新穎的模式分類算法MatMHKS及在乳腺癌計算機(jī)輔助診斷中的應(yīng)用.pdf

1、在模式識別系統(tǒng)中，分類器是一個重要的組成部分，分類器設(shè)計的好壞將直接影響模式識別系統(tǒng)最終的識別性能。線性分類器因其簡單、易于分析和實現(xiàn)且容易推廣為非線性分類器的優(yōu)點而成為模式分類最常用的分類器，并產(chǎn)生了感知器(Perceptron)、松弛算法(Relaxation)、最小平方誤差(Minimum Square Error，MSE)和Ho-Kashyap(H-K)算法等經(jīng)典算法。正則化的Ho-Kashyap線性分類算法(MHKS)采用了支

2、持向量機(jī)最大化間隔的思想，在實驗中獲得了較傳統(tǒng)H-K算法更優(yōu)的推廣性能和分類性能。然而現(xiàn)有的線性分類器幾乎都是針對向量模式的，即所有的模式都采用向量表示，要應(yīng)用于矩陣表示的模式，必須首先將矩陣模式轉(zhuǎn)換成向量模式。如此轉(zhuǎn)換至少會帶來三個不足：1)空間或結(jié)構(gòu)信息可能會遭到破壞；2)由于權(quán)向量的維數(shù)等于輸入模式的維數(shù)，當(dāng)輸入模式維數(shù)很大時，權(quán)值的存儲空間相應(yīng)的會很大；3)對于大維數(shù)的向量模式，當(dāng)樣本數(shù)不多的時候，利用線性分類器易導(dǎo)致過擬合。受

3、到已有面向矩陣的特征提取方法的啟發(fā)，本文將此方法引入到正則化H-K線性分類器的設(shè)計中，設(shè)計出面向矩陣模式的雙邊正則化H-K分類算法MatMHKS，克服了以上不足，并繼承了MHKS算法的優(yōu)點。與MHKS相比，在公共數(shù)據(jù)集上實驗都取得了更好的分類性能。 本文的另外一個工作是將所設(shè)計的分類算法應(yīng)用于乳腺癌計算機(jī)輔助診斷中，并根據(jù)醫(yī)學(xué)診斷中漏診和誤診代價不同的特點，在MatMHKS中引入代價因子，設(shè)計出代價敏感的MatMHKS算法(CS

4、-MatMHKS)。在乳腺癌早期診斷中，乳腺X片被認(rèn)為是最有效的技術(shù)之一，乳腺癌在X線圖像下的主要表現(xiàn)是腫塊和微鈣化點，本文主要是針對微鈣化簇，首先提取一系列醫(yī)學(xué)專家認(rèn)為對分類有用的特征，然后直接用CS-MatMHKS分類器進(jìn)行診斷，從而保留了較多的判別信息，同時當(dāng)提取的特征很多即輸入模式維數(shù)很大時，用矩陣化算法又降低了發(fā)生過擬合(overfitting)的可能性。在公共乳腺癌數(shù)據(jù)庫DDSM上進(jìn)行了實驗，并且與支持向量機(jī)(SVM)以及B