论文部分内容阅读
对于计算机辅助检测而言,提取医学图像中的特征、对医学图像进行良恶性识别逐渐成为研究的重点。本文以肺CT图像作为研究的主要对象,出于评判CT图像有无病灶的目的,需要提取结节感兴趣区域的特征,设计图像识别模型,然后对结节感兴趣区域进行识别。影响识别结果的主要因素是特征信息的选取和识别算法模型的构造。为了提升肺结节识别的准确度,结合核函数与SVM的特点,构造了混合核SVM模型,在已有肺结节ROI的形态学特征、灰度特征、纹理特征基础上,进一步提取了不变矩的特征,然后使用混合核SVM算法对肺结节进行识别。本文工作由以下几个方面构成:第一,对肺部CAD研究的背景及在国内外的整体研究现状进行了全面的介绍,对核函数理论、支持向量机理论进行了系统化的阐述。第二,图像特征信息是图像识别的基础,特征信息会直接影响识别算法的识别准确度。根据肺结节ROI的特点以及不变矩特征具有平移、镜像、尺度以及旋转不变的性质,在已有肺结节ROI的形态学特征、灰度特征、纹理特征的基础上,进一步提取了肺结节ROI的不变矩特征。第三,使用混合核SVM算法对肺结节进行识别。将多项式核函数与sigmoid核函数混合,然后与SVM算法结合,构造混合核SVM算法模型,使用网格搜索法对混合核SVM算法进行参数寻优,并应用于肺结节识别。通过仿真实验,将混合核SVM算法与单核SVM算法对肺结节的识别效果进行比较,得出混合核SVM算法对肺结节识别的AUC比单核SVM的AUC高。第四,由于混合核函数SVM参数比较多,用网格搜索算法对混合核SVM算法进行参数寻优的时间比较长,因此引入粒子群优化算法寻找混合核SVM的最优参数组,并应用于肺结节识别。通过基于PSO优化的混合核SVM算法与基于网格搜索的混合核SVM算法对肺结节的识别结果进行比较,得出基于PSO优化的混合核SVM算法对肺结节识别的训练时间更短。