝癌患者死亡率的重要举措。肝组织病理图像诊断是肝癌临床诊断的金标准,传统的肝癌病理图像诊断手段十分依赖医生的经验,大量的病理图像诊断给医生带来了巨大工作负担,容易引发医生因疲劳而错误诊断,因此利用计算机图像识别技术来辅助诊断肝癌病理图像对提高数字化病理医疗的效率和准确率具有重要的研究价值。 本文广泛参考了国内外关于图像特征提取和图像分类的研究成果,深入研究了基于肝癌肝组织病理图像纹理特征的图像分类方法,利用分形维数、多重分形谱及其小波域上多方向分形维作为纹理特征,对分形维数的计算方法进行改进,使其能够更加准确的描述图像的纹理特征。 在病理图像识别方面,本文重点研究了极限学习机算法,同时研究了支持向量机算法,并通过对二者的对比实验分析了极限学习机的优点和缺点。为了解决极限学习机在对小样本分类时准确率不高的问题,本文提出了将模糊核聚类方法与ELM相结合的算法。提出了基于差分进化的ELM算法,利用差分进化算法的全局寻优能力,选取极限学习机网络的权值和阈值,优化网络模型。 根据上述算法,本文进行了实验测试,实验结果表明,本文改进的ELM方法提高了分类的性能,也验证了提取的纹理特征的有效性。