基于SVM的醫(yī)學(xué)圖像模式識別分類算法的研究

左亞靈

三、訓(xùn)練及結(jié)果分析

本課題中選用的醫(yī)學(xué)圖像數(shù)據(jù)為乳腺X線圖像，全部示例圖像均來自MIAS圖像庫，該圖像庫中包含322張乳腺X線圖像，并分為三大類：正常、良性和惡性（異常），其中正常的208例，良性63例，惡性51例，后兩類都劃分為不正常。本課題中只分為“正常”和“異常”兩類，良性和惡性都歸為“異常”類中。

本文采用10重交叉驗證的方法，將數(shù)據(jù)庫中的全體圖像隨機分為十份，其中一份用作測試集，另外九份用作訓(xùn)練集，依次輪換，直到每份樣本都做了一次測試集，即進行了十次訓(xùn)練和預(yù)測。實驗結(jié)果如右圖所示，最終平均分類精度為79.2%。本實驗中的支持向量機雖然證明了其可行性，但從結(jié)果來看，不僅準(zhǔn)確度不夠高，實驗過程中最高精確度與最低精度相差也比較大，表明分類器的穩(wěn)定性還不夠，猜測可能與隨機分類中圖片分類分組也有一定關(guān)系，在進一步研究中可對其分組分類進行記錄，來研究其中的關(guān)系。

四、結(jié)束語

基于本文中的實驗方法，還可以在此基礎(chǔ)上從以下方面進行改進，以提高精確度。

（1）本課題是在考慮SVM適用于小樣本訓(xùn)練的前提下進行的，但如果用于大量樣本的實驗訓(xùn)練，則空間復(fù)雜度和時間復(fù)雜度也會大大增加。

（2）現(xiàn)已有多種基于提高識別率的優(yōu)化算法，但如果要進一步優(yōu)化分類算法，還應(yīng)考慮提高訓(xùn)練速度。

此外，以上兩點的結(jié)合以及最終問題就是增量學(xué)習(xí)和在線學(xué)習(xí)。無論什么樣的算法，都不能直接保證其在任何時間地點都能進行百分之百準(zhǔn)確的運算，但是如果用于應(yīng)用中不斷學(xué)習(xí)的在線學(xué)習(xí)，則可以使準(zhǔn)確率無限接近于百分之一百，這是比現(xiàn)有算法都要更加實用的小樣本分類算法。

參考文獻：

[1]田 捷，包尚聯(lián)，周明全.醫(yī)學(xué)影像處理與分析[M].北京：電子工業(yè)出版社，2003.

[2]Ma J，Theiler J，Perkins S.Accurate online support vector regression[J].Neural Computation，2003（11）.

[3]汪 輝.增量型支持向量機回歸訓(xùn)練算法及在控制中的應(yīng)用[D].杭州：浙江大學(xué)，2006.