基于迭代顺序滤波子空间约束的可拒识-支持向量机微钙化点检测

为提高钙化点检测速度,克服微钙化点检测中假阳性高的缺点,本文构造了一种迭代顺序滤波子空间约束的可拒识-支持向量机分类器用于钙化点检测.训练时利用迭代顺序滤波检测作为钙化点的粗检测算子,然后在其约束的子空间内收集非钙化点训练样本.对于输入模式,首先利用基于最大软间隔超平面的支持向量分类器(SVC)进行分类判决;然后对真实的钙化点样本特征空间求取最小的包含球形边界,得到钙化点样本的球形支持向量域表示(SVDD).对于输入模式即可利用钙化点的支持向量域表示进行拒识或接受处理.仿真实验结果表明,本文提出的算法在不影响微钙化点的检出率的情况下,大大提高了检测速度,部分解决了假阳性高的问题.

基于可拒识-双层支持向量分类器的微钙化点检测

为克服医学图像微钙化点检测中假阳性高的缺点,构造了一种带拒识能力的双层支持向量模型分类器,用于钙化点检测。检测时,首先利用基于最大间隔超平面的支持向量分类器(SVC)对输入模式进行分类判决;然后通过求取真实钙化点样本特征空间最小的包含球形边界来得到钙化点样本的球形支持向量域表示(SVDD);接着利用钙化点的支持向量域表示对输入模式进行拒识或接受处理;最后利用SVC与SVDD两个分类器的结果来进行综合判决。仿真实验结果表明,该算法在不影响微钙化点的检出率的情况下,可部分解决假阳性高的问题。

基于多尺度空间滤波和l_1范数最近邻分类的乳腺图像微钙化点检测

钙化信息是乳腺癌早期诊断的一个重要依据,针对钙化点检测检出率较低和假阳性较高的问题,提出一种基于多尺度空间滤波和l1范数最近邻分类的乳腺图像微钙化点检测算法。首先利用多尺度空间滤波方法得到原图像的多尺度显著特征图,然后通过基于人眼视觉特性的钙化点分割方法得到粗检测钙化点的二值图像,并送入l1范数最近邻分类器去除假阳性点。仿真实验结果表明,本文的钙化点粗检测算法可较好的检测出可疑钙化点,对于对比度较低的钙化图像也可得到较好的检测结果,同时后续的分类器判决效果良好,使钙化点检测结果具有较高检出率的同时具有较低的假阳性率。

基于快速可拒识-双层支持向量分类器的微钙化点的检测算法

为克服微钙化点检测中假阳性高的缺点,本文构造了一种带拒识能力的双层支持向量模型分类器用于钙化点检测。对于输入模式,首先利用基于最大间隔超平面的支持向量分类器(SVM)进行分类判决;然后对真实的钙化点样本特征空间求取最小包含球形的边界,得到钙化点样本的球形支持向量域表示(SVDD),对于输入模式即可利用钙化点的支持向量域表示进行拒识或接受处理;最后利用SVM与SVDD两个分类器的结果进行综合判决。无论是第一层的求取最优分类超平面,还是第二层的边界优化训练,都根据各个训练数据的类间最近邻距离进行排序操作,选择合适的训练样本子空间进行SVM和SVDD训练。仿真实验结果表明,本文提出的算法在不影响微钙化点检出率的情况下,可以部分解决钙化点检测中假阳性高的问题。

基于增量SVM的可继续学习微钙化点检测算法

针对乳腺癌的计算机辅助诊断中存在的新样本不断出现的问题,提出基于增量SVM(support vector machine)的微钙化点检测算法,对于出现的新样本,首先用KKT条件判断其是否能被当前的分类器正确分类,若新样本能被正确地分类,说明新样本不是支持向量,无需训练新的分类超平面,若新样本不能被正确地分类,则将新的样本与原分类器的支持向量集一起构成新的训练样本集,重新构造支持向量集,适时地调整最优分类面,更新分类器。该方法避免了传统的利用所有样本重新形成分类器的复杂运算。实验结果表明,该算法有效地实现了医学图像计算机辅助诊断的在线优化升级。

基于SVM输出概率建模的微钙化点检测算法

针对乳腺癌的计算机辅助诊断中存在的病例样本个体差异性比较大的问题,提出将概率输出SVM分类器应用于微钙化点检测技术,仿真实验结果表明,后验概率输出相比传统的SVM输出具有较好的判决能力。

基于子空间选择的SVM快速算法及其在医学图像奇异点检测中的应用

支持向量机(SVM)花费大量时间用于对非支持向量样本的优化.根据支持向量都是位于两类边界的靠近分类超平面的样本点,本文提出首先利用基于中心距离比值法排除大部分远离分类超平面的样本,然后以最小类间距离样本数作为测度进一步选择边界样本,得到包含所有支持向量的最小样本集,构成新的训练样本集训练SVM.将提出的算法应用于解决医学图像奇异点检测问题.实验结果表明,该算法减小了训练样本集的规模,有效地缩短了SVM训练算法的时间,同时获得了较高的检出率.

基于多尺度空间滤波结合两级l_1范数最近邻分类的乳腺微钙化图像病变类型诊断系统

提出一种基于多尺度空间滤波结合l1范数最近邻分类的乳腺微钙化图像病变类型诊断系统,该系统主要由三部分组成:微钙化点检测、微钙化簇特征提取和分类判决。首先利用多尺度空间滤波方法得到原图像的多尺度显著特征图,然后通过基于视觉特性的钙化点分割方法得到粗检测钙化点的二值图像,并送入l1范数最近邻分类器去除假阳性点得到钙化点信息,进而得到局部区域的微钙化簇图像,通过提取钙化簇特征信息,并再次利用l1范数最近邻分类器进行分类,判断该钙化簇的良/恶性。仿真实验结果表明,所设计的微钙化簇检测算法可较好地检测出可疑钙化点,对乳腺图像病变部位进行自动识别,并准确判别病变类型,为医生的诊断提供有效的帮助。

一个结合形态学滤波和高斯-拉普拉斯滤波检测乳腺X线影像中钙化点的新方法

微钙化点是乳腺X线影像上独立的亮点,它表征乳腺癌的早期症状。但由于乳腺图片本身规模大、复杂且噪声多,微钙化点体积很小,与乳腺背景对比度又低,所以很难被检出。形态学带通滤波(MBF)算法尽管能快速检出钙化点,但精度不足。高斯-拉普拉斯滤波(LoGF)尽管能比较精确地检出钙化点的位置但较费时。本文提出一种结合上述两者优点同时能克服其缺点的钙化点检测新方法。在南京中大医院乳腺癌数据集上所做实验结果表明,该方法的检测时间接近于MBF方法,同时准确度和LoGF检测方法相当。