论文将支持向量机的机器学习方法引入到医学图像的分类问题。首先概述
了支持向量机的理论基础和数学模型，着重介绍了支持向量机的推广能力和核
函数理论。其次介绍了一些主要的改进支持向量机学习算法，分析了这些算法
的优缺点。最后应用支持向量机方法对乳腺X线图像提取出来的特征样本进行
分类，采用交叉检验方法进行支持向量机核函数参数的选择，取得了较好的分
类准确率。
2022-05-10 18:39:08
2.38MB
1
本文提出一种基于RBF神经网络的医学图像分类算法，利用像素的特征信息作为训练样本对RBF神经网络进行训练，使用训练后的RBF神经网络图像的分类识别，对不同的分类结果赋予不同rgb值进行显示。实验结果表明，RBF神经网络的结构简单、学习权值数量少且收敛速度快，不仅能有效的区分医学图像中的不同结构，显示图像细节，同时其误差曲线收敛稳定、速度快。
2021-10-25 11:14:16
1011KB
1
针对医学图像具有较大的相似性和交叉性，易造成归属类别混乱的问题，提出了一种基于粒子群算法的医学图像分类方法。该方法使用形态学滤波和阈值法进行预处理；使用SIFT特征描述子来提取图像的局部特征，并使用聚类的方法得到SIFT特征的“视觉词汇”；使用粒子群算法选出一些列多样性和精度更高的SVM、KNN和AdaBoost分类器对特征进行分类。对15种不同类型的医学图像进行分类的结果表明，所提出的方法取得了94.72%的分类精度，且相比于单个分类器的方法具有较大的性能提升。
2021-05-06 15:26:31
1.54MB
1
针对计算机辅助乳腺疾病诊断方法准确率低、耗时长等问题，提出一种基于改进的 卷积神经网络（CNN）的乳腺疾病诊断方法．该方法从以下3个方面做了改进：(1)设计双通道 卷积神经网络来解决单通道特征提取不充分的问题；(2)采用Dropout技术有效地防止过拟合现象；(3)采用支持向量机(SVM)代替传统的Softmax分类器以减少运算量，提高运算速度．测试结果表明：所提出的分类模型平均准确率高达92.31%，平均训练时间为968s，充分验证 了该方法的有效性。
2021-03-07 21:04:34
373KB
1