1 内容介绍
随着计算机成像技术的不断完善,医学图像在疾病判别中发挥着越来越重要的作用。近年来,针对医学图像尤其是脑部医学图像的研究,成为一门新兴学科。核磁共振脑图像中的肿瘤识别及提取是医学图像处理中的难点,本文主要使用改进的支持向量机方法研究肿瘤化组织的自动检测和提取,以提高工作效率和疾病诊断的准确率。 支持向量机(SVM)方法是Vapnik等人提出的一种在统计学习理论和结构风险最小化基础上发展起来的机器学习方法,在非线性、高维度、小样本和局部极小点等数据空间问题上得到了广泛的应用。受脑图像复杂程度的限制,单独应用支持向量机和CV模型水平集方法都无法准确有效的将脑肿瘤分割出来,本文提出了一种PCA等多种特征和支持向量机结合模型。该方法在脑部图像四分类(背景、脑脊液、白质和灰质)中具有良好的分割效果,能够在相似灰度区域中提取出肿瘤化组织图像特征,便于进行脑瘤医学诊断,具有应用价值。
2 部分代码
% Evaluate performance based on parameters
function svmStruct_Latest = crossfun(xtrain,ytrain,xtest,rbf_sigma,boxconstraint)
svmStruct = svmtrain(xtrain,ytrain,'Kernel_Function','rbf',...
'rbf_sigma',rbf_sigma,'boxconstraint',boxconstraint);
yfit = svmclassify(svmStruct,xtest);
c = cvpartition(200,'kfold',10);
minfn = @(z)crossval('mcr',cdata,grp,'Predfun', ...
@(xtrain,ytrain,xtest)crossfun(xtrain,ytrain,...
xtest,exp(z(1)),exp(z(2))),'partition',c);
opts = optimset('TolX',5e-4,'TolFun',5e-4);
[searchmin fval] = fminsearch(minfn,randn(2,1),opts);
[searchmin fval] = fminsearch(minfn,randn(2,1),opts);
[searchmin fval] = fminsearch(minfn,randn(2,1),opts);
z = exp(searchmin)
svmStruct_Latest = svmtrain(cdata,grp,'Kernel_Function','rbf',...
'rbf_sigma',z(1),'boxconstraint',z(2),'showplot',true);
3 运行结果
4 参考文献
[1]唐组阁, 余晓江. 基于CNN和SVM融合的脑肿瘤检测和分割[J]. 电子技术与软件工程, 2021(000-016).
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机、雷达通信、无线传感器等多种领域的Matlab仿真，相关matlab代码问题可私信交流。
部分理论引用网络文献，若有侵权联系博主删除。