LabVIEW使用支持向量機(jī)對腦磁共振成像進(jìn)行圖像分類
醫(yī)學(xué)成像是用于創(chuàng)建人體解剖學(xué)圖像以進(jìn)行臨床研究、診斷和治療的技術(shù)和過程。它現(xiàn)在是醫(yī)療技術(shù)發(fā)展最快的領(lǐng)域之一。通常用于獲得醫(yī)學(xué)圖像的方式是X射線，計算機(jī)斷層掃描（CT），磁共振成像（MRI）和超聲成像。在醫(yī)學(xué)成像中，MRI是使用磁場將圖像捕獲到膠片上的掃描設(shè)備之一。由于其出色的軟組織對比度和詳細(xì)的分辨率，MRI用于人腦結(jié)構(gòu)的解剖學(xué)評估。
腦部MRI圖像可能包含正?；蛴腥毕莸漠惓Ｇ衅Ｕ：彤惓ＤX圖像由其在軸向和冠狀圖像上的對稱性決定。超過一定程度的不對稱性是患病大腦的明確跡象，這在我們的工作中已被利用，用于粗略水平的初步分類。因此，需要對圖像進(jìn)行涉及MRI腦分類的進(jìn)一步檢查。
分類的目的是將具有相似特征值的項(xiàng)目分組到類別中。已經(jīng)對腦MRI分類進(jìn)行了許多研究。這些包括使用神經(jīng)網(wǎng)絡(luò)、模糊?c?均值、k?近鄰和支持向量機(jī)（SVM）的技術(shù)。
SVM由于其計算效率和良好的泛化性能，已被廣泛應(yīng)用于模式識別應(yīng)用。在根據(jù)阿爾茨海默病確定患者的狀況之前，同樣需要改進(jìn)過程。這是為了確定圖像根據(jù)對稱性屬于正?；虍惓ｎ悇e的可能性，如阿爾茨海默病或腦腫瘤的情況。在這項(xiàng)工作中，使用SVM自動獲得兩個類別的圖像分類，即正常或異常。
SVM?的關(guān)鍵概念是使用超平面來定義分隔不同類別的數(shù)據(jù)點(diǎn)之間的決策邊界。SVM?既能夠處理簡單的線性分類任務(wù)，也能夠處理更復(fù)雜的（即非線性）分類問題。可分離和不可分離的問題都由線性和非線性情況下的?SVM?處理。SVM?背后的想法是將原始數(shù)據(jù)點(diǎn)從輸入空間映射到高維甚至無限維特征空間，從而使特征空間中的分類問題變得更加簡單。映射是通過適當(dāng)選擇內(nèi)核函數(shù)來完成的。
使用圖像去噪和噪聲過濾等圖像增強(qiáng)技術(shù)增強(qiáng)了圖像。首先將小波變換應(yīng)用于圖像。然后操縱獲得的小波系數(shù)，以消除噪聲點(diǎn)。壓縮或局部化的小波變換的基礎(chǔ)稱為小波變換的母小波。
?
?項(xiàng)目的出發(fā)點(diǎn)是使用腦MRI的小波近似系數(shù)作為SVM的輸入。通過機(jī)器學(xué)習(xí)方法，希望在解釋正常和異常的大腦圖像時達(dá)到更高的精度和準(zhǔn)確性。文章來源：http://www.zghlxwxcb.cn/news/detail-612887.html
?文章來源地址http://www.zghlxwxcb.cn/news/detail-612887.html
到了這里，關(guān)于LabVIEW使用支持向量機(jī)對腦磁共振成像進(jìn)行圖像分類的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
