（计算机应用技术专业论文）支持向量机在医学图像分割中的应用研究.pdf

l i i i iiiiii i iii i i1 1 11 1 1 1 i y 17 5 0 0 71 支持向量机在医学图像分割中的应用研究 学科：计算机应用技术 研究生签字：字彳彳季气 指导教师签字：办l 铅夕往 摘要 研究医学图像对促进医学科学的发展具有重大意义，图像分割是研究医学图像的核心 问题。现今，已有学者将支持向量机应用于图像分割处理中，并能够取得较好的分割效果。 但由于没有考虑到相关应用领域的知识特点，对边缘的分割处理效果不是很突出，有待进 一步改进。 1 ) 本文以医学图像中的核磁共振脑图像作为研究对象，使用支持向量机方法对不同 噪声级别的仿真m r 脑图像作图像分割研究。 2 ) 在研究过程中，考虑了核磁共振图像的成像特点，提出了一种新型的划分区域： 扩圆形区域。该区域介于传统的方形区域与圆形区域之间。用扩圆形区域内计算出的灰度 特征和纹理特征作为像素点的支持向量，并以此向量为基础建立样本模型，对目标进行分 类处理，完成对核磁共振脑图像的分割。 3 ) 本文对训练和测试样本采用交叉验证方法，采用了国外一种比较权威的算法评价 方法来评价所获取实验数据，并客观地分析改进和评价算法。通过与基于先验知识的支持 向量机分割结果相对比，结果表明在处理小噪声级别图像时，新方法的分割效果较好，在 处理噪声级别比较大的图像时，新方法的分割效果与其相差不多。 本文将支持向量机应用于医学图像分割，以加拿大麦吉尔大学的b r a i n w c b 模拟脑部 数据库提供的不同噪声的图像进行实验，在实验中应用改进后算法，结果表明改进后算法 的分类综合能力较传统支持向量机算法较高，尤其在噪声级别不大的情况下，分割效果明 显。在噪声比较大的情况下，也具有一定的分割效果。研究成果可为脑部诊断及手术导航 起到参考作用。 关键词：支持向量机；医学图像分割；扩圆形区域；磁共振图像；边缘检测 m e d i c a li m a g es e g m e n t a t i o na l g o r i t hm b a s e do ns u p p o r tv e c t o rm a c h i n e d i s c i p l i n e ：c o m p u t e ra p p l i c a t i o nt e c h n o l o g y s t u d e n ts i g n a t u 阳：缸呀吨 s u p e r v i s 。rs i g n a t u 他：厶f 占a 二仁二 a b s t r a c t r e s e a r c h i n gm e d i c a li m a g e si so fg r e a ts i g n i f i c a n c et op r o m o t et h ed e v e l o p m e n to f m e d i c a ls c i e n c e ，t h ec o r ei s s u eo fm e d i c a li m a g er e s e a r c hi si m a g es e g m e n t a t i o na n di m a g e e x t r a c t i o n r e c e n t l y , s u p p o r tv e c t o rm a c h i n e s h a v e b e e nu s e di ni m a g es e g m e n t a t i o np r o c e s s i n g ， a n di sa b l et oo b t a i ns a t i s f a c t o r ys e g m e n t a t i o nr e s u l t s b u t , w i t h o u tt a k i n gi n t oa c c o u n tt h e k n o w l e d g ec h a r a c t e r i s t i c so fr e l e v a n ta p p l i c a t i o nf i e l d ，t h ee f f e c t so ft h ee d g ed i v i s i o na r en o t v e r yp r o m i n e n t , a n ds h o u l db ef u r t h e ri m p r o v e d 1 ) t h i sa r t i c l et a k em e d i c a li m a g e so fm r ib r a i ni m a g e sa sr e s e a r c ho b j e c t s ，a n du s e s u p p o r tv e c t o rm a c h i n em e t h o dt oa c h i e v et h ei m a g es e g m e n t a t i o no fm rb r a i n i m a g e s 谢吐ls i m u l a t i o no fd i f f e r e n tn o i s el e v e l s 2 ) d u r i n gt h er e s e a r c hp r o c e s s ，t a k i n gi n t oa c c o u n tm ri m a g ef e a t u r e s ，t h i sa r t i c l e p r e s e n t san e wt y p eo fd i v i s i o na r e a s ：e x p a n d i n gc i r c u l a ra r e a t h i sa r e ae x i s t s b e t w e e nt h et r a d i t i o n a ls q u a r ea r e aa n dc i r c u l a ra r e a t a k i n gt h eg r a y - s c a l ef e a t u r e s a n dt e x t u r ef e a t u r e sc a l c u l a t e di ne x p a n d i n gc i r c u l a ra r e aa ss u p p o r tf o rp i x e lv e c t o r , t h ee s t a b l i s h m e n to fv e c t o r - b a s e dm o d e l si sa c h i e v e d , t h ea s s o r t e dm r ib r a i ni m a g e s e g m e n t a t i o ni sc o m p l e t e d 3 )i nt h i sa r t i c l e ，w eu s et h et h ec r o s s - v a l i d a t i o nm e t h o dt ot r a i na n dt e s ts a m p l e s ， d u r i n gt h i sp r o c e s su s i n gam e t h o dt oe v a l u a t et h ee x p e r i m e n t a ld a t a , w h i c hi sam u c h a u t h o r i t a t i v ee v a l u a t i o na l g o r i t h ma tp r e s e n t ，a n dt h e na n a l y z e ，a m e l i o r a t e ，e v a l u a t e t h em e t h o d o b j e c t i v e l y c o m p a r i n g w i t l lt h em e t h o do f w o r k i n g 、i t l l k n o w l e d g e - b a s e ds u p p o r tv e c t o rm a c h i n es e g m e n t a t i o n , t h en e wm e t h o do f s e g m e n t a t i o ni sb e t t e ri nd e a l i n gi m a g e s 诵t l ll o wn o i s el e v e l ，a n dd e a l i n gi m a g e s w i t hh i g hn o i s el e v e li ss i m i l a r 诵t l lt h ea b o v em e t h o d t h i sa r t i c l ea p p l ys u p p o r tv e c t o rm a c h i n ei nm e d i c a li m a g es e g m e n t a t i o n t h em e d i c a l i m a g e so ft h ee x p e r i m e n ta r ef r o mm c g i l lu n i v e r s i t yb r a i n w e bs i m u l a t e db r a i nd a t a b a s e i n t h ee x p e r i m e n ti m p r o v e da l g o r i t h mi sa p p l i e da n dt h er e s u l t sh a v es h o w nt h a tt h ei m p r o v e d a l g o r i t h mh a sm o r ea b i l i t yo fc a t e g o r ya n dc o m p l e x ，e s p e c i a l l yw h e nt h en o i s el e v e li sl o w , i t c a ng e tb e t t e rs e g m e n t a t i o ne f f e c t s e v e nw h e nt h en o i s el e v e li sh i g h e r , i tc a l la l s og e tb e t t e r e f f e c t s t h es o f t w a r ep r o v i d e sar e f e r e n c ef o r t h eb r a i nd i a g n o s i sa n ds u r g i c a ln a v i g a t i o n k e yw o r d s ：s u p p o r tv e c t o rm a c h i n e ；m e d i c a li m a g es e g m e n t a t i o n ；e x p a n d i n gc i r c u l a ra r e a ； m r i m a g e ；e d g ed e t e c t i o n 目录 1 绪论一1 1 1 研究背景1 1 2 国内外图像分割算法研究现状3 1 2 1 基于区域的分割方法3 1 2 2 基于边界的分割方法4 1 2 3 基于模糊技术的分割方法5 1 2 4 基于人工神经网络的分割方法5 1 2 5 基于遗传算法的分割5 1 2 6 其它方法j 。6 1 3 支持向量机的研究现状6 1 4 本文的研究内容和组织结构7 2 支持向量机理论8 2 1 机器学习理论基础8 2 1 1 机器学习的问题表示9 2 1 2 经验风险最小化11 2 1 3 复杂性与泛化能力1 1 2 2 统计学习理论基础1 2 2 2 1 学习过程的一致性条件1 3 2 2 2v c 维理论。1 4 2 2 3 推广性的界1 4 2 2 4 结构风险最小化1 5 2 3 支持向量机1 7 2 3 1s v m 的基本思想。1 7 2 3 2 线性可分的最优分类面1 7 2 3 3 线性不可分的最优分类面1 9 2 3 4 支持向量机：。2 0 2 3 5 核函数2 2 2 3 6 支持向量机的多类分类问题2 2 2 4 本章小结2 4 3 医学图像分割2 5 3 1 医学图像分割意义和目的。2 5 3 2 医学图像特点。2 5 3 3 医学图像分割主要方法。2 7 i 3 4 训练样本区域选择的研究2 7 3 5 支持向量机的医学图像分割2 9 3 6 本章小结2 9 4 支持向量机在医学图像分割中的算法3 0 4 1 图像获取3 0 4 2 图像预处理。3 2 4 3 基于支持向量机的医学图像分割实现3 2 4 3 1 支持向量机分类器构建3 2 4 3 2 训练和测试样本的选取3 7 4 3 3 图像特征提取及归一化3 7 4 4 本章小结4 0 5 实验步骤及结果4 1 5 1 实验实现步骤4 1 5 1 1 读取图像4 l 5 1 2 计算纹理特征4 2 5 1 3 归一化处理4 3 5 1 4 样本训练4 4 5 1 5 预测4 5 5 2 实验结果分析评价4 6 5 3 与其他方法处理结果的比较4 9 5 4 本章小结4 9 6 结论5 0 参考文献51 攻读硕士学位期间发表的论文5 4 弱e谢5 5 学位论文知识产权声明5 6 学位论文独创性声明5 7 1 绪论 1 1 研究背景 1 绪论 近年来，在医学领域上，医学成像技术有了长足的发展，如今，这些新技术可以甄别 人体任何器官结构以及许多重要生物过程，为医学工作者和研究人员获得大量高分辨率的 医学图像影像数据提供了技术保障，为医学诊断与临床治疗的发展做出了不可磨灭的贡 献。各种成像技术的实现，为临床诊断及生物医学研究提供了可靠的依据，如核磁共振成 像( m r - m a g n e t i cr e s o n a n c ei m a g i n g ) 、超声成像s ：u l t r a s o n o g r a p h y ) 、x 射线断层成 像( x c t ：x m yc o m p u t e r i z e dt o m o g r a p h y ) 、正电子放射层扫描术( p e t - p o s i t i o ne m i s s i o n t o m o g r a p h y l 及其它医学影像设备所获得的图像。正是由于计算机与医学图像处理技术的 紧密结合，使其成为这些成像技术的发展基础，并对现代医学诊断的变革产生了深远的意 义。 人们在对图像的研究和应用中，往往只对图像中的某些特定部分感兴趣，而对剩余部 分的兴趣不是很大，这就涉及到了图像的分割与提取。通过对图像中特定区域一目标图像 的分析与研究，为了更好的表示和分析目标，需要将目标区域从原图中分离并提取出来， 在此基础上才有可能对目标进一步利用，这就是图像分割的一般含义。本文所论述的图像 分割就是指把图像按照其特性进行划分，并提取出感兴趣区域的技术和过程。这里特性包 含象素的灰度值、颜色值、纹理特征等，目标区域可以对应某一个单独区域，也可以对应 多个区域，这是由具体的分割技术决定的。 图像分割是图像处理技术中的关键步骤。一方面，它是目标表达的基础，对特征测量 有重要影响。另一方面，因为图像分割及其基于分割的目标表达、特征提取和参数测量等 将原始图像转化为更抽象更紧凑的形式，使得更高层的图像分析和理解成为可能。图像 分割在现实生活中已得到广泛的应用，从医学图像和遥感图像分析，到工业自动化，从文 档图像处理，到监视系统，大到军事，体育，农业，小到图像处理，都会用到图像分割技 术。总的来说，在各种图像应用中，只要是对图像目标进行处理，就离不开图像分割技术。 在医学成像技术中，磁共振成像( m 对) 是一种新的成像技术，虽然它起步比较晚，但 是由于成像受到外界干扰小，所以有了迅猛的发展。m r 图像与其它医学图像相比，优势 明显，具体表现在： 1 ) 灰阶成像：具有一定t 。差别的各种组织，包括正常与病变组织，转为模拟灰度的黑 白影，则可使器官及其病变成像。m r i 所显示的解剖结构非常逼真，在良好清晰的解剖背 景上，再显出病变影像，使得病变同解剖结构的关系更明确。( m r i 的图像如主要反映组 织间t l 特征参数时，为t l 加权象( t lw e i g h t e di m a g e ，t 1 w i ) ，它反映的是组织间t l 的 差别。如主要反映组织间t 2 特征参数时，则为t 2 加权像( t 2 w e i g h t e di m a g e ，t 2 w i ) ) 。 两安1 j 业大学硕十学位论文 2 ) 流控效应：心血管的血液由于流动迅速，使发射m r 信号的氢原子核离开接收范围 之外，所以测不到m r 信号，在t ，w i 或t 2 w i 中均呈黑影，这就是流空效应( f l o w i n gv o i d ) 。 这一效应使心腔和血管显影，是c t 所不能比拟的。 3 ) 三维成像：m r i 可获得人体横面、冠状面、矢状面及任何方向断面的图像，有利于 病变的三维定位。一般c t 则难于作到直接三维显示，需采用重建的方法才能获得状面或 矢状面图像以及三维重建立体像。 4 ) 运动器官成像：采用呼吸和心电图门控( g a t i n g ) 成像技术，不仅能改善心脏大血 管的m r 成像，还可获得其动态图象。 通过研究发现在大脑的病理学，如脑肿瘤、脑积水以及老年性痴呆病等，许多神经系 统的疾病改变了人脑软组织( o m ，w m ) 和c s f 的正常体积及其区域的分布，这些畸变通常 与脑水肿的程度、脑萎缩以及肿瘤的生长有关。基于m 对的特点，使其在大脑的医理学 研究上为医务人员和研究人员提供帮助。但是在对脑组织图像分析中，需要对目标图形做 处理，传统意义上的人工手动分割既需要大量的时间且精确度不高。因此，在脑疾病诊断 与脑功能研究中，自动的可靠的脑部图像分割方法有着重要的实际应用价值。现实中， m r 设备获取的脑部核磁图像会受到噪声、射频场不均匀性和脑不同组织之间的差异性以 及部分容积效应等因素影响，正是由于这种影响，使得传统的很多种分割方法在脑图像分 割中不能满足特定的要求，这样一来问题就产生了，如何才能更好的对核磁共振脑图像进 行分割? 为了解决这个问题，不少学者将支持向量机方法引入进来。 支持向量机( s v m ，s u p p o r tv e c t o rm a c h i n e ) 是2 0 世纪9 0 年代中期出现的机器学习技 术，是由c o r t e s & v a p n i k 在1 9 9 5 年首先提出来的。该方法从提出到现在虽然只有很短的 时间，但却受到人们的广泛关注，这是由于其具有坚实的理论依据，尤其近年来在其理论 研究和算法实现方面都取得了突破性的进展，使其开始成为机器学习领域新的研究热点， 并在现实生活中得到了广泛的应用，尤其是在手写体数字识别、文本分类、图像分割、图 像分类等领域的应用解决了很多实际问题。 支持向量机方法是建立在统计学习理论的v c 维理论和结构风险最小化原理上的具 体实现，为获得更好的推广能力，在有限的样本信息在模型的复杂性和学习能力之间寻求 最佳折衷。支持向量机是从线性可分情况下的最优分类面发展而来的，最优分类面就是要 求分类面不但能将两类样本正确分开( 训练错误率为0 ) ，而且要使两类的分类间隔最大。 根据结构风险最小化原则，保证经验风险最小的同时，使得分类间隔最大，导致v c 维最 小，实际上就是使推广性的界中的置信范围最小，从而达到使真实风险最小。正是由于这 个原因，使得支持向量机方法被看作是对传统分类器的一个好的发展，尤其是在小样本、 高维、非线性数据空间下，在学习过程中可以充分利用多种特征提供的信息，具有较好的 推广能力。 由于支持向量机具有泛化性能优异、全局收敛、样本维数不敏感突出优点，使其取得 了大量的研究成果，从最初的简单模式输入的直接的s v l d 方法研究，进入到多种方法取长 补短的联合应用研究，对s v d 方法也有了很多改进【2 】。如贝尔实验室率先对美国邮政手写 1 绪论 数字库识别研究方面应用了s v m 方法，取得了较大的成功等研究成果。 由于医学图像成像的特殊性，致使利用任何一种单一的特征或单一的图像分割算法都 难以取得令人满意的结果，而基于学习的分类方法，如贝叶斯分类器和神经网络分类器等 虽然可以获得相对较好的分割结果，并且在医学图像分割中得到广泛的应用。但是它们都 要求有大量的训练样本，否则会出现过拟合或欠拟合的问题，导致了推广能力较差。而支 持向量机具有在小样本、高维、非线性情况下更宜进行分类的特点。使其在医学图像分割 中发挥着更大的作用，本课题研究的就是基于支持向量机在医学图像分割中的应用。该研 究对医学图像进行分割和提取，为病变组织的定位及诊断，解剖结构的学习，治疗规划及 计算机指导手术提供技术支持，使其医学应用中发挥重大的作用。 1 2 国内外图像分割算法研究现状 图像分割是图像处理中的核心问题，也是难点之一。从2 0 世纪7 0 年代起图像分割问 题就成为热点问题，吸引了很多研究人员，并为之付出了巨大的努力。虽然产生了相当多 的研究成果和方法，但到目前为止，没有一个通用且有效的图像分割方法能够满足不同的 需求【3 1 。当然，导致这样的结果是由于对图像分割的不同要求决定的。各种研究的侧重点 不同，对同一副图像的处理要求就会不同。所以特定的图像就要有特定的分割方法。 在医学图像分析中这一问题更为明显。+ 医学图像分割不仅要用到一般图像分割的技 巧，还要与医学领域内的知识相结合。医学图像具有复杂性和多样性。由于各种医学图像 的成像原理不同，加之组织本身的特性差异，并且在图像成像时受到诸如噪音、场偏移效 应、局部体效应和组织运动等影响，使得医学图像普遍具有模糊、不均匀性等特点。另外， 个体间的差异，区域差异，种类差异等因素都给医学图像分割带来了困难。 为了解决医学图像的分割问题，近年来，国内外众多学者做了大量的研究工作，提出 了很多分割算法，解决了一些特定的分割问题。但是由于医学图像成像的特殊性，致使利 用任何一种单一的特征或单一的图像分割算法都难以取得令人满意的结果，而基于学习的 分类方法，如贝叶斯分类器和神经网络分类器等则可以获得相对较好的分割结果，在医学 图像分割中得到广泛的应用。但是它们都要求有大量的训练样本，否则会出现过拟合或欠 拟合的问题，这就导致了推广能力较差。因此，既要有效结合多种分割算法，也要继续致 力于将新的概念( 如基于统计学习理论等) ，新的方法( 支持向量机) 引入到图像分割领 域中，在新的概念基础上，充分利用新方法的优点，以期取得更好的分割效果。 下面我们列举一些常用的医学图像分割方法【4 】。虽然每种技术是单独介绍的，但在实 际应用中经常将几种分割方法联合起来使用。 1 2 1 基于区域的分割方法 基于区域的分割方法是利用区域内特征的相似性把图像划分为不同目标区域的方法， 特征如灰度特征和纹理特征等。典型的方法有：阈值法、区域生长、聚类分割法等。 阈值法是一种常用的并行区域技术。常用的阈值分割方法有：用最大相关性原则选择 两安t 业大学硕十学何论文 阈值的方法1 5 】，基于图像拓扑稳定状态的方法【6 】。确定阈值是分割的关键，其结果的好坏 取决于阈值的选取恰当与否。阂值分割的特点有：计算简单，运算效率较高，速度快，对 噪声敏感。 区域生长法是一种串行区域技术，分割过程的后续步骤由前一步分割的结果确定。区 域生长法的本质是寻找强度相似象素的空间集群。首先确定一个种子像素，该种子作为生 长起点，按照一定规则把它周围与其相似的像素不断地添加进来，并将添加进来的像素作 为新的种子，直到没有新的种子加入，生长停止，区域生成。和阈值法类似，区域生长法 也很少单独使用，常作为一系列图像处理过程的一个步骤，尤其是对于一些诸如病变的简 单的图像更是如此l _ 7 】【8 】。区域生长法的特点有：计算简单，对于较均匀的联通目标分割效 果好，人为确定种子，对噪声敏感，结果可能存在空洞，目标大时，计算速度慢。为了消 除这些缺陷，提出一种同源区域生长算法来保持原始区域和分割后的区域之间的拓扑结构 1 9 j ，以及把模糊思想引入区域生长方法中【l 们。 聚类法在阈值分割方法中是最为直接实用的分割方法，这种方法是将象素映射到相应 的特征空间，通过对特征空间的聚集进行划分，划分结果映射回原图像，得到图像的分类 结果，完成分割任务。在许多应用中，聚类法往往和其它方法混合实用，如c h e nc h a n g w e n 提出的就是用一种基于k 平均聚类和基于知识的形态学运算来对心脏c t 体图像序列做 自动分割【l 。其中k 均值和模糊c 均值聚类算法最常用，计算方法为选取一些原始点， 计算其均值，然后将每个像素归入到均值离它最近的类，重新计算类均值或隶属度。停止 条件是新旧类均值之差小于某一阈值。聚类法的特点：对初始参数敏感，对噪声和灰度不 均匀敏感。 、 1 2 2 基于边界的分割方法 基于边缘检测的分割方法试图通过检测包含不同区域的边缘来解决分割问题，它可以 说是人们研究最多的方法之一【1 2 】【1 3 】。基于边界的分割方法为检测出区域的边缘，利用了 不同区域间像素灰度不连续的特点，求出相应的梯度，依据梯度实现目标区域的分割。主 要的算法有：微分算子法，串行边界技术等。 微分算子是一种并行边界技术。由于图像中的不同区域间的不连续性，导致具有阶跃 性边缘，该边缘位置对应着一阶导数的极值点，二阶导数的过零点。常用的一阶微分算子 有r o b e r t s 、p r e w i r 和s o b e l 算子，二阶微分算子有l a p l a c e 和k i r s h 算子掣1 4 j 。微分算子 的特点：对噪声敏感。因此如果采用微分算子法，需要对原始图像做平滑滤波处理。 串行边界技术是先检测边缘再串行连接成闭合边界的方法。其中一种典型的方法是图 搜索，这是由于图像中的边界点和边界段可以用图结构来表示，在图中搜索对应的最小代 价路径，以期找到闭合边界，完成目标区域的提取。串行边界技术的特点：全局性，对噪 声不敏感，复杂，计算量大。在多数情况下，为提高运算速度，借助有关具体问题的启发 性知识减少搜索，只求次优解来实现分割。 4 1 绪论 1 2 3 基于模糊技术的分割方法 概念是思维的基本形式之一，它反映了客观事物的本质特征。而模糊概念是指概念的 外延具有不确定性，是不清晰和模糊的。模糊理论包括模糊集合理论，模糊逻辑，模糊推 理和模糊控制等方面的内容，具有描述事物不确定性的能力【1 4 】。模糊技术是建立在模糊 集合理论基础上的分割方法【l5 。 生物医学成像具有不确定性，这种不确定性表现在空间、时间和参数分辩率方面的局 限性以及成像设备的其它物理限制等。很显然，用模糊技术能够很好的解决这些不确定性， 完成对图像的分割。当前，将模糊技术和已有的许多图像分割算法相结合，形成一系列新 的集成模糊分割技术，如模糊聚类、模糊阈值、模糊边缘检测技术等。模糊技术分割方法 的特点：非监督分割方法( 无需人工干预) ，对噪声不敏感。正是由于该方法的特点，使 其成为当前图像分割的研究热点之一。 1 2 4 基于人工神经网络的分割方法 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k s ，简称a n n ) 是一种应用类似于大脑神经突 触联接的结构进行信息处理的数学模型。它的构筑理念是受到生物( 人或其他动物) 神经网 络功能的运作启发而产生的。人工神经网络是大规模并行连接处理系统，在同步模式或异 步模式下都可以工作。神经网络能够解决模式识别领域中的模式分类问题，而医学图像分 割本身也是一个模式分类问题l l6 】。 a n n 的主要特点有：具有学习能力；具有容错的能力；最优搜索能力；对于随机噪 声具有很强的鲁棒性。当前，a n n 的方法已经被成功地应用于医学图像上的m r i 、c t 和x r a y 图像的分割。并且与模糊技术相结合，形成了模糊神经网络系统，为a n n 技术 在图像分割中的应用注入了新的内涵。 1 2 5 基于遗传算法的分割 遗传算法( g e n e t i ca l g o r i t h m s ) 是一种搜索最优解的算法。其基本思想是模拟自然选择 和自然遗传过程中的繁殖、交配和突变现象，建立一种随机、迭代、进化的非遍历寻优的 搜索策略。 遗传算法一般由编码机制、适应度函数、遗传算子、控制参数四部分组成。编码机制 是遗传算法的基础，是将对象按照定机制进行统一编码生成编码串的过程。适应度函数 对个体进行评估，定出优劣程度。遗传算子有三种：选择、交换、突变。选择算子会根据 对象的优劣程度，决定其在下一代中是应该选择还是放弃。交叉算子是将对象串内的部分 做随机交换，并和原对象比较，保留适应度大的个体，个体数由对象数目决定。突变算子 是将对象中的某个点做突变操作，以期得到最优解。控制参数是指适当确定某些参数的值 以提高选优的效果。 遗传算法的主要特点：简单，适于并行处理，具有鲁棒性，适用性广泛，擅长全局搜 两安t 业大学硕十学位论文 索1 1 6 j ，局部搜索能力不足。基于遗传算法的特点，常将它和其它算法结合起来使用。 1 2 6 其它方法 除了以上的分割方法外，还有许多其他方法，如基于小波变换的分割方法、基于数学 形态学的分割方法、分水岭算法及基于对象物理特性的分割方法等。 小波变换的分割方法是空间( 时间) 和频率的局部变换，因而能有效地从信号中提 取信息。是一种在医学图像分割中得到广泛应用的方法。其思想是用不同层次的小波进 行叠加，代替原有的图像直方图。通过调节小波值的大小得到符合精度的分割图像【l7 1 。 数学形态学是一种非线性滤波方法，可以用于抑制噪声、特性提取、边缘检测、图像 分割等图像处理问题。基本的形态运算是腐蚀与膨胀。将腐蚀与膨胀相结合使用，可以去 除边缘噪声的影响，完成目标的提取【18 1 。特点有：定位效果好、分割精度高、抗噪声性 能好。 分水岭( w a t e r s h e d ) 算法的思想来源于地理学，它将梯度幅值图像看成一幅带有等高 线的地形图，梯度幅值对应海拔高度。缓慢的向图内注水，随着水位的升高，地形图逐渐 浸入一个个湖中，湖的中心是全局极小值点。继续注水，当相邻两个盆地的水即将合并时， 建坝拦截。分水岭就是在这一过程中建立的堤坝【l9 1 。分水岭算法的特点：易过渡分割。 基于对象物理特性的分割方法是图像分割的另一种方法【2 0 】。该方法跟待分割的对象 有密切的关系，如对象的颜色、形状、纹理、投影等，涉及到大量的专业知识。 1 3 支持向量机的研究现状 支持向量机是2 0 世纪9 0 年代中期出现的机器学习技术。该技术一经提出，就受到国 内外研究学者的追捧，近年来很快成为机器学习领域的研究热点之一。 支持向量机从提出到现在只有很短的时间，但由于它是基于统计学习理论的，具有坚 实的理论依据，使得应用日益广泛，尤其是近几年涌现出的大量理论研究成果，更为其应 用研究奠定了坚实基础。如a n t h o n y e t a l ( 1 9 9 9 ) 等人给出了关于硬邻域支持向量机学习误 差的严格理论界限，s h a w e t a y l o r ( 2 0 0 0 ) 和c r i s t i a n i n i ( 2 0 0 0 ) 也给出了类似的关于软邻域支 持向量机和回归情况下的误差界限；w e s t o n e t a l ( 1 9 9 8 ) 和v a p n i k ( 1 9 9 5 ，1 9 9 8 ) 等研究了支持 向量机的泛化性能及其在多值分类和回归问题的扩展问题；s m o l a ( 19 9 8 ) 和 s e h o e l k o p f ( 1 9 9 9 ) 提出了支持向量机一般意义下的损失函数数学描述；脊回归是由 t i k h o n o v 提出的一种具有特殊形式的正则化网络，g i r o s i ( 1 9 9 0 ) 、p o g g i o ( 1 9 7 5 ) 等将其应 用到正则化网络的学习中，s m o l a e t a l ( 1 9 9 9 ) 研究了状态空间中脊回归的应用，g i r o s i ( 1 9 9 0 ) 、 s m o l a ( 1 9 9 8 ) 、s c h o e l k o p f ( 1 9 9 9 ) 等讨论了正则化网络和支持向量机的关系1 2 。 随着人们在支持向量机理论上深入研究，使得支持向量机有了长足的发展，如提出了 用于分类和回归的支持向量机和通用支持向量机( g e n e r a l i s e d s v m s ) 。在随后的近几年内， 有关的应用研究又取得了一系列令人瞩目的研究成果，尤其在手写体数字识别、文本分类、 目标识别、图像分割、图像分类等各种领域的具体问题上得到了应用【2 2 1 。受到了很多领 6 1 绪论 域的学者的关注。 由此看出，支持向量机方法的具有巨大的研究价值，将其优点和新的研究方法相结合 或在不同的领域中应用仍将是研究的热点。 1 4 本文的研究内容和组织结构 本论文对支持向量机理论和以及其在医学图像分割上的应用进行了深入研究，并在此 基础针对医学图像的特点，提出了一种新的划分区域，在该区域内提取相应的文理特征作 为支持向量，对医学图像分割进行研究。主要进行的研究有以下几个方面： 1 ) 研究图像的区域划分，图像分割的好坏与区域划分有着密切的联系，好的区域划分 可以使图像得到更好的分割，为研究人员和医务工作者提供很大的帮助。 2 ) 选择适当的核函数和核参数。核函数与核参数的选择恰当与否直接影响到分类效果 的好坏。如支持向量机中的惩罚因子( c ) ，它是训练点与分类超平面的距离最大且分类误 差最小之间寻求最佳折衷，核参数( 伊2 ) 决定了数据空间到高维特征空间的映射。试验证 明，选择适当的核函数与核参数，就可以得到最佳的分割效果。 3 ) 采用交叉验证方法。通过该方法对不同核函数与核参数进行训练验证，选取分辨误 差最小的作为最终的核函数和核参数。 4 ) 将分类算法应用于医学图像分割。根据以上确定的核函数及核参数，对目标图像做 分割处理，与传统支持向量机算法进行比较，验证其准确性。 本文共分五章，内容安排如下：。 第一章，绪论：简单介绍了图像分割的研究背景，着重介绍现阶段国内外医学图像分 割的研究概况，并介绍了支持向量机研究的现状，最后给出本课题主要研究工作。 第二章，支持向量机：简要介绍了机器学习理论基础和统计学习理论基础，重点阐述 了支持向量机的基本原理。本章是后续章节的理论基础。 第三章，医学图像分割：简要介绍了医学图像分割的意义和目的，以及医学图像的特 点，并介绍了医学图像的主要分割方法，按照医学图像的特点对训练样本区域的选择做了 研究，结合医学图像的特点与支持向量机的优点，以此引出用支持向量机算法实现医学图 像的分割操作。 第四章，支持向量机在医学图像分割中的算法研究：本论文选取模拟脑部m r 图像 作为研究图像，详细介绍构造分类器整个过程，包括数据格式、核函数与参数的选择及使 用交叉验证法对分类器的性能做测试，并介绍了如何选取训练和测试样本，以及特征向量 的提取，并将其做归一化处理。 第五章，应用实现：按照第四章构造分类器的步骤做实验，得到分类结果，对结果进 行比较、分析和评价，说明算法改进的可行性。 第六章，结论：对研究结果做总结，明确下一步研究的问题与方向。 7 两安j t ：业大学硕十学位论文 2 支持向量机理论 支持向量机( s u p p o r t v e c t o r m a c h i n e s ，s v m ) 是v a p n i k 等人提出的一种新的机器学 习方法，它以统计学习理论中的结构风险最小化原则为基础，通过寻找待分数据的最优分 类面完成对数据的分类。具有数学形式简洁、几何解释直观和泛化能力好的特点。其在小 样本、高维、非线性数据空间下的超强学习能力是其它方法无法比拟的。与传统的一些机 器学习方法相比，它有效地克服了“维数灾难”，并在防止训练过学习、运算速度和识别 精度等方面都表现出了优越性，而且已成功应用于众多模式识别领域中。 2 1 机器学习理论基础 学习是认知自然的一种智能行为，是积累经验以改善其性能的过程。但是至今为止， 人类无法了解确切的学习机理，不能给学习一个明确的定义。研究人员曾对学习给出如下 的定义： h a s i m o n 认为，学习是系统所作的适应性变化，以使得系统在下一次完成同样或类 似的任务时更为有效【2 3 j 。 r s m i c h a l s k i 认为，学习是构造或修改对于所经历事务的表示【2 4 1 。 从事具体智能系统研制的学者则认为学习是知识的获取。 上述观点各有侧重，有强调学习的外部行为效果的，有强调学习的内部过程的，还有 从实用性角度出发的。理解不同，认知也就不同，得出的最终绪论也就不同。 机器学习是使机器模拟人类的学习方式来获取知识和技能，提高自己的性能，从而达 到完善自我的目的。 机器学习在人工智能发展的又一重要领域，是人类认知行为的延伸。机器学习是从人 类学习行为本身出发，利用一些基本的方法使机器通过认知客观世界，获取知识和技能， 并伴随着计算机技术的发展，建立一定的学习模型，使得机器具有学习能力。真正的智能 系统一定是一个具有学习能力的智能系统，该系统具有自我校正、自我完善、自动获取和 发现所需知识的能力。如果不具备这样的能力，那它们的推理仅限于演绎而非归纳，只能 得到已知的结论，不会发现未知的结论，也就不具备推广能力，使得其效果大打折扣。因 此，机器学习的主要任务是通过对人类认知行为的理解，将其升华为理论，然后探索出适 当的学习方法。而通过对机器学习的研究，也会使人类对自身的学习机制有进一步了解。 现今随着人工智能向纵深发展，机器学习逐渐成为人工智能研究的核心之一。机器学 习已经在人工智能的各个分支，如专家系统、自动推理、自然语言理解、模式识别、计算 机视觉、智能机器人等广泛应用到医学、化工、通讯、军事等各个领域。但是，随着人工 智能的进一步发展，其某些局限性也显现出来，尤其是专家系统中知识获取瓶颈的问题， 研究人员采用不同的机器学习模式的方法加以克服。 8 2 支持向量机 机器学习的特点有以下几个方面： 1 ) 机器学习结果的正确性不能保证。机器学习一般采用归纳推理方法，而归纳推理 可能会得到多个结论，虽然在归纳推理过程中使用了启发信息，并做了些假设和约束，但 是各种假设的验证是非常困难的，这是需要实践才能完成的，故学习结果会存在不确定性， 这种不确定性又会影响到学习的正确性。所以说机