论文部分内容阅读
随着数字医疗设备和计算机图像处理及模式识别技术的迅猛发展,能够对医学图像进行定量分析的计算机辅助诊断(Computer Aided Diagnosis, CAD)技术应运而生。我国肝癌病例逐年升高,医学界对肝癌计算机辅助诊断技术提出了迫切需求,因此开发肝癌图像分析与识别技术具有重要的研究意义和应用价值。为了有效地保存肝脏特有的空间结构信息,本文在参考大量国内外文献的基础上,将张量作为肝癌特征,直接在张量空间进行主成分分析,基于张量多线性主成分分析(Multimate Principal Component Analysis, MPCA)方法和广义N维主成分分析(Generalized N-Dimensional Principal Component Analysis, GND-PCA)方法提出了建立肝脏表观模型的新方法,并利用蚁群优化支持向量机(Ant Colony Optimize-Support Vector Vector, ACO-SVM, ACO-SVM)建立肝癌识别模型。即首先从医学图像中提取纹理特征、分形特征,其中分形特征根据毯子法和盒子法求得,纹理特征根据与像素一一对应的灰度值求得,基于这些特征建立肝脏图像的高阶张量,然后使用MPCA和GND-PCA方法进行模型的建立并加以对比,其次利用降维映射方法将模型映射成特征矩阵并利用ACO-SVM方法进行肝癌等多种肝脏疾病的识别。为了验证算法的有效性,本文基于肝脏图像进行了肝癌识别实验,实验结果表明:两种张量模型建立的方法均优于传统向量模型的方法,其中GND-PCA方法在运算速度和分类效果上更优于MPCA方法,本文算法在肝脏疾病的分类以及多分类的问题中都取得了较好的分类结果,可以更加准确的协助医生进行肝癌的诊断。