資源描述：
《基于支持向量機的尿液粒子識別分類研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學術(shù)論文-天天文庫。
1、基于支持向量機的尿液粒子識別分類研究第l章緒論1．1引言第1章緒論隨著科技的不斷發(fā)展，現(xiàn)代醫(yī)學與不同的學科進行著交叉和融合。計算機科學與現(xiàn)代醫(yī)學的產(chǎn)物之一便是醫(yī)學圖像處理和分析技術(shù)。近年來，在臨床診斷、教學科研等方面醫(yī)學圖像處理的各種手段和方法得到了廣泛的應用。醫(yī)學領(lǐng)域，尤其是臨床診斷發(fā)生了重大的變化，開創(chuàng)了數(shù)字診斷新時代。計算機輔助診斷在醫(yī)學中的應用可追溯N20世紀50年代。1959年，美國學者Ledley等首次將數(shù)學模型引入臨床醫(yī)學，提出了計算機輔助診斷的數(shù)學模型?，F(xiàn)在計算機技術(shù)的高速發(fā)展更為數(shù)學模型在診斷中發(fā)揮作用
2、提供了廣闊的空間。計算機輔助診斷(ComputerAidedDiagnosis)技術(shù)近年來獲得快速發(fā)展，尤其發(fā)達國家投入大量人力和物力進行研究，每天有大量相關(guān)報道出現(xiàn)。各種圖像采集設(shè)備在醫(yī)學診斷中的廣泛應用也造成了新的問題：單個病人的圖像資料越來越多，或者病人人數(shù)眾多，需要分析的圖像越來越多；從而使醫(yī)生要人工閱讀大量的圖像，產(chǎn)生巨大的工作量。這一點對于血液、尿液等醫(yī)院較常規(guī)的檢查來說，尤其明顯，醫(yī)生苦于大量的圖像數(shù)據(jù)需要分析，因此計算機輔助的診斷和分析就顯得尤為重要。尿液有形成分(沉渣)的定性和定量檢查對泌尿系疾病的早期
3、診斷、病情及治療效果的評價和預后均有重要意義，與尿液實驗室檢查共同組成的現(xiàn)代尿液分析，是各級醫(yī)院的檢查常規(guī)。因此醫(yī)院每天都要產(chǎn)生大量的尿沉渣圖像數(shù)據(jù)，這種情況下如果醫(yī)生完全憑肉眼判別其中有形成分的種類，一來工作量上需要大量有檢驗經(jīng)驗的人員；二來也容易在疲勞的情況下造成誤判。而且依靠圖像進行判斷也依賴于診斷醫(yī)生的經(jīng)驗和能力，個人差異性很大。醫(yī)學圖像處理分析技術(shù)和計算機輔助診斷(BasedComputerAidedDiagnosis，MIBCAD)技術(shù)迅速發(fā)展起來，為其機器智能化識別提供了可能。如何更好地利用計算機技術(shù)幫助醫(yī)
4、生快速準確地做出判斷，是研究人員奮斗的目標。在特征提取的基礎(chǔ)上進行模式分類是基于醫(yī)學圖像的計算機輔助診斷的重要步驟。分類問題是一個模式識別問題，典型的分類方法包括：對原始數(shù)據(jù)進行處理的過程中得到目標的一系列特征，以及這些特征的組合形成的模式，分析學一1一基于支持向量機的尿液粒子識別分類研究第1章緒論習這些特征或特征的組合形成的模式，訓練計算機進行自動的分類分析。模式識別(PatternRecognition)是人類的一項基本智能，在日常生活中，人們經(jīng)常在進行“模式識別”。隨著20世紀40年代計算機的出現(xiàn)以及50年代人工智
5、能的興起，人們希望能用計算機來代替或擴展人類的部分腦力勞動。(計算機)模式識別在20世紀60年代初迅速發(fā)展并成為-I'-J新學科，就是通過計算機用數(shù)學技術(shù)方法來研究模式的自動處理和判讀。模式識別(PatternRecognition)是指對表征事物或現(xiàn)象的各種形式的(數(shù)值的、文字的和邏輯關(guān)系的)信息進行處理和分析，以對事物或現(xiàn)象進行描述、辨認、分類和解釋的過程，是信息科學和人工智能的重要組成部分。模式識別研究的目的是構(gòu)造自動處理某些信息的機器系統(tǒng)，以代替人完成分類和辨識的任務(wù)。它所研究的理論和方法在很多科學和技術(shù)領(lǐng)域中得
6、到了廣泛的重視并且得到了一定程度的應用，吸引了許多來自不同領(lǐng)域的專家，其中也包括生物醫(yī)學工程領(lǐng)域的專家們。尤其是近幾年來它在醫(yī)學圖像的分析和識別方面的作用逐漸被研究者所認識，已經(jīng)成為生物醫(yī)學工程中的一個重要分支。目前常用的模式識別分類方法有線性分類方法、人工神經(jīng)網(wǎng)絡(luò)、模糊聚類等。以往的分類方法基于傳統(tǒng)統(tǒng)計學，或基于樣本數(shù)目趨于無窮大時的漸進理論，而實際應用中樣本的數(shù)目往往是有限的。因此，這些傳統(tǒng)方法容易產(chǎn)生局部極小點、過學習等問題。所以這些在理論上堪稱優(yōu)秀的分類方法在實際應用中的表現(xiàn)卻有可能不盡人意。另外，這些學習算法片
7、面強調(diào)減小訓練誤差，得到的可能是局部最優(yōu)解，忽視了泛化性能的定量研究，有時會產(chǎn)生過適應現(xiàn)象。因此，尋找適合小樣本的模式識別方法成為研究人員的目標。支持向量機(SupportVectorMachine，SVM)是AT&Bell實驗室的V．Vapnik針對分類和回歸問題(ClassificationandRegression)，為適用于小樣本學習問題而提出的通用學習算法。它根據(jù)VC(Vapnik．Chervonenkis)理論，基于結(jié)構(gòu)風險最小(StructuralRiskMinimization,SRM)原理，而非傳統(tǒng)的經(jīng)
8、驗風險最小化(Empiricalriskminimization，ERM)原理，從而能兼顧訓練誤差和泛化能力，提供了新的思路和方法。支持向量機的不斷發(fā)展很好地解決了以往困擾很多機器學習方法的問題，一2一基于支持向量機的尿液粒子識別分類研究第l章緒論如模型選擇與過學習問題、非線性和維數(shù)災難問題、局部極小點問題等等。作為
