基于模糊支持向量机的医学图像分类技术

吉林大学学报(工学版)

基于模糊支持向量机的医学图像分类技术

曹春红^1，2，张斌¹，李小琳³

1.东北大学信息科学与工程学院，沈阳 110004； 2.东北大学 3S与数字矿山研究所，沈阳 110004； 3.南京大学计算机软件新技术国家重点实验室，南京 210093

收稿日期:2006-04-17 修回日期:2006-07-12 出版日期:2007-05-01 发布日期:2007-05-01
通讯作者: 曹春红

Medical image classification technology based on fuzzy support vector machine

Cao Chun-hong^1，2, Zhang Bin¹,Li Xiao-lin³

1.Collge of Information Science and Engineering, Northeastern University, Shenyang 110004, China； 2.Institute for RS/GPS/GIS & Digital Mine Research Northeastern University, Shenyang 110004, China; 3.State Key Laboratory for Novel Software Technology,Nanjing University,Nanjing 210093,China

Received:2006-04-17 Revised:2006-07-12 Online:2007-05-01 Published:2007-05-01
Contact: Cao Chun-hong

摘要/Abstract

摘要： 对每一个训练点都定义点模糊度，利用其隶属函数所包含的信息量来确定模糊度，在此基础上对传统的支持向量机算法进行了改进，提出了基于模糊支持向量机的医学图像分类技术。采用不同噪声图像进行的试验结果表明，模糊支持向量机方法能够较好地对MRI图像中脑组织进行分类，并且具有较高的精度。使用该方法还可以减少计算量，提高运算速度。

关键词: 计算机应用, 医学图像分类, 支持向量机, 模糊支持向量机, 模糊度

Abstract: A new method for medical image classification was proposed which is based on fuzzy support vector machine. In this method a fuzzy degree is defined for each training point, and the level of the fuzzy degree is determined by the amount of information in the subjecting function. Thus the traditional support vector machine algorithm is improved. Experiments on images with different noise levels were conducted and results show that the proposed method is able to classify the brain tissues in the MRI images with high precision. In application of this method the cost and time of computation can also be reduced.

Key words: computer application, medical image classification, support vector machine, fuzzy support vector machine, fuzzy degree

中图分类号:

TP391

曹春红，张斌，李小琳 . 基于模糊支持向量机的医学图像分类技术[J]. 吉林大学学报(工学版), 2007, 37(03): 630-0633.

Cao Chun-hong Zhang Bin,Li Xiao-lin . Medical image classification technology based on fuzzy support vector machine[J]. 吉林大学学报(工学版), 2007, 37(03): 630-0633.

参考文献

相关文章 15

[1]	刘富,宗宇轩,康冰,张益萌,林彩霞,赵宏伟. 基于优化纹理特征的手背静脉识别系统[J]. 吉林大学学报(工学版), 2018, 48(6): 1844-1850.
[2]	王利民,刘洋,孙铭会,李美慧. 基于Markov blanket的无约束型K阶贝叶斯集成分类模型[J]. 吉林大学学报(工学版), 2018, 48(6): 1851-1858.
[3]	金顺福,王宝帅,郝闪闪,贾晓光,霍占强. 基于备用虚拟机同步休眠的云数据中心节能策略及性能[J]. 吉林大学学报(工学版), 2018, 48(6): 1859-1866.
[4]	赵东,孙明玉,朱金龙,于繁华,刘光洁,陈慧灵. 结合粒子群和单纯形的改进飞蛾优化算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1867-1872.
[5]	刘恩泽,吴文福. 基于机器视觉的农作物表面多特征决策融合病变判断算法[J]. 吉林大学学报(工学版), 2018, 48(6): 1873-1878.
[6]	隗海林, 包翠竹, 李洪雪, 李明达. 基于最小二乘支持向量机的怠速时间预测[J]. 吉林大学学报(工学版), 2018, 48(5): 1360-1365.
[7]	欧阳丹彤, 范琪. 子句级别语境感知的开放信息抽取方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1563-1570.
[8]	刘富, 兰旭腾, 侯涛, 康冰, 刘云, 林彩霞. 基于优化k-mer频率的宏基因组聚类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1593-1599.
[9]	桂春, 黄旺星. 基于改进的标签传播算法的网络聚类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1600-1605.
[10]	刘元宁, 刘帅, 朱晓冬, 陈一浩, 郑少阁, 沈椿壮. 基于高斯拉普拉斯算子与自适应优化伽柏滤波的虹膜识别[J]. 吉林大学学报(工学版), 2018, 48(5): 1606-1613.
[11]	车翔玖, 王利, 郭晓新. 基于多尺度特征融合的边界检测算法[J]. 吉林大学学报(工学版), 2018, 48(5): 1621-1628.
[12]	赵宏伟, 刘宇琦, 董立岩, 王玉, 刘陪. 智能交通混合动态路径优化算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1214-1223.
[13]	黄辉, 冯西安, 魏燕, 许驰, 陈慧灵. 基于增强核极限学习机的专业选择智能系统[J]. 吉林大学学报(工学版), 2018, 48(4): 1224-1230.
[14]	傅文博, 张杰, 陈永乐. 物联网环境下抵抗路由欺骗攻击的网络拓扑发现算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1231-1236.
[15]	曹洁, 苏哲, 李晓旭. 基于Corr-LDA模型的图像标注方法[J]. 吉林大学学报(工学版), 2018, 48(4): 1237-1243.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed